对一些神经多样性工作者来说，真正消耗精力的未必是专业任务本身，而是启动任务、拆分步骤、判断优先级、切换上下文，以及把零散想法整理成别人能理解的文字。此时，AI 不是锦上添花的效率工具，而是一种认知无障碍支持。
来源文章介绍了一套建立在 Amazon Quick 桌面端之上的日常系统。它利用 AI 桌面与 Web 助手补偿执行功能上的缺口，把模糊、混乱或难以启动的工作转换成下一步可以执行的动作。重点不在于让 AI 替人思考，而在于降低开始思考、组织信息和完成交付的摩擦。
AI 补偿的是执行过程，不是专业能力
“完成一份项目更新”看起来是一项任务，实际却包含许多隐蔽步骤：回忆最近做了什么、筛选重要信息、识别风险、调整措辞、确认接收对象，再决定从哪一句开始写。对于存在执行功能困难的人，这些步骤可能形成很高的启动成本。
AI 助手适合承担几类认知转换工作：
- 把模糊目标拆成短小且有顺序的动作；
- 从会议记录、聊天内容和随手笔记中提取待办事项；
- 在切换任务时生成上下文摘要，减少重新进入状态的成本；
- 把直接、零散的表达整理成适合邮件或项目更新的文本；
- 在注意力受限时，把多个选择压缩成一个明确的下一步。
这与普通的“提高生产率”有所不同。生产率工具通常假设用户已经知道要做什么，只需要做得更快；无障碍工具则要帮助用户跨过“我知道目标，但无法稳定启动和组织行动”的障碍。
桌面助手为什么比孤立的聊天窗口更有价值
根据来源摘要，这套系统以 Amazon Quick 的桌面和 Web 助手为基础。桌面入口的重要性在于，它更接近日常工作的发生地点：浏览器、文档、会议记录和即时通信工具。
一套有效的工作流通常形成短反馈环：
- 捕获当前混乱的信息；
- 要求 AI 只做一种转换，例如提取行动项；
- 检查结果并修正遗漏；
- 立即执行最小的下一步；
- 完成或中断时，留下可供恢复的状态摘要。
这里需要克制功能范围。一次提示同时要求 AI 总结、规划、写邮件、评估风险和安排日程，反而可能产生新的认知负担。更稳妥的方法是让每次交互只解决一个障碍。
可以这样实践：建立“任务恢复包”
下面是一个可复制运行的最小示例。它不假设 Amazon Quick 支持导入 YAML，也不代表来源文章提供了这项集成；YAML 只是本地保存个人偏好，Python 脚本会据此生成一段提示词，再由你粘贴到桌面助手中。
先创建 accessibility-profile.yaml，按自己的需要修改工作时段、步骤数量和沟通偏好：
name: my-work-profile
support_needs:
max_next_actions: 3
action_duration_minutes: 15
prefer_concrete_verbs: true
avoid_unnecessary_options: true
communication:
tone: concise
ask_before_assuming_deadlines: true
recovery:
include_last_known_state: true
include_first_restart_action: true
安装依赖并创建脚本：
python -m venv .venv
. .venv/bin/activate
python -m pip install pyyaml
将下面代码保存为 make_prompt.py：
from pathlib import Path
import sys
import yaml
if len(sys.argv) < 2:
raise SystemExit('Usage: python make_prompt.py "your rough notes"')
profile = yaml.safe_load(Path('accessibility-profile.yaml').read_text())
notes = sys.argv[1]
needs = profile['support_needs']
recovery = profile['recovery']
prompt = f'''You are an executive-function support assistant.
Turn the notes below into no more than {needs['max_next_actions']} concrete next actions.
Each action should take about {needs['action_duration_minutes']} minutes or less.
Use concrete verbs, do not invent deadlines, and avoid presenting extra options.
Also provide:
- the last known state: {recovery['include_last_known_state']}
- one first action for restarting later: {recovery['include_first_restart_action']}
- one clarification question only if work cannot proceed safely
Rough notes:
{notes}
'''
print(prompt)
运行时，把脑中尚未整理的内容直接作为参数传入：
python make_prompt.py "API 改动已经写了一半，不记得测试到哪里；周五可能要演示；还需要问同事字段是否允许为空"
脚本不会调用任何外部服务，只会输出结构化提示词。将输出交给 Amazon Quick 或其他经过组织批准的 AI 助手后，可以要求它返回类似这样的“恢复包”：
当前状态：API 改动进行中，测试进度未知，字段空值规则尚未确认。
下一步：
1. 打开最近修改的测试文件，记录已覆盖的接口分支。
2. 向字段负责人确认该字段是否允许为空。
3. 根据确认结果补一个空值测试，并运行目标测试文件。
下次恢复时的第一个动作：打开测试运行记录，查看最后一个失败用例。
这种输出比一份宏大的项目计划更实用，因为它明确保存了“停在哪里”和“回来先做什么”。这两个字段可以直接降低任务切换带来的损耗。
提示词也需要适配个人认知模式
通用提示词经常给出太多建议。对已经面临决策压力的人来说，十个“你可以考虑”的选项并不是帮助。可以在桌面助手中固定使用以下约束：
请作为执行功能支持助手处理下面的信息：
1. 不超过三个下一步。
2. 每一步必须以具体动词开头。
3. 不要重复背景，不要提供额外方案。
4. 如果信息不足，只问一个最关键的问题。
5. 标出可以在十分钟内启动的第一步。
6. 不要替我承诺日期、预算或交付范围。
输入：
[粘贴邮件、会议记录或零散笔记]
对于沟通任务，可以把要求改成“保留原意，只调整结构和语气”；对于任务启动，可以要求“只给第一个动作，不展示完整计划”；对于上下文恢复，则要求输出“已完成、未完成、阻塞项、恢复动作”四个字段。
使用边界：支持不等于代替判断
AI 生成的行动项可能遗漏约束，也可能把猜测写成事实。涉及医疗信息、人事决定、客户数据、访问凭据或未公开代码时，应遵守所在组织的数据政策，不要因为工具使用方便就跳过权限与保密要求。
采用这类系统时，可以检查以下事项：
- AI 是否减少了任务启动时间，而不是制造更多需要筛选的文本；
- 输出是否足够短，并能直接转化为行动；
- 是否明确区分原始事实、AI 推断和待确认问题；
- 中断工作前是否记录了当前状态与恢复动作；
- 是否保留人工确认，尤其是期限、承诺和高风险决定；
- 工具是否符合公司的数据分类、留存与访问控制规则。
最有效的认知无障碍系统通常并不复杂。一个随时可用的桌面入口、几条稳定的提示词，以及固定格式的任务恢复包，就能把大量看不见的执行成本变成可管理的步骤。评价它的标准也不该只是“节省了多少分钟”，还应包括：它是否让人更稳定地开始工作、恢复上下文，并以更少的精神消耗完成专业判断。