用 Perplexity 给 ADHD 补上外部执行功能层，是脚手架还是拐杖？

信息预处理层篇已经论证过:Perplexity 根本不在执行功能层——它工作在任务成立之前的「搞懂」环节。但拐杖/脚手架之问依然成立,只是要问对对象:把「搞懂一件事」外包给答案引擎,长期是让你的「自主搞懂能力」升级,还是让它报废?这个问题比 Goblin Tools 那篇更锋利,因为「搞懂」离思考的核心更近:拆任务外包的是流程,搞懂外包的是理解本身——而理解能力的报废,比拆解能力的报废贵得多。

收敛:本文只回答——「搞懂一件事」的哪些成分可外包(拐杖侧)、哪些必须保留(脚手架侧)?答案引擎特有的「理解幻觉」风险是什么?保留侧的最小训练协议长什么样?

穿透:检索可以外包,「问题的形状」不能

解剖「搞懂」,三个成分。成分一:检索与聚合(找到相关信息、跨源比对、压缩成可读的综合)——这是纯劳动,且是 ADHD 的重灾劳动(多轮检索=分心敞口×工作记忆负担,预处理篇写过)——拐杖侧,终身外包,这正是答案引擎的本职。成分二:提问的形状(把模糊的困惑加工成可回答的问题:「保险怎么选」→「30 岁自由职业者,重疾险和医疗险的优先级怎么排?」)——问题的形状决定答案的质量,而加工困惑的能力恰恰在使用答案引擎的过程中可以变强也可以变废**:变强的路径是你不断观察「哪种问法得到了好答案」并内化提问模式;变废的路径是你把原始困惑直接倒进去,让引擎猜你要什么——猜得越好,你的提问肌肉越闲置。成分三:答案的消化(把答案装回自己的处境:这个结论对我的约束成立吗?它的例外是不是正好是我?)——这一步不可外包,且是答案引擎特有风险的所在:引擎给的综合答案自带「已消化」的口感(流畅、结构化、确定),读完极易产生理解幻觉——「我懂了」的感觉出现了,但那是引擎的懂,不是你的懂;检验很残酷:合上页面,向一个人解释这件事,能讲出来的才是你的(费曼检验),讲不出来的部分就是幻觉的面积。ADHD 在这里有一个特异性风险:我们对「认知闭合」的渴望更急(悬而未决的状态更难忍受),「已消化口感」恰好提前触发闭合感,让我们在真懂之前就停止了咀嚼。

最小训练协议(保留侧的脚手架用法),三条,都很便宜:①先写困惑,再写问题——每次查询前,先用一句话写下原始困惑,再把它加工成具体问题(带上你的约束条件)——这三十秒是提问肌肉的全部健身房;引擎答完后回看:是我的问题问对了,还是它替我猜对了?②费曼抽查——每周挑一个「本周搞懂的事」,不看页面向人(或语音备忘录)讲两分钟——讲不顺的地方回去重查,这次带着具体的卡点查;③**「例外自查」一问**——每个重要答案消化时固定问一句:「这个结论的例外情况,是不是正好包括我?」(ADHD 本身常常就是那个例外:通用的时间管理建议、通用的学习方法,例外名单上都有我们)——这一问是把「引擎的懂」转成「我的懂」的最短路径。

验证

两个月自测:第一个月裸用,第二个月上三条协议,月末各做一次「解释测试」(把本月搞懂的三件事各讲两分钟,录音自评或找人听)。可证伪:若两月成绩无差异且你的解释一直很好,你天然就是「主动消化型」用户,协议对你冗余——协议是给「已消化口感」上瘾者的,不是给所有人的。反向证伪:若上了协议依然全是幻觉,检查你是否在「例外自查」时敷衍(那一问需要诚实,不需要技巧)。

决策

做什么:检索聚合放心外包;执行「先困惑后问题」的三十秒仪式;每周一次费曼抽查;重要答案必过「例外自查」。

不做什么:不要为了「保持思考能力」拒绝答案引擎(退回 17 个标签页的雷区不是训练,是自虐);不要把「读完了综合答案」记账为「搞懂了」(那是引擎的 done list,不是你的)。

先做什么:下一次查询,先写那句原始困惑——你的提问健身房,今天开张。

边界

「理解幻觉」与流畅性错觉在学习科学中有对应研究(解释性深度错觉等,GRADE 中);认知闭合需求与 ADHD 的关联为实践观察+间接文献(本文未做正式 A/B/C 分级)。答案引擎的幻觉(事实错误)风险另论,重要决策请核对原始来源;本文的协议是使用纪律,不构成对任何产品的疗效判断。

今天就能试的 3 件事

1. 下次查询前写一句原始困惑,再加工成带约束的问题。
2. 挑本周「搞懂」的一件事,做两分钟费曼检验——量一量理解幻觉的面积。
3. 对最近一个重要答案问一次「例外是不是正好是我」。

本文服务于人生 Harness 金字塔的执行层的上游纪律:让引擎替你跑图书馆,但别让它替你长脑子——检索外包省下的每一分钟,拿出三十秒还给「问题的形状」和「例外的自查」,这笔汇率,是答案引擎时代最划算的自我投资。

参考来源

• Using machine learning to predict decisions of the European Court of Human Rights — 证据等级：低（GRADE）

---

本文是「ADHD × AI」系列的第 127 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。