用 Goblin Tools 给 ADHD 补上外部执行功能层，是脚手架还是拐杖？

30 天记录篇给了 Goblin Tools 一个定位(执行功能除颤器),六插槽篇量出了它的真实覆盖(拆解槽满分,整层一项半)。但有位读者的追问把问题推进到了第三层:「好,我接受它只占拆解槽——那么**拆解这一个功能的外包,是脚手架还是拐杖?**我用它拆了半年任务,现在自己拆任务的能力是变强了还是废了?」这个问题值得单独一篇,因为「拆解」恰好是拐杖/脚手架分区里最微妙的骑墙功能:它既有神经性的成分,也有技能性的成分——答案不是二选一,而是取决于你用它的方式把它推向哪边。

收敛:本文只回答——「任务拆解」这个功能内部,哪部分是可内化的技能(脚手架侧)、哪部分是神经性负担(拐杖侧)?判定你自己滑向哪边的检测指标?两种用法的具体操作差异?

穿透:拆解=图式(可学)×点火(难学)——外包时别把两者捆着卖

把「拆任务」解剖开,它是两个异质成分的乘积。成分一:拆解图式——知道一个任务该沿什么线切(按流程切?按空间切?按「第一个可见成果」切?),知道什么粒度算「够小」(能在低状态下启动的粒度)。这是典型的可学习技能:项目经理靠训练获得它,认知行为治疗里的「任务分解训练」也在教它——它属于脚手架侧,外包它的同时应该顺手偷师。成分二:拆解点火——在面对模糊大任务的厌恶感和瘫痪中,启动「开始拆」这个动作本身。这是执行功能的启动问题(用拆解启动拆解的死循环,30 天篇写过),对多数 ADHD 者点火困难是神经性的,训练收益有限——它属于拐杖侧,终身外包,零愧疚。

所以同一个 Magic ToDo,两种用法把你推向两个方向。拐杖式用法(点火外包+图式也外包):瘫痪时刻丢进去→拿到清单→照做→下次继续丢——半年后你的点火依赖它(合理),图式也依赖它(不必要的损失):离开它连「该沿什么线切」的感觉都没有。脚手架式用法(点火外包+图式回收):瘫痪时刻照样丢进去(点火的拐杖大大方方用),但拿到清单后加一个三十秒动作——看一眼它的切法并说出名字(「哦,它按空间切的」「它把『第一步』设得比我想的小一半」);偶尔(状态好时)玩「预测游戏」:丢进去之前先自己猜它会怎么拆,再对答案——图式在对答案中一次次校准。半年后的差异:两种用法的人瘫痪时都靠它点火(平等),但后者在中低难度任务上已经能徒手拆(因为图式长在了身上),它的使用频率自然下降到只剩「真正的迷雾任务」——这就是脚手架的定义:不是不用,是用的场景越来越高级。

检测你滑向哪边,两个指标:①使用频率的走向——半年内,你丢给它的任务难度是在上移(只剩硬任务=脚手架轨道)还是不变甚至下移(连买菜清单都丢=拐杖化信号);②预测命中率——玩三次预测游戏,你猜的拆法和它的重合度:高且稳定上升=图式在内化;完全猜不出=图式全在它那边。

验证

用两个月做分组自测:第一个月纯拐杖式用,第二个月加「看切法+预测游戏」,月末各做一次徒手拆解测试(同难度任务,计时+评质量)。可证伪:若第二个月的徒手成绩毫无起色且预测游戏让你痛苦,你的图式成分可能也偏神经性(个体差异,前文写过内化失败的处理)——那就把图式外置(打印一张「四种切法」卡片贴在桌上),外置清单与内化图式等价,不丢人。

决策

做什么:点火永远放心外包;图式执行「三十秒看切法」纪律;每季度玩三次预测游戏当体检。

不做什么:不要为了「锻炼自己」在瘫痪时刻拒绝用它(点火是拐杖区,硬扛的代价是任务直接死掉);不要因为「反正它会拆」连切法都不看一眼(那三十秒是这篇文章的全部现金价值)。

先做什么:下次用完 Magic ToDo,练第一次「说出切法的名字」——你的图式回收计划,从一句话开始。

边界

任务分解训练的可学习性有 CBT 与职业康复文献支持(GRADE 中);「点火神经性/图式技能性」的二分是本文基于执行功能文献的实践框架,个体比例差异大(本文未做正式 A/B/C 分级)。工具使用不替代治疗;若各种拆解支持下启动依然普遍瘫痪且伴随痛苦,值得专业评估(启动问题也可能指向情绪或动机层)。

今天就能试的 3 件事

1. 用一次 Magic ToDo,完成后花三十秒说出它的切法。
2. 玩一次预测游戏:先猜,再丢,对答案。
3. 写下你的「四种切法」卡片(按流程/按空间/按第一个可见成果/按最小可启动粒度)——不管内化还是外置,先让图式显形。

本文服务于人生 Harness 金字塔的执行层的精细分区:同一个工具,可以是你能力的天花板,也可以是你能力的地板——差别不在工具,在你拿到它的输出之后,肯不肯多看三十秒;点火借它的,图式偷回来,这才是和工具相处的上乘功夫。

参考来源

• A Review of Artificial Intelligence (AI) in Education from 2010 to 2020 — 证据等级：低（GRADE）
• Using machine learning to predict decisions of the European Court of Human Rights — 证据等级：低（GRADE）

---

本文是「ADHD × AI」系列的第 126 篇，由 Devin 基于持续维护的双域研究语料（72,739 篇论文 + LLM Wiki）亲自撰写，并持续迭代更新。