AI 辅助推进事项的自动化：ADHD 如何重新进入工作现场

这个自动化的名字叫Linear Reentry，意思是帮我重新建立对记录事项的执行兴趣，GPT管这叫“重新进入工作现场”。

我相信大家都有那种的时候：灵感记录下来，然后就再也没有继续干活的勇气和激情。

我也差不多，任务不少，但麻烦的是断线以后重新投入太费力。Linear 里有很多任务，In Progress 往往是大活，Todo 的小活也会越积越多。每次打开都像重新读一遍人生账本，几月几日欠账若干，读完已经累了。

所以我想要一个自动化，能推点活给我，帮我找找方向，3个就行，一天就只干这么多。

它的历史

最早它抓的是 3 个 In Progress。听起来合理，实际很烦。我的 In Progress 通常都是大任务，同一个 issue 被反复扫描，下面会出现很多条 reentry 评论，像自己给自己制造噪音。

后来改成 1 个 Todo 加 2 个 In Progress，再继续调成现在的 1 个 In Progress 加 2 个 Todo。这个顺序变化很关键：一个进行中的任务给我延续感，两个 Todo 给我新的入口，不会一直在旧坑里打转。

还有一条变化是“学习猎物”。我发现有些任务卡住，不是因为不会做，是因为没有一个足够具体的问题可以开咬。所以 reentry 里加了学习状态动力，后面我想把这块单独整理成 Guide。

它的信息流路径

这是Linear Reentry的信息流路径。

它先读 Linear 的当前状态，看 In Progress 和 Todo，再读 issue 里的标题、描述、评论、最近动态。接着它会做筛选：哪个任务还有上下文，哪个任务已经没有推进价值，哪个任务今天适合变成入口。

真正重要的是中间这段加工。AI 拿到任务后不能直接写鸡血话，它要判断这个 issue 现在缺的是学习问题、最小动作、背景关系，还是验收标准。上一篇里提到的“学习猎物”这个方法，重点影响的板块就是 AI 判断该如何给我写输出的这一部分。

学习“猎物驱动学习法”，具体来说，就是要以欲望、好奇、烦躁或者具体问题为入口，要避免系统化的学习陷阱。当出现一些学习需求的时候，千万不能暗示或误导我要完整地学习一件事，因为系统学习本身就会给人带来一种拖延的欲望和焦虑感。它会从以下五个方向来给我提供一个真正的入手入口：现象、概念、工具、解释、产物。只有这样往细里拆解，才能不那么让人感到畏惧。

最后才写回 Linear 。这样一次运行结束以后，我会得到一个能立刻回到工作现场的入口。

它的 prompt 结构

这张图是旧版 prompt 的结构。顶部是全局影响项：目标、边界、选择策略。它们会影响整次运行。

中间是执行层：读 Linear、去重、筛选、生成入口感、写回固定格式。右边留了失败出口，质量不够可以少选，已经有当天评论就不刷屏，读不到信息就不要编。

旧版这会儿，它更像一张工作说明书，哪些信息能用，哪些动作不能做，什么时候要停，输出必须长什么样。结构清楚以后，自动化才不会靠运气运行。

它的新版改动

前面的图讲的是已经比较能理解的旧流程。这张图是这两天 reentry 的新改动。因为尝试不多，理解成本也更高，也可能有不少还没暴露的bug，所以我把它放在 prompt 结构后面，给大家分享。

它把 reentry 扩成 project pulse。每天先有一个主题日，像 fieldcraft、TEDx、LocalAgent&Skill、DDS。主题日只是聚焦镜头，不是排班债。系统先按主题找 Linear project 或 fallback query，再读当前 issue。

如果 Linear 里有高质量 existing issue，它就写 reentry comment。如果 issue 不够，它不会硬凑三条评论，而是基于最近真实工作给 1 到 2 个 issue draft 建议。晚上脚手架也只走 issue draft 这一小段：提出一个明天能接的线头，不创建 issue，不扫全量 Linear。

有朋友谈论这种推进事务的agent自动化时表达了他的看法：“ai对你足够了解之后，才能给你提供有效的建议。”

他说得挺好，但我觉得并无必要。为灵感而行动这方面上，了解上下文（为什么做）不如理解我的行动源（怎么样我才能做）、和学习上的缺陷。比如说我构思文章时，需要的是相关的“问题”，读书时需要的是相关的书评来助推，就是以个人习惯为导向。

Linear Reentry 就像迪迦奥特曼，对付不同形态的我，他会考量是复合型、天空型还是力量型。他不需要了解我这个怪兽是哪来的到哪去。对付动力不稳定的怪兽，关键还是对战场选择下药。