AI 不需要更多注意力，而需要更好的工作空間
Anthropic 的 J-space 研究說明了為什麼選擇性的工作空間對語言模型很重要。MCPlato wands 將同樣的原則應用到 AI 工作流程中：一次一個階段、一個產物、一個工具面和一個關卡。
發布於 2026-07-08
AI 團隊常常假設，更好的工作需要「更多」：更多上下文、更多工具、更多記憶、更多 agent 迴圈、更多注意力。這種直覺可以理解。如果一個模型能閱讀上百萬 token、連接數十個服務，並持續生成內容，它似乎理應變得更有能力。
但容量並不等於專注。
更大的上下文視窗擴大了 AI 系統能看見的範圍。它不會自動決定此刻什麼最重要、哪個工具可以安全使用、哪個檔案應該修改、目前工作處於什麼狀態，或什麼才算完成。對長時間任務來說，瓶頸往往不是原始注意力，而是工作空間設計。
這也是為什麼 Anthropic 在 2026 年關於 Jacobian Lens 和 J-space 的研究，不只對可解釋性有意義。論文認為，語言模型內部存在一組經選擇且可語言化的表示，它們像一個功能性的全域工作空間：資訊只有進入合適的共享工作空間，才更有利於報告、推理和靈活控制，而不是把一切都暴露出來。
MCPlato wands 在工作流程層面應用了類似的產品設計經驗。wand 並不聲稱自己就是模型內部的 J-space。它是在模型和使用者外部建立的工作空間：一次一個階段、一次一個產物、一次一個受限工具面、一次一個寫入邊界、一次一個可見狀態，以及一次一個關卡。
結果是一種簡單的轉變：與其要求 AI 投入更多注意力，不如給它一個更好的工作地點。
J-lens 和 J-space 發現了什麼
Anthropic 的論文 "Verbalizable Representations Form a Global Workspace in Language Models" 提出了 Jacobian Lens，也就是 J-lens，作為研究模型內部表示的方法，用來觀察哪些表示可能變得可語言化。更直白地說，J-lens 不只是問「模型下一個 token 會說什麼？」它問的是：哪些內部概念已經處在模型可以把它們說出來的狀態。
論文把這些表示稱為 J-space。重要發現不是模型內部每個激活都同樣重要，而是更小的一組可語言化表示似乎具備工作空間式的屬性：
- **可報告性：**模型可以把活躍概念說出來。
- **定向調節：**指令可以把某些概念推入工作空間。
- **內部推理：**多步推理中的中間變數可能出現在這裡。
- **靈活泛化：**同一個表示可以被不同計算複用。
- **選擇性：**並非一切都會進入工作空間。
最後一點對工作流程設計最關鍵。J-space 之所以有用，正是因為它具有選擇性。工作空間不是容納所有訊號的垃圾場，而是讓目前相關資訊可用於控制的地方。
被選中的 AI 表示進入共享工作空間
在這裡，J-space 適合作為一種功能性隱喻：被選擇的表示可用於報告和控制，而大多數訊號仍停留在活躍工作空間之外。
這項研究也借用了全域工作空間理論和全域神經工作空間研究的語言，包括 Dehaene 與 Naccache 關於意識通達的工作。這個關聯需要謹慎處理。功能性工作空間類比並不等於證明主觀體驗。更窄也更有用的實務結論是：當相關資訊被選擇進入共享且可控制的工作空間時，複雜推理會受益。
產品設計啟示：選擇勝過暴露
同樣的問題也出現在日常 AI 工作中。
當聊天串變得很長時，模型在技術上也許仍能在上下文中找到相關事實。但使用者和模型都可能丟失目前目標。當 agent 可以呼叫許多工具時，系統擁有了能力，同時也擁有了更大的行動空間。當模型可以編輯整個程式庫時，它能幫更多忙，也可能觸碰錯誤的表面。當完成標準是隱含的，模型可能在工作真正準備好之前就進入下一步。
更多暴露會帶來更多協調成本。
好的 AI 工作流程因此需要回答幾個問題：
- 目前目標是什麼？
- 哪些資訊屬於活躍工作空間？
- 此刻哪些工具有效？
