AI 不需要更多注意力，而需要更好的工作空间
Anthropic 的 J-space 研究说明了为什么选择性的工作空间对语言模型很重要。MCPlato wands 将同样的原则应用到 AI 工作流中：一次一个阶段、一个产物、一个工具面和一个关卡。
发布于 2026-07-08
AI 团队常常默认认为，更好的工作需要“更多”：更多上下文、更多工具、更多记忆、更多 agent 循环、更多注意力。这种直觉可以理解。如果一个模型能阅读上百万 token、连接几十个服务，并持续生成内容，它似乎理应变得更强。
但容量并不等于专注。
更大的上下文窗口扩大了 AI 系统能看到的范围。它并不会自动决定此刻什么最重要、哪个工具可以安全使用、哪个文件应该修改、当前工作处于什么状态，或什么才算完成。对长期任务来说，瓶颈往往不是原始注意力，而是工作空间设计。
这也是为什么 Anthropic 在 2026 年关于 Jacobian Lens 和 J-space 的研究，不只对可解释性有意义。论文认为，语言模型内部存在一组选定的、可语言化的表示，它们像一个功能性的全局工作空间：信息只有进入合适的共享工作空间，才会更有利于报告、推理和灵活控制，而不是把一切都暴露出来。
MCPlato wands 在工作流层面应用了类似的产品设计经验。wand 并不声称自己就是模型内部的 J-space。它是在模型和用户外部构建的工作空间：一次一个阶段、一个产物、一个受限工具面、一个写入边界、一个可见状态，以及一个关卡。
结果是一种简单的转变：与其要求 AI 投入更多注意力，不如给它一个更好的工作地点。
J-lens 和 J-space 发现了什么
Anthropic 的论文 "Verbalizable Representations Form a Global Workspace in Language Models" 提出了 Jacobian Lens，也就是 J-lens，作为研究模型内部表示的方法，用来观察哪些表示可能变得可语言化。用更直白的话说，J-lens 不只是问“模型下一个 token 会说什么？”它问的是：哪些内部概念已经处在模型可以把它们说出来的状态。
论文把这些表示称为 J-space。重要发现不是模型内部每个激活都同样重要，而是更小的一组可语言化表示似乎具备工作空间式的属性：
- **可报告性：**模型可以把活跃概念说出来。
- **定向调节：**指令可以把某些概念推入工作空间。
- **内部推理：**多步推理中的中间变量可能出现在这里。
- **灵活泛化：**同一个表示可以被不同计算复用。
- **选择性：**并非一切都会进入工作空间。
最后一点对工作流设计最关键。J-space 之所以有用，正是因为它具有选择性。工作空间不是容纳所有信号的垃圾场，而是让当前相关信息可用于控制的地方。
被选中的 AI 表示进入共享工作空间
在这里，J-space 适合作为一种功能性隐喻：被选择的表示可用于报告和控制，而大多数信号仍停留在活跃工作空间之外。
这项研究也借用了全局工作空间理论和全局神经工作空间研究的语言，包括 Dehaene 与 Naccache 关于意识通达的工作。这个关联需要谨慎处理。功能性工作空间类比并不等于证明主观体验。更窄也更有用的实践结论是：当相关信息被选择进入共享且可控制的工作空间时，复杂推理会受益。
产品设计启示：选择胜过暴露
同样的问题也出现在日常 AI 工作中。
当聊天线程变得很长时，模型在技术上也许仍能在上下文中找到相关事实。但用户和模型都可能丢失当前目标。当 agent 可以调用许多工具时，系统拥有了能力，同时也拥有了更大的行动空间。当模型可以编辑整个代码库时，它能帮更多忙，也可能触碰错误的表面。当完成标准是隐含的，模型可能在工作真正准备好之前就进入下一步。
更多暴露会带来更多协调成本。
好的 AI 工作流因此需要回答几个问题：
- 当前目标是什么？
- 哪些信息属于活跃工作空间？
- 此刻哪些工具有效？
- 哪些文件或资源可以安全修改？
- 持久状态存在哪里？
- 用户如何检查进展？
- 注意力进入下一步之前，必须通过哪个关卡？
这就是 wands 的用武之地。
什么是 MCPlato wand
MCPlato wand 是一种打包的 AI 工作流对象。它不是把 AI 工作当作单一聊天流，而是把工作变成一个带有结构的持久产物。
wand 可以定义阶段、受限工具、资源边界、持久状态、运行时视图、可导出的输出和完成关卡。用户和 AI 不只是交换消息；他们在共同构建和检查同一个对象。
