ChatGPT 解决了 ADHD 的「工作记忆容量小、边做边忘」，代价是什么？

压栈回路篇的那位合同律师,用外置工作记忆系统一年后,交出了一份诚实的代价清单。收益不必重复(重建现场的时间归零、隔夜栈不再丢失),但她注意到三件以前没有的事:第一,某次系统故障、对话丢失,她发现自己面对半改的合同完全无法重建现场——不是回到从前的低效,是比从前更糟:从前她好歹保留着「靠自己拼凑现场」的野路子,如今那套野路子已经生疏;第二,她发现自己**「跳转」变多了**——以前跳转有代价(可能丢栈),这个代价本身是个刹车;现在压栈无成本,她的工作流越来越碎,单日跳转次数几乎翻倍;第三,最微妙的:以前那些「栈里悬着的事」会在洗澡时突然自己冒出来连成新想法,现在栈太干净了,什么都不冒了。

收敛:回路设计见姊妹篇,本文只结账——外置工作记忆的三笔真实代价(野路子萎缩/跳转通胀/后台失联)?每笔的对冲方案?以及为什么结完账她仍然选择继续用(账的正确读法)?

穿透:仓库越好,你越敢乱放东西——三笔代价都是「太好用」的衍生品

**代价一:重建能力的野路子萎缩。**外包前,她的「靠环境线索拼凑现场」能力(看半改的文档猜自己改到哪、凭肌肉记忆回想跳转原因)是常年被迫练出来的生存技能;外包后此技能练习量归零,静默折旧(义肢篇的通用机制,落在工作记忆上的具体形态)——**故障那天暴露的不是系统的脆弱,是她已经交出去而不自知的东西。**对冲:每周留一小段「徒手时段」(处理一件小事全程不压栈,故意维持野路子的最低练习量)+系统层面做导出备份(脆弱性的另一半是技术问题,用技术解决)。代价二:跳转通胀。这是三笔里最隐蔽的:丢栈的恐惧曾是天然的跳转税,逼她「能不跳就不跳」;压栈把税免了,被压抑的跳转冲动全部释放——工作流碎片化加剧,而碎片化本身有独立成本(每次切换的重建之外,还有进入深度的机会流失:每 20 分钟跳一次的人,永远到不了第 40 分钟才出现的那层深度)。**免掉一个成本,释放了一种本被它抑制的行为——行为经济学的经典反弹,安全带效应的工作流版。**对冲:压栈回路之上加一条「跳转预算」(每上午 N 次,压栈时顺手计数——注意不是禁止跳转,是把免掉的税以配额的形式收回一部分)。代价三:后台加工的失联。「栈里悬着的事」不只是负担——悬而未决的事项会持续占用后台(心理学的蔡格尼克效应:未完成的事记得更牢、加工不停),而这个后台加工正是洗澡时灵感的原料来源之一;全部压栈=全部「心理上已了结」=后台清空——**她买到了前台的清爽,退掉了后台的炖锅。**对冲:区分两类悬事——事务性的照压(合同第几条不需要后台炖),生成性的故意不压(正在酝酿的方案、想不通的问题——让它们留在脑子里悬着,那不是遗忘风险,是文火慢炖)——压栈句式加一个分流判断:「这事需要炖吗?」

账的正确读法(她继续用的理由):三笔代价全部可对冲(徒手时段/跳转预算/分流判断——每笔的对冲成本都远低于代价本身),而收益(每天省回的两到四小时+隔夜栈的可靠性)不可替代;「有代价」和「不该用」之间隔着一整个对冲工具箱——结账的目的从来不是劝退,是把裸奔的使用升级成带保险的使用。这也是「代价是什么」这一族问题的通用答案结构:先诚实列账,再逐笔对冲,最后按对冲后的净值做决定——多数经过对冲的外包,净值依然为正。

验证

可测:三项对冲各自有指标——徒手时段的现场重建速度(野路子的存活证明)、周跳转计数的趋势(通胀是否被配额控制)、每周「后台冒出来的想法」条数(炖锅是否恢复供火)。可证伪:若你用了多年且三笔代价均未出现(存在:低跳转冲动+低生成需求的用法),对冲可以从简——账是按风险开的,不是按义务开的。

决策

做什么:三笔对冲逐项装上;压栈句式加「需要炖吗」的分流;系统做导出备份。

不做什么:不要因代价清单而回到裸奔的脑内栈(那是账没读完);不要把生成性问题也压得一干二净(炖锅要留火)。

先做什么:检查你现在的压栈清单:里面有没有本该留在脑子里炖的东西?捞一件出来,还给后台。

边界

蔡格尼克效应与未完成事项的后台加工有经典文献(效应的稳健性存在争议,GRADE 低中);「跳转通胀」为行为反弹机制的应用观察(本文未做正式 A/B/C 分级)。个体用法差异大,三笔代价的权重因人而异;工作记忆的临床性损害评估请走专业渠道。

今天就能试的 3 件事

1. 给压栈加分流判断:「这事需要炖吗?」
2. 数今天的跳转次数——先有基线,再谈预算。
3. 本周排一段二十分钟的徒手时段,让野路子活动一下筋骨。

本文服务于人生 Harness 金字塔的执行层的会计课:最好的外包从来不是无代价的,它只是把代价藏进了「太好用」的褶皱里——把褶皱抖开、逐笔标价、逐笔上保险,你就能既享受外置的清爽,又留住脑子里那口还在炖东西的锅。

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）
• Artificial Intelligence Improves Ability to Use MRI to Diagnose ADHD — 证据等级：中（GRADE）

---

本文是「ADHD × AI」系列的第 174 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。