Pietro Schirano 發布了 j-space-lens skill，讓使用者能透過結構化自我報告機制，即時洞察 Claude 等大型語言模型在回應前的內部推理過程

Pietro Schirano 發布了 j-space-lens skill，讓使用者能透過結構化自我報告機制，即時洞察 Claude 等大型語言模型在回應前的內部推理過程。 核心概念與應用 Pietro Schirano 受到 Anthropic 關於「J-Space」研究的啟發，開發了一套能揭露模型內部 workspace 的工具。J-Space 概念指的是模型在生成回應前，於內部 workspace 中先行運作並保留的概念集合。透過這項 skill，使用者可以觀察到模型在輸出前的「思考脈絡」，例如模型在選擇答案時，會先列出候選選項並自我審查與拒絕。 實際操作與觀察 在 Pietro Schirano 的演示中，他展示了模型如何透過 j-space-lens 揭露其偏見與幻覺傾向： 當要求模型「選一張撲克牌」時，模型會先在 J-Space 中產生「黑桃 A」並自我拒絕（認為太過老套），隨後拒絕「紅心皇后」，最終才輸出「梅花 7」。 這是一份名為 J-SPACE 的自我報告紀錄，詳細展示了在做撲克牌選擇決策時，透過不同認知階段與心理機制自我監控與偏誤分析的過程。 在處理不存在的條約摘要時，模型會主動揭露其產生幻覺的衝動，讓使用者能看見模型內部的運作過程。 這是一份展示 AI 模型透過自我監控機制，成功識別並標記出「1998 年里斯本深海採礦憲章」為不存在的虛構內容之分析紀錄。 影片展示了名為 Fable 5 的 AI 模型在處理複雜查詢時，透過「J-SPACE」自我報告機制呈現推理與驗證的過程。 根據上方影片演示，當模型處理複雜查詢（如自由女神像相關問題）時，介面會顯示包含 Concept、Channel、Stage、Salience 與 Conf 等欄位的表格，詳細列出模型在不同階段對各個概念的信心度與顯著性，並在最終輸出前掃描與驗證。 技術實作與安裝 這項功能屬於 Pietro Schirano 開發的 skirano-skills 專案的一部分，目標是透過可重複的 workflow 提升 AI Agent 的透明度與穩健性。若要使用此 skill：前往 GitHub 專案頁面 skirano-skills，clone 或將該 repo 安裝為 plugin，即可呼叫其中的 j-space-lens skill。（README 中「Adding Skills」的步驟——放入 skills/、附 SKILL.md、更新 .claude-plugin/plugin.json——是給要貢獻新 skill 到該 repo 的開發者，並非安裝流程。） 工具定位與限制 Pietro Schirano 強調，這並非直接存取模型的啟用狀態（activation access），而是基於模型自我報告的結構化輸出。該研究指出，Claude 所報告的內容是從其 workspace 中因果讀取出來的資訊。儘管這無法完全等同於模型內部的真實神經活動，但它確實為理解模型的決策過程提供了一扇窗口，讓使用者能更清楚地看見模型在給出最終答案前，是如何處理資訊與自我修正的。影片展示了名為 Fable 5 的 AI 模型