- 哪些檔案或資源可以安全修改？
- 持久狀態存在哪裡？
- 使用者如何檢查進展？
- 注意力進入下一步之前，必須通過哪個關卡？
這就是 wands 的用武之地。
什麼是 MCPlato wand
MCPlato wand 是一種打包的 AI 工作流程物件。它不是把 AI 工作當作單一聊天流，而是把工作變成一個帶有結構的持久產物。
wand 可以定義階段、受限工具、資源邊界、持久狀態、執行時視圖、可匯出的輸出和完成關卡。使用者和 AI 不只是交換訊息；他們在共同建構和檢查同一個物件。
一個有用的區分是：
prompt 教 AI 如何表現。wand 給 AI 和使用者一個可以共同建構的工作空間。
這讓 wands 不同於普通的 prompt-only 工作流程。prompt 可以說：「先研究，再列提綱，再寫草稿，再 QA。」wand 可以把這些步驟變成階段，每個階段有不同的指令、不同的可見工具、不同的可寫資源，以及不同的關卡。
對輕量腦力激盪來說，這種結構可能沒有必要。但對需要狀態、檔案、驗證和最終包的多步驟工作來說，結構本身就是價值所在。
wands 如何集中注意力
如果 J-space 提示我們，有用推理取決於什麼進入選擇性工作空間，那麼 wands 就把同樣的思想帶到模型外部。它們減少了爭奪注意力的事物數量。
| J-space / 工作空間原則 | wand 機制 | 它減少了什麼 |
|---|---|---|
| 選擇性工作空間 | 目前階段 | 目標歧義 |
| 定向調節 | 階段指令 | prompt 漂移 |
| 可報告狀態 | wandfile、執行時視圖和報告 | 隱藏進展 |
| 靈活複用 | 輸出和報告 | 一次性聊天損耗 |
| 容量瓶頸 | 受限工具和寫入邊界 | 工具與檔案過載 |
| 注意力切換 | 階段關卡 | 過早切換任務 |
wand 階段會說明：現在的任務就是這個。活躍指令描述這一階段重要的內容。工具面縮小可能動作。寫入邊界縮小資源表面。狀態物件記錄工作流程在哪裡。執行時視圖讓產物可見。關卡決定注意力是否可以前進。
wand 工作流程透過階段、受限工具、資源、狀態和關卡縮小 AI 工作範圍
wand 縮小了活躍工作空間：目前階段定義目標、工具、檔案、狀態和完成標準。
這並不會神奇地讓模型更聰明。它降低了工作的搜尋成本。同一個模型可以少花精力重新尋找上下文、在過多工具中選擇、防止意外檔案編輯，以及從聊天記錄中重建狀態。更多能力就能投入到產物本身。
一個實務例子：把文章工廠變成工作空間
以長文創作為例。
在普通聊天中，使用者可能先要求研究，再要求主題選項，再要求提綱，再要求草稿，然後要圖片、翻譯、QA、打包和發布說明。這可以工作，但狀態主要存在於對話中。使用者和模型必須不斷記住已經發生了什麼，以及下一步應該做什麼。
在 wand 中，同樣的流程可以變成結構化工作空間：
- Intake 捕獲 brief。
- Research 產出來源檔案。
- Secondary research 映射使用者痛點和 SEO 機會。
- Topic selection 記錄選定標題和 slug。
- Planning 定義結構、引用、視覺和本地化規則。
- Drafting 寫英文源稿。
- Asset production 建立封面和正文圖片。
- Translation 在各語言中保留相同 slug 和圖片路徑。
- QA 檢查來源、frontmatter、圖片、本地化和包結構。
- Packaging 與狀態報告產出可複用交付物。
重點不是每個工作流程都必須有這些步驟。重點是每個步驟都有工作空間邊界。模型不需要一次性解決整個專案；它需要滿足目前階段並通過關卡。
這就是注意力設計。
其他方法仍然適合哪裡，wands 更適合哪裡
wands 不是所有 AI 介面的萬能替代品。它們回答的是一個具體問題：持久、可檢查、多步驟的工作。
| 方法 | 優勢 | 容易吃力的地方 | 最適合 |
