FunTester 从 ADHD 看多 Agent 协同

FunTester · July 31, 2026 · 22 hits

如果你同时让几个 AI 干活，可能见过这样的场景：一个查资料，一个改文档，第三个检查代码。几分钟后，结果一起回来，你反而不知道该先看什么、该信哪个、下一步该改哪里。

结果一起回来，并不等于工作已经完成。每一份输出都要有人阅读、比较和验收。AI 越能并行，人越容易在窗口、上下文和待办之间来回切换。真正稀缺的，开始从生成能力变成判断能力。

这种工作状态很容易让人联想到 ADHD：注意力被多个刺激牵引，任务不断启动，却很难稳定收束。但这里的类比必须谨慎，它不是对 AI 或使用者的诊断。

本文要迁移的，是围绕 ADHD 形成的一类任务设计思路：把目标写在外部、把大任务拆成短阶段、减少同时激活的事项，并用清晰反馈帮助完成下一步。多 Agent 协作的瓶颈，正在从生成内容转向分配注意力。

先看清概念迁移的边界

注意缺陷多动障碍 (ADHD) 不是容易分心的口语标签，而是一种神经发育障碍，主要表现为持续的注意困难，或多动与冲动，并且会影响学习、工作或生活功能。本文不讨论诊断，也不把任何一次分心或任务拖延等同于 ADHD。

AI 同样没有人类意义上的注意力、情绪和执行功能。它的回答偏离目标，通常不是因为走神，而是因为指令太多、上下文太长、任务边界模糊，或者多个目标彼此冲突。

支持 ADHD 的常见思路，不是反复要求一个人更专注，而是调整任务与环境：把要求说清楚，把大任务拆小，把提醒写出来，并让反馈更及时。它们的共同点，是减少内部记忆和频繁切换带来的执行负担。

把这套思路迁移到 AI 协作后，清晰指令相当于提供外部线索，阶段化任务用于减少切换，任务卡承担外部记忆，独立验收构成反馈闭环。

所以，迁移的是降低执行负担的设计原则，不是把 ADHD 变成描述 AI 的标签。接下来要解决的问题也很具体：怎样把这些原则放进一次真实的 Agent 协作？

人与人合作时，我们会依靠默契和背景知识补全一句话里的空白，但 AI 不知道哪些信息只存在于你的脑子里。帮我优化一下并不是完整任务，因为优化可能是改语言、压缩篇幅、补足论证，也可能只是修正错别字。

与 AI 沟通的第一步，是把隐藏的目标写出来。除了说明要做什么，还要交代为什么做、写给谁看，以及哪些内容不能碰。把目标、对象、边界和验收条件放进同一条指令，AI 才不需要猜测优先级。

比如，可以要求它把一段内容压缩到 300 字以内，面向没有技术背景的管理者，同时保留三个关键数据，不增加未经验证的结论。篇幅、读者、保留项和事实边界都清楚后，输出才有判断依据。

完成标准也要能够逐项检查。写得更好无法验收，保留原观点、删除重复内容、控制在 1500 字以内则可以验收。有了明确标准，AI 才能从持续生成文字转向完成一个任务。

复杂任务还应增加一次低成本校准：先让 AI 复述目标、关键约束、处理步骤和不确定项，再决定是否执行。如果主要读者或事实边界理解错了，可以立刻纠正，不必等几千字结果返回后再整体返工。

任务定义清楚之后，还要控制执行节奏。很多低质量回答并不是 AI 能力不足，而是一个提示词里塞进了分析、搜索、判断、写作和事实检查等多种任务，模型只能在不同目标之间顾此失彼。

更稳定的做法是把工作拆成连续阶段：先确定问题和读者，再收集并整理材料；材料稳定后搭建结构、完成初稿，最后单独检查事实、逻辑和表达。前一阶段没有确认，后一阶段的结果就不应被当成定稿。

每个阶段只设置一个主要目标。收集材料时不急着写文章，写初稿时不同时要求事实终审。这样做不是增加流程，而是把一次可能失控的大返工，拆成几次可以快速纠正的小反馈。

长时间协作还需要一张简短、稳定、可更新的任务卡。它记录任务目标、目标读者、本轮工作、保留项、禁止项、输出格式和验收标准，作为人和 AI 共同使用的单一事实来源。

每完成一个阶段，就把已经确认的决定和待确认的问题写回任务卡。对话变长、模型切换或任务中断时，双方都能从同一位置恢复工作。外部结构由此承担了一部分记忆和切换成本，人的注意力可以继续留在判断上。

任务开始执行后，生成和检查要分开。生成阶段的目标是尽快形成一个可讨论的版本，检查阶段的目标是主动寻找偏差。如果让 AI 一边写作、一边评价自己的写作，它很容易延续原来的思路，忽略结构性问题。

更稳定的方式是先生成，再独立验收。检查时不要只问有没有问题，而要明确核对核心问题是否回答、用户要求是否遗漏、事实是否经过验证、结论是否有支撑，以及输出是否达到验收标准。

多 Agent 场景还需要控制并发。AI 可以同时推进任务，人类却必须逐份阅读、比较和决策。同时启动十个 Agent，往往只是提前制造了十份待处理结果，并没有缩短人类的验收时间。

每个 Agent 应承担一个明确职责，同时进行的核心任务最好不超过两三个。一个结果没有验收，就不要急着启动依赖它的下一轮。AI 的吞吐量不是最终生产力，经过判断并进入工作成果的内容才算完成。

为了让闭环稳定运行，可以固定一套沟通结构：背景和最终目标、本轮步骤、可用材料、必须保留和禁止改变的内容、输出格式与验收标准。执行前再让 AI 复述理解并暴露不确定项，一次模糊沟通就被改造成了可以持续推进的工作单元。

AI 最有价值的作用，不只是替人生成更多内容。它还可以拆解复杂任务、记录已经确认的决定、提醒遗漏的约束、整理分散的信息，并在任务中断后帮助恢复上下文。使用得当时，AI 会成为注意力和执行能力的外骨骼。

从 ADHD 概念迁移过来的，正是这种外骨骼思路：不要把稳定执行完全寄托在临场专注上，而要用外部结构托住目标、顺序、记忆和反馈。对多 Agent 系统来说，协作流程需要主动承担一部分注意力管理。

如果没有边界，AI 也会让人同时开启更多任务、接收更多结果、进行更多切换。内容产量提高了，人的思考质量却可能下降。ADHD 在这里不是解释 AI 行为的诊断标签，而是帮助我们重新设计协作系统的一面镜子。

好的 AI 协作最终可以收束为四个动作：明确目标、减少并发、外化记忆、建立反馈。它们共同指向同一个结果，让 AI 持续执行，让人类保留方向判断和最终验收。

开始下一项重要任务前，先写下目标、边界和验收标准，再决定是否需要并行。这一步不到一分钟，却能减少后续大量返工。只有当人与 AI 被同一个目标和验收标准约束时，并行能力才会转化为真正的生产力。