ADHD 想把「精确、重复、状态维护类任务」外包给 ChatGPT，该怎么设计这套「人 + AI」的回路？

他的报销单被财务退回第四次时,附言已经不客气了:「金额又对不上。」这类任务——报销、台账、格式统一、数据核对、周报里那张必须周周更新的表——是他职业生涯的顽固出血点:**不难,但要求「每一步都对、每一次都做、每个状态都记得」,而这三样恰好是他的神经配置里最贵的三种操作。**把这类活丢给 ChatGPT 是他试过的所有方案里最顺的一个,但头两个月他踩了一个几乎必踩的坑:AI 处理完的台账,他扫一眼「看起来很对」就提交——第三个月被审计出连续遗漏(AI 对某类发票的日期解析一直有个稳定的小错)。他这才明白这类外包的真正难点:**你外包一件事,恰恰是因为你不擅长它——那么你也同样不擅长检查它。**回路的核心设计,必须绕过这个死结。

收敛:「外包给 ChatGPT」族的第三款,本文只答「精确/重复/状态维护」这一类——这类任务为什么是「最该外包、又最难验收」的组合?绕过「不擅长者无法验收」死结的三种验收设计?状态维护类的专用回路(和一次性任务不同)?

穿透:让不擅长精确的人去验收精确,等于没有验收——所以验收必须不依赖精确

先讲清那个组合的两面。最该外包:精确重复类任务对 ADHD 是三重税——持续注意的维持(重复中走神率最高)、细节精度(粗心错误的高发区)、状态记忆(「上次更新到哪」的维护成本);同时这类任务的训练回报接近零(练十年报销,依然痛苦——它不在兴趣区,永远调不来多巴胺),是标准的拐杖区:终身外包,零愧疚。又最难验收:LLM 的错误特性和人的粗心不同——它的错稳定、系统、且披着流畅的外衣**(那个日期解析错误每次都错得一模一样,且表格工整得毫无破绽);而验收者(你)的检查能力恰恰被同一套神经配置限制(扫一眼「看起来很对」就是你能提供的全部检查)。外包解决了生产端,把同样的缺陷原样搬到了验收端——这是此类外包的死结,也是多数「AI 报错连累我」事故的真实结构。

三种绕过死结的验收设计(共同原则:验收动作不得要求「逐项精确核对」的能力):①锚点抽验——不查全表,只查三个「锚点值」(总额、条目数、最后一条的日期)——锚点由你事先指定、每次固定(固定=可成为习惯=不靠当天状态);锚点对不上必有问题,锚点全对则错误概率大降(不是零——所以有②);②双通道交叉——重要任务让 AI 用两种不同方式各算一遍(「逐条累加」和「按类别小计再合计」),两个结果互为验收——把「人查机器」换成「机器查机器」,你只看两个数是否一致:一致性检查是 ADHD 也能稳定执行的动作(比对两个数≠逐项核对);③错误模式登记——每次被发现的 AI 错误,登记成一条「已知病灶」(「它对手写日期的发票会解析错」),并把病灶写进下次的提示词(「注意手写日期发票,单独列出待我确认」)——AI 的错误是系统性的,系统性意味着可预防:你的验收能力不会成长,但你的病灶清单会。

状态维护类的专用回路(区别于一次性任务的关键:状态要跨会话存续):状态快照制——每次维护结束,让 AI 输出一段「状态摘要」(台账更新至几号/共几条/待处理几项/已知病灶几条),摘要存固定位置(置顶文档);下次开工,先把摘要喂回去——状态不存在你的记忆里,也不存在它的记忆里(会话会丢、上下文会漂),存在那段被显式管理的摘要里;这是压栈回路(工作记忆篇)的慢速版:那边管分钟级的现场,这边管周级的台账状态。

验证

可测:回路运行三个月,数两个数——被外部(财务/审计/同事)发现的错误数(应趋零)、病灶清单的增长曲线(前期快增后期放缓=系统在收敛)。可证伪:若你的任务里错误的代价是灾难级(法务、医疗、资金操作),「抽验+交叉」的概率式保障不够格——这类任务的正确设计是「AI 起草+专业者全检」或干脆不外包,本回路的适用区是「错了会麻烦但可纠正」的日常事务。

决策

做什么:此类任务全量外包不愧疚;验收用锚点+交叉+病灶清单;状态用快照制显式管理。

不做什么:不要用「我再仔细看一遍」做验收方案(你的仔细是不可再生资源,且恰好在这类任务上失灵);不要因一次 AI 错误退回手工(手工的错误率未必更低,只是错得更随机、更难登记)。

先做什么:挑你最痛的一项重复任务,今天设计它的三个锚点值——验收体系的第一块砖。

边界

持续注意与细节错误的 ADHD 文献扎实(GRADE 高);验收设计为工程实践框架(本文未做正式 A/B/C 分级)。LLM 在数值与表格任务上的错误率不可忽略,高风险场景(资金/法务/医疗)不适用本回路;涉敏感数据注意隐私边界。

今天就能试的 3 件事

1. 给最痛的重复任务定三个锚点值。
2. 用双通道交叉法跑一次本周的台账。
3. 建病灶清单文档,把你已知的 AI 错误写进第一条。

本文服务于人生 Harness 金字塔的执行层的质检工程:把不擅长的事交出去只是上半场,下半场是承认自己也不擅长检查它——然后设计一套不需要你擅长的验收;真正的外包成熟度,不在你敢交出多少,而在你交出去之后,还能不能负责。

参考来源

• RAG Is Not Agent Memory - Letta — 证据等级：低（GRADE）
• Artificial Intelligence Improves Ability to Use MRI to Diagnose ADHD — 证据等级：中（GRADE）
• Brain Connectivity Breakthrough Sheds New Light on ADHD — 证据等级：中（GRADE）

---

本文是「ADHD × AI」系列的第 175 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。