用 ChatGPT 给 ADHD 补上规划循环与任务分解，是脚手架还是拐杖？

「帮我把毕业论文拆成小任务。」ChatGPT 秒回一棵漂亮的任务树:五章、二十节、六十个待办。他满意地保存了。两周后他再次打开:「帮我把毕业论文拆成小任务」——不是忘了上次拆过,而是上次的任务树看着就烦,他想要一棵「感觉能做」的新树。第四次生成任务树的那天,他隐约意识到:拆解本身,已经变成了他的拖延方式。

收敛:任务分解是 ChatGPT 对 ADHD 最有名的用法,也是最容易变质的用法。本文只回答——AI 代拆任务,什么时候真正推进了执行,什么时候只是把拖延升级成了「有生产力外观的拖延」?

穿透:规划循环的完整结构,以及它常被砍掉的那一半

LLM/agent 侧的机制先摆出来:agent 的规划从来不是「一次生成计划然后照做」——那种静态规划在实践中很快被放弃,因为环境会变、估计会错。有效的结构是规划-执行-反馈循环:生成小计划→执行一步→用执行结果修正计划→再执行。计划的价值不在它的完整性,在它与执行的耦合度;没有执行反馈的重新规划,等于没有梯度的参数更新——看着在动,什么都没学到。

ADHD 侧的机制解释了为什么我们特别容易掉进「只规划不执行」:规划是低启动成本、高新异性、即时反馈的任务(AI 生成的任务树又新又好看),执行是高启动成本、低刺激的任务——**规划天然长在峰上,执行天然长在谷里。**让 AI 无限降低规划成本的结果,是峰谷差距进一步拉大:拆解的快感更便宜了,执行的痛苦原地不动。第四棵任务树就是这么长出来的。

利益视角:任务管理产品的活跃度指标(建了多少任务、组织得多好)和你的人生指标(完成了什么)不是同一个指标——前者可以无限刷高而后者纹丝不动。

验证

判据:**拆解/执行比。**健康的循环里,一次拆解应该支撑一段执行,拆解行为占总工作时间的比例很低。自测(一周):记录两个次数——「重新规划/重新拆解」的次数,和「按上次拆解实际执行」的次数。执行次数≥拆解次数,循环在转;拆解次数远高,你在空转。可证伪的另一面:如果你严格「只拆一次然后硬执行」却反复失败,说明你的问题真的在拆解质量(粒度太粗/第一步太重),那时重拆是对的——判据是重拆后有没有立刻接上执行。

决策

做什么:给 AI 拆解加一条铁律——拆完必须立即执行第一项,哪怕只做 10 分钟。把拆解和执行焊死成一个动作,拆解才是脚手架;以及,让 AI 只拆「下一步」而不是「全景」:「只告诉我今天的前 30 分钟做什么」比六十项任务树有用得多。

不做什么:不要保存超过一屏的任务树(全景图是给项目经理的,不是给启动困难者的);不要在执行零次的情况下要求重拆——先执行旧树的任意一项,用真实反馈换重拆资格。

先做什么:翻出你最近一棵任务树,不许重拆,现在执行其中最小的一项。

边界

「规划循环↔任务分解」是计算层类比(本文未做正式 A/B/C 分级);ChatGPT 未被证实为 ADHD 的执行功能干预手段,本文是使用结构的实践翻译。若「完全无法启动」持续存在且伴随情绪困扰,请寻求专业评估——启动系统的深度故障可能需要药物或治疗层面的支持,拆解技巧不是它的对症药。

今天就能试的 3 件事

1. 执行旧树一项:打开上次的任务清单,做掉最小的一项——用执行赎回你的重拆资格。
2. 把常用的拆解 prompt 改成:「只给我前 30 分钟的动作,拆到看见就能做。」
3. 建立「拆解税」:每让 AI 拆一次,当场执行 10 分钟——今天起生效。

本文服务于人生 Harness 金字塔的执行层:任务树不是成果,是燃料——它唯一的价值,是被你执行的那一刻。

参考来源

• How specific are executive functioning deficits in attention deficit hyperactivity disorder and autism? — 证据等级：低（GRADE）
• A review of executive function deficits in autism spectrum disorder and attention-deficit/hyperactivity disorder — 证据等级：低（GRADE）
• Abnormal Brain Activation During Inhibition and Error Detection in Medication-Naive Adolescents With ADHD — 证据等级：低（GRADE）
• Landmark finding that showed brains of kids with ADHD mature later … — 证据等级：中（GRADE）
• Can You See ADHD on a Brain Scan? What Brain Imaging Reveals — 证据等级：低（GRADE）

---

本文是「ADHD × AI」系列的第 23 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。