|---|---|---|---|
| Prompt-only chat | 快速、靈活、低設定成本 | 狀態和驗證留在聊天記錄中 | 一次性構思和快速回答 |
| 長上下文助手 | 可以一次閱讀更多材料 | 更多上下文並不定義優先級、工具、檔案或完成標準 | 大範圍閱讀與綜合 |
| 通用 agent 或工具框架 | 可擴展、可程式化 | 工具存取本身可能仍然過寬 | 自訂自動化和整合 |
| 視覺化工作流程構建器 | 路由和自動化可預測 | 可能不把產物當作一等文件包 | 可重複業務流程 |
| MCPlato wand | 有狀態產物、受限階段、關卡、可檢查輸出 | 比快速聊天更有結構 | 多步驟產物生產和經驗證的工作流程 |
比較快速聊天、長上下文、工具 agent、工作流程自動化和持久 wand 工作空間的決策圖
不同方法適合不同情境。wands 最適合需要持久產物、可見狀態、受限工具和驗證關卡的工作。
如果你只需要快速答案，聊天通常就夠了。如果你需要自訂的底層自動化引擎，agent 框架可能是正確層。如果你需要可預測的業務路由，視覺化工作流程構建器會很合適。
MCPlato wands 最強的場景，是工作應該變成一個物件：報告、簡報、文章包、分析、應用產物、媒體資產，或其他受益於階段、驗證和檢查的交付物。
J-space 沒有證明什麼，wands 也不聲稱什麼
J-space 研究令人興奮，但不應被過度解讀。
它並沒有證明語言模型具有主觀意識。它不意味著可解釋性可以完整讀懂模型的心智。它也不意味著每個內部狀態都是透明的。來自 VentureBeat、The Decoder 和 CIO 等媒體的報導說明了這項工作為何受到關注，但最穩妥的理解仍然是功能性的：某些表示似乎會在選擇性工作空間中變得可用於報告和控制。
描述 wands 時也應保持同樣的克制。
wand 不會賦予 AI 意識。它不會讀取模型心智。它不能保證完美推理。在沒有單獨測量的情況下，我們也不應聲稱 wands 節省了某個具體比例的 token、時間或注意力。
更簡單的主張是：wands 減少 AI 工作中可避免的歧義。它們定義活躍目標、工具、資源表面、狀態、產物視圖和完成關卡。這讓使用者和模型都更容易管理工作空間。
更好的工作空間，而不只是更大的視窗
下一代 AI 工作流程不會只由更大的上下文視窗或執行更久的 agents 定義。這些能力很重要，但它們本身並不能解決選擇問題。
AI 系統需要能決定此刻什麼應該進入焦點的工作空間。
這是 J-space 在模型內部讓我們重新看見的經驗，也是 wands 在模型外部應用的經驗。更好的 AI 工作來自縮小活躍表面：更少無關工具、更少模糊檔案、更清晰狀態、可見產物，以及告訴系統何時可以安全前進的關卡。
AI 不只是需要更多注意力。它需要更好的工作空間。
常見問題
什麼是語言模型中的 J-space？
J-space 是 Anthropic 對一組可語言化內部表示的稱呼，這些表示似乎在語言模型內部像一個選擇性工作空間一樣運作。研究表明，這些表示可以支援報告、由指令驅動的調節、中間推理、靈活複用和選擇性。
J-space 是否證明 AI 有意識？
沒有。在這裡，J-space 最適合被看作功能性工作空間發現，而不是主觀體驗的證明。它有助於理解表示、可報告性和控制，但不應被視為模型具有人類式意識的證據。
什麼是 MCPlato wand？
MCPlato wand 是一種打包的 AI 工作流程物件，包含階段、受限工具、資源邊界、持久狀態、執行時視圖、輸出和關卡。它把工作流程從鬆散聊天串變成持久、可檢查的工作空間。
wands 如何幫助 AI agents 保持專注？
wands 縮小活躍工作表面。階段定義目前目標，可見工具定義行動空間，寫入邊界定義工作可以發生的位置，狀態記錄進展，關卡定義工作流程何時可以前進。
參考資料
- 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"