最近一直在尝试用 AI 优化自己做事的工作流。一方面，是尝试把一些工作交给 AI 自动化处理；另一方面，则是开始重新思考过去切分任务的逻辑：不仅让 AI 参与执行“做什么”，还尝试让 AI 参与优化“怎么做”。

过去我算是一名虽然执行得不够好，但还算忠实的 GTD（Getting Things Done）实践者。所谓 GTD，简单来说，就是先把所有待办事项记录下来，存进 Inbox，随后对这些任务进行整理、分类和标记。对于一些比较复杂的大任务（Project），则进一步拆解出下一步可以采取的行动（Next Action）。安排好一切之后，人就可以根据任务清单开始执行了。

这确实是一套可行的方法论。通过记录和拆解任务，我们能够把原本模糊的问题清晰化，也可以减轻大脑记忆和规划的负担。

但在实际操作中，我逐渐发现了两个问题。

首先，维护这套系统本身就很费功夫。分类任务、拆解项目、罗列下一步行动，以及随着实际进展不断更新清单，都需要投入不少时间和精力。

其次，也是更让我困惑的一点：即使已经非常明确地知道下一步应该做什么，比如“打开某个网站，开始完成 XXX”，自己依然会强烈地抵触执行。

也就是说，GTD 确实可以帮助我们降低行动前的不确定性，但即使任务已经被拆解得足够具体，也不代表执行这件事就变得容易了。

我们当然可以通过想象未来的收益，为当下的行动赋予某种长远的意义。比如，为了未来能够掌握某项技能，所以今天应该阅读一篇枯燥的论文；为了获得更好的职业机会，所以今天应该完成几份申请。我们知道这些事情有价值，也愿意为这些目标付出努力。但是，虽然我们能够从未来获得行动的理由，我们毕竟还是活在此时此刻的。

一个任务在长期来看值得或者应该做，并不意味着它在当下就具有吸引力。缺乏对执行过程本身的设计，即使理性上知道这么做有意义，实际做起来也可能还真的挺不好玩儿的。

除此之外，即使已经通过 GTD 明确了下一步行动，在实际执行过程中，我们仍然需要不断做出大量决策，而这些决策本身也会消耗认知资源。

比如，阅读一篇论文时，我们不仅需要理解论文内容，还需要不断判断哪些部分值得深入、哪些概念需要补充、什么时候可以结束阅读，以及下一步究竟应该做什么。

于是，我开始尝试让 AI 参考教育学和心理学中的一些研究，重新设计任务清单上的 Project，希望既能让行动过程更有吸引力，也能减少执行过程中需要独自承担的决策负担。

举个例子。

假设我的目标是深入学习 Transformer 架构。

按照过去的任务切分方式，我可能会列出这样一份清单：

• T1：阅读 XXX 论文，做好批注。
• T2：观看 XXX 网站的教学视频。
• T3：阅读相关源码。
• T4：解决一个源码中的 GitHub issue。

从任务管理的角度来看，这份清单似乎没有什么问题。每一步都有明确的行动对象，也都与最终目标相关。

但是，当我真正开始执行时，体验却并不好。

阅读论文很枯燥，而且经常不知道自己究竟需要理解到什么程度；观看教学视频虽然相对轻松，却很容易陷入被动接收信息的状态，花了很多时间也不知道自己到底学会了什么；至于直接去解决 GitHub issue，又可能让人觉得难度跳跃实在太大，不知道该从哪里下手。

问题似乎不在于任务不够明确，而在于这些任务并没有根据我当前的能力和实际反馈进行设计。

于是我尝试让 AI 换一种方式。

首先，不急着列出完整的学习路径，而是从我真正想实现的目标出发，确定哪些知识是现阶段必须掌握的。随后，通过几个简单的问题判断我目前的理解程度，再根据我的回答设计下一步行动。

整个过程不再是一次性给我大量知识，而是尽可能让我主动参与。

比如，AI 不会一开始就向我解释完整的 Transformer 架构，而是先让我尝试用自己的语言解释什么是 MLP。

如果我的解释存在问题，它可能会降低难度，换一种问法，进一步测试。等确认我真正理解了这个概念后，再让我尝试写一段简单的 MLP 实现代码。

每一步只比当前能力增加一点新的挑战，同时又能够比较快地获得反馈。按照这种方式，我连续学了三个小时，依然觉得很有趣。

当然，这并不意味着 AI 发明了什么全新的教学方法。主动回忆、适当调整任务难度、及时反馈等，本来就是教育学中长期讨论的问题。只不过 AI 让这些方法能够以很低的成本应用到个人的日常任务中。

除了学习之外，我也开始尝试用同样的方法处理一些模糊、费劲的任务，例如需要大量收集、筛选、比较和判断的项目。体验总体不错，但目前效果最明显的似乎仍然是学习类任务。

不过，这让我开始重新思考任务管理这件事。

过去，我一直在思考如何把任务拆解得足够清楚，让自己更好地执行。现在回过头看，似乎一直在削足适履，试图让人适应系统，却忽略了系统是为人服务的。或许，行动方案不应该是我们在开始之前就用理性确定好、随后努力遵循的东西，而应该是在实践中根据实际反馈不断调整和完善的。我想，好的设计需要尊重人性，也需要为人与人之间的差异留下更多空间。