一个有用的区分是：
prompt 教 AI 如何表现。wand 给 AI 和用户一个可以共同构建的工作空间。
这让 wands 不同于普通的 prompt-only 工作流。prompt 可以说：“先研究，再列提纲，再写草稿，再 QA。”wand 可以把这些步骤变成阶段，每个阶段有不同的指令、不同的可见工具、不同的可写资源，以及不同的关卡。
对轻量头脑风暴来说，这种结构可能没有必要。但对需要状态、文件、验证和最终包的多步骤工作来说，结构本身就是价值所在。
wands 如何集中注意力
如果 J-space 提示我们，有用推理取决于什么进入选择性工作空间，那么 wands 就把同样的思想带到模型外部。它们减少了争夺注意力的事物数量。
| J-space / 工作空间原则 | wand 机制 | 它减少了什么 |
|---|---|---|
| 选择性工作空间 | 当前阶段 | 目标歧义 |
| 定向调节 | 阶段指令 | prompt 漂移 |
| 可报告状态 | wandfile、运行时视图和报告 | 隐藏进展 |
| 灵活复用 | 输出和报告 | 一次性聊天损耗 |
| 容量瓶颈 | 受限工具和写入边界 | 工具与文件过载 |
| 注意力切换 | 阶段关卡 | 过早切换任务 |
wand 阶段会说明：现在的任务就是这个。活跃指令描述这一阶段重要的内容。工具面缩小可能动作。写入边界缩小资源表面。状态对象记录工作流在哪里。运行时视图让产物可见。关卡决定注意力是否可以前进。
wand 工作流通过阶段、受限工具、资源、状态和关卡缩小 AI 工作范围
wand 缩小了活跃工作空间：当前阶段定义目标、工具、文件、状态和完成标准。
这并不会神奇地让模型更聪明。它降低了工作的搜索成本。同一个模型可以少花精力重新寻找上下文、在过多工具中选择、防止意外文件编辑，以及从聊天记录中重建状态。更多能力就能投入到产物本身。
一个实践例子：把文章工厂变成工作空间
以长文创作为例。
在普通聊天中，用户可能先要求研究，再要求主题选项，再要求提纲，再要求草稿，然后要图片、翻译、QA、打包和发布说明。这可以工作，但状态主要存在于对话中。用户和模型必须不断记住已经发生了什么，以及下一步应该做什么。
在 wand 中，同样的流程可以变成结构化工作空间：
- Intake 捕获 brief。
- Research 产出来源文件。
- Secondary research 映射用户痛点和 SEO 机会。
- Topic selection 记录选定标题和 slug。
- Planning 定义结构、引用、视觉和本地化规则。
- Drafting 写英文源稿。
- Asset production 创建封面和正文图片。
- Translation 在各语言中保留相同 slug 和图片路径。
- QA 检查来源、frontmatter、图片、本地化和包结构。
- Packaging 与状态报告产出可复用交付物。
重点不是每个工作流都必须有这些步骤。重点是每个步骤都有工作空间边界。模型不需要一次性解决整个项目；它需要满足当前阶段并通过关卡。
这就是注意力设计。
其他方法仍然适合哪里，wands 更适合哪里
wands 不是所有 AI 界面的万能替代品。它们回答的是一个具体问题：持久、可检查、多步骤的工作。
| 方法 | 优势 | 容易吃力的地方 | 最适合 |
|---|---|---|---|
| Prompt-only chat | 快速、灵活、低设置成本 | 状态和验证留在聊天记录中 | 一次性构思和快速回答 |
| 长上下文助手 | 可以一次阅读更多材料 | 更多上下文并不定义优先级、工具、文件或完成标准 | 大范围阅读与综合 |
| 通用 agent 或工具框架 | 可扩展、可编程 | 工具访问本身可能仍然过宽 | 自定义自动化和集成 |
| 可视化工作流构建器 | 路由和自动化可预测 | 可能不把产物当作一等文档包 | 可重复业务流程 |
| MCPlato wand | 有状态产物、受限阶段、关卡、可检查输出 | 比快速聊天更有结构 | 多步骤产物生产和经验证的工作流 |
比较快速聊天、长上下文、工具 agent、工作流自动化和持久 wand 工作空间的决策图
不同方法适合不同情境。wands 最适合需要持久产物、可见状态、受限工具和验证关卡的工作。
如果你只需要快速答案，聊天通常就够了。如果你需要自定义的底层自动化引擎，agent 框架可能是正确层。如果你需要可预测的业务路由，可视化工作流构建器会很合适。
