ADHD 想把「工作记忆容量小、边做边忘」外包给 ChatGPT，该怎么设计这套「人 + AI」的回路？

她的工作现场是这样的:改一份合同,改到第 4 条时想起第 7 条有个关联问题,跳过去处理,处理中发现要查一个定义,查完回来——第 4 条改到哪了?为什么跳到第 7 条?那个「关联问题」是什么来着?**三层栈,全部弹空。**每天的工作就是在这种「栈溢出→重建现场→再溢出」的循环里,把两小时的活干成六小时。她试过备忘录(记了但事后看不懂当时的语境)、试过「专注一条别乱跳」(违背了发现关联问题的工作本能)。真正起效的是第三种:她开着一个 ChatGPT 对话当「外置寄存器」,养成一个铁律动作——**每次要跳走之前,先对它说一句人话:「我在改第 4 条的赔偿上限,现在去看第 7 条的关联,回来后从『上限数字要不要对齐第 7 条』继续。」**跳回来时问一句「我刚才在哪」,它把现场原样递还。

收敛:「外包给 ChatGPT」这一族,本文只答「工作记忆」这一款的回路设计——为什么外置工作记忆的关键在「压栈动作」而不在存储(多数人做反了)?回路的四个组件?这套回路和普通笔记的本质区别?

穿透:你缺的不是仓库,是那个在跳转瞬间自动执行的「保存现场」指令

先诊断多数人做反的地方。工作记忆外包的常见做法是「事后补记」(干完一段记一下)或「事前计划」(先列好步骤)——两者都错过了真正的失血点:工作记忆的内容不是在存储环节丢的,是在「任务切换的瞬间」丢的(跳转时旧栈被新任务覆写——这是 ADHD 工作记忆问题的高发时刻:容量小意味着栈浅,栈浅意味着任何切换都可能弹空)。所以回路的核心不是仓库(仓库到处都是),是把「保存现场」变成跳转动作的固定前缀——计算机的中断处理逻辑:响应中断之前,先压栈。她那句「铁律动作」就是全部秘密:在跳走的冲动和跳走的动作之间,插入一句对 AI 说的人话。

四个组件,把回路说完整:①压栈句式(核心组件)——固定三段式:「我在做___,现在去___,回来后从___继续」——注意第三段最值钱:它是「重入点」,把未来那次昂贵的「我刚才在干嘛」重建,预付成了三秒钟的一句话;句式要练成肌肉记忆(前两周会漏,漏了别自责,漏的那几次的懊恼恰是最好的训练信号);②弹栈问句——回来时只问「我刚才在哪」,让 AI 递还现场;不要自己翻聊天记录(翻记录会遇到别的信息,新的兔子洞);③语境完整性——压栈说人话而不是关键词(「第4条 第7条 上限」这种电报体,两小时后的你解不开——她备忘录失败的原因就是存了密文没存密钥;对 AI 说完整句子,顺带解决了这个问题:说给别人听的话,天然带语境);④会话即工作日——一个工作日一个对话线程(现场全在一处),下班时让它输出「今日未闭合的栈」(哪些跳出去还没跳回来的)——这份清单就是明天的开工地图,顺带解决了「隔夜栈丢失」这个更大的溢出。

和普通笔记的本质区别,一句话:笔记是你写你读(写时省力则读时无解,写时详尽则写不动——两头都是税);这套回路是你说它管(说是零摩擦的,管理、检索、递还全在它——你只支付那三秒的句式)。这正是 LLM 相对上一代工具的代际差:它是第一个能听懂「现场」并原样递还的仓库。

验证

可测:回路运行两周,数两个数——「重建现场」的日均耗时(应大降)、未闭合栈的隔夜遗留数(应趋零)。可证伪:若你的溢出主要发生在「没有跳转的连续任务中」(做着做着就忘,无切换诱因),那是另一种工作记忆问题(容量本身而非切换),此回路帮助有限——对策转向任务本身的降载(步骤外置、单步显示)。

决策

做什么:练压栈句式成肌肉记忆;一日一线程;下班收未闭合栈清单。

不做什么:不要用关键词电报体压栈(存密文没密钥);不要跳回来时手动翻记录(问,别翻)。

先做什么:现在就试一次——你读这篇文章前在做什么?对任意一个 AI 说出那个三段式,然后体验一次「弹栈」的手感。

边界

ADHD 工作记忆缺损为核心症状文献(GRADE 高);「切换瞬间为主要失血点」为机制推导+实践观察(本文未做正式 A/B/C 分级)。外包工作记忆的长期代价(检索练习流失等)见姊妹篇《代价是什么》;敏感工作内容注意对话数据的隐私边界。

今天就能试的 3 件事

1. 试一次完整的压栈-弹栈循环。
2. 把三段式句式写在便利贴上贴屏幕边,练它两周。
3. 今晚下班前,让 AI 输出你的「未闭合栈」清单。

本文服务于人生 Harness 金字塔的执行层的内存管理:你的栈天生浅,这不是你的错——但浅栈配上一句练熟的压栈咒语,和深栈的效果可以惊人地接近;丢三落四的人生,缺的从来不是记性,是那个在跳走之前,肯替你喊一声「保存」的系统。

专业支持边界：ADHD 的诊断需要由精神科医生或具备资质的临床心理师完成，请勿凭自评量表或文章内容自我确诊。

参考来源

• The Retina as a Mirror: Decoding the ADHD AI “Breakthrough” and … — 证据等级：低（GRADE）
• RAG Is Not Agent Memory - Letta — 证据等级：低（GRADE）

---

本文是「ADHD × AI」系列的第 173 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。