职场上如何让 ADHD 当「生成核心」、让 AI 当「调度层」,组成一个完整系统?
ADHD 侧:有想法有能力,却卡在执行与落地;LLM/harness 侧:LLM 智力强但需要外部编排才能完成长任务。用双域证据作答。
职场上如何让 ADHD 当「生成核心」、让 AI 当「调度层」,组成一个完整系统?
绩效面谈上,主管对他说了一句很典型的话:「你的想法是团队里最好的,但交付太不稳定——我没法把重要项目放心交给你。」他点头,心里却在喊冤:想法好和交付稳,在他身上根本是同一个大脑的两面——点子在会议上喷涌的那个系统,和会后追踪二十个待办的那个系统,从来不是同一套硬件。可职场默认你必须两者兼备,缺一个,另一个就作废。
收敛:本文只回答一个可操作的问题——在一个普通职场里(不换工作、不求特批),如何把「生成」和「调度」显式拆开,让 ADHD 负责前者、AI 负责后者,并让这个组合以「稳定交付」的外观呈现给组织?
穿透:为什么拆开反而完整
架构逻辑先讲透。现代 agent 系统的标准分工:LLM 做生成核心(发散、联想、产出候选方案),harness 做调度层(排序、追踪、超时重试、状态管理)。这个分工存在的原因不是模型不够强,而是生成和调度是两种计算——一种要方差,一种要稳定,同一个组件同时优化两者必然两头折损。
ADHD 的职场困境是被要求当一个「单体应用」:创意、执行、追踪、汇报全内置。而 ADHD 的能力轮廓恰恰是尖峰的:生成侧(发散思维、跨域联想、危机爆发力)常在峰上,调度侧(状态追踪、例行推进、时间预估)常在谷里。传统建议是「练好调度」——相当于逼着 LLM 学会自己当调度器。架构师的答案是:别练,外挂。
具体拆法,三条流水线:①输入调度:所有飞来的任务(邮件、群消息、口头)第一站进 AI 收件箱(语音丢给手机助手/转发给整理 bot),由 AI 转成结构化待办——你不做「记住」这件事。②产出调度:你的工作时间显式分成「生成时段」(brainstorm、写方案初稿、解难题——只做峰值任务)和「装配时段」(AI 把你的碎片产出整理成文档、周报、跟进清单,你只审核签发)。③对外接口:向上汇报的节奏交给模板和定时提醒——组织要的「稳定」,大部分其实是「可预期的汇报」,这一层 AI 完全能撑住。
风险要挖:这套系统的单点故障是「签发拖延」——AI 把一切都装配好了,你卡在最后的确认上。所以签发必须仪式化:固定时段、固定时长、站着做完。
验证
可自测(一个月):记录两个数字——主管/同事对你「交付稳定性」的反馈变化(直接问),和你自己的「峰值时间占比」(每天有多少小时花在真正的生成任务上)。系统成立的标志是两个数字同时上升。可证伪:如果峰值占比升了但交付口碑没变,说明你的问题不在调度而在承诺管理(接了太多),那要修的是「接活闸门」,另一个组件。
决策
做什么:按三条流水线搭建,从输入调度开始(最容易见效);把「我需要 AI 辅助」重构为「我优化了工作流」对外呈现——组织在乎产出,不在乎架构图。
不做什么:不要再报「练时间管理」的课(那是给生成核心报调度培训班);不要把生成时段让给会议和杂事——那是整个系统里唯一不可替代的部件。
先做什么:今天先建收件箱:选定一个所有任务的唯一入口,告诉自己「凡是没进入口的,等于没发生」。
边界
「生成核心/调度层」是计算层的架构类比(本文未做正式 A/B/C 分级);AI 工具未被证实为 ADHD 的职场干预手段,本文是工程实践翻译。若职场困难已引发持续的焦虑、情绪低落或你怀疑自己有未确诊的 ADHD,请寻求专业评估——合理便利(workplace accommodation)在很多地方是可以正式申请的。
今天就能试的 3 件事
- 建唯一收件箱:选定入口(手机备忘/某个 bot),把今天飞来的每个任务都丢进去,一个不漏。
- 在明天的日历上圈出 90 分钟「生成时段」,只放峰值任务,会议不得入内。
- 设一个每天 15 分钟的「签发仪式」:审核 AI 装配好的产出并发出——站着做,做完即关。
本文服务于人生 Harness 金字塔的执行层与价值层:你不需要变成全栈的自己——把调度交给机器,把生成留给自己,「不稳定的天才」就升级成了「有基础设施的天才」。
参考来源
- AI Eye Movement Biomarker ADHD Detection Market Research… — 证据等级:低(GRADE)
- Unveiling critical ADHD biomarkers in limbic system and cerebellum… — 证据等级:低(GRADE)
- AI may aid in diagnosing adolescents with ADHD - ScienceDaily — 证据等级:中(GRADE)
本文是「ADHD × AI」系列的第 21 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。