MCPlato wands 最强的场景，是工作应该变成一个对象：报告、演示文稿、文章包、分析、应用产物、媒体资产，或其他受益于阶段、验证和检查的交付物。
J-space 没有证明什么，wands 也不声称什么
J-space 研究令人兴奋，但不应被过度解读。
它并没有证明语言模型具有主观意识。它不意味着可解释性可以完整读懂模型的心智。它也不意味着每个内部状态都是透明的。来自 VentureBeat、The Decoder 和 CIO 等媒体的报道说明了这项工作为何受到关注，但最稳妥的理解仍然是功能性的：某些表示似乎会在选择性工作空间中变得可用于报告和控制。
描述 wands 时也应保持同样的克制。
wand 不会赋予 AI 意识。它不会读取模型心智。它不能保证完美推理。在没有单独测量的情况下，我们也不应声称 wands 节省了某个具体比例的 token、时间或注意力。
更简单的主张是：wands 减少 AI 工作中可避免的歧义。它们定义活跃目标、工具、资源表面、状态、产物视图和完成关卡。这让用户和模型都更容易管理工作空间。
更好的工作空间，而不只是更大的窗口
下一代 AI 工作流不会只由更大的上下文窗口或运行更久的 agents 定义。这些能力很重要，但它们本身并不能解决选择问题。
AI 系统需要能决定此刻什么应该进入焦点的工作空间。
这是 J-space 在模型内部让我们重新看见的经验，也是 wands 在模型外部应用的经验。更好的 AI 工作来自缩小活跃表面：更少无关工具、更少模糊文件、更清晰状态、可见产物，以及告诉系统何时可以安全前进的关卡。
AI 不只是需要更多注意力。它需要更好的工作空间。
常见问题
什么是语言模型中的 J-space？
J-space 是 Anthropic 对一组可语言化内部表示的称呼，这些表示似乎在语言模型内部像一个选择性工作空间一样运作。研究表明，这些表示可以支持报告、由指令驱动的调节、中间推理、灵活复用和选择性。
J-space 是否证明 AI 有意识？
没有。在这里，J-space 最适合被看作功能性工作空间发现，而不是主观体验的证明。它有助于理解表示、可报告性和控制，但不应被视为模型具有人类式意识的证据。
什么是 MCPlato wand？
MCPlato wand 是一种打包的 AI 工作流对象，包含阶段、受限工具、资源边界、持久状态、运行时视图、输出和关卡。它把工作流从松散聊天线程变成持久、可检查的工作空间。
wands 如何帮助 AI agents 保持专注？
wands 缩小活跃工作表面。阶段定义当前目标，可见工具定义行动空间，写入边界定义工作可以发生的位置，状态记录进展，关卡定义工作流何时可以前进。
参考资料
- Anthropic / Transformer Circuits: "Verbalizable Representations Form a Global Workspace in Language Models"
- Stanislas Dehaene and Lionel Naccache: "Towards a cognitive neuroscience of consciousness: basic evidence and a workspace framework"
- Global Neuronal Workspace review: "Conscious Processing and the Global Neuronal Workspace Hypothesis"
- Anthropic: "Auditing Hidden Objectives"
- Anthropic: "Agentic Misalignment"
- VentureBeat: "Anthropic's new J-lens reveals a silent workspace inside Claude that mirrors a leading theory of consciousness"
- The Decoder: "Claude's hidden inner monologue is now readable thanks to Anthropic's new Jacobian Lens"
- CIO: "Anthropic shines a light into the Claude AI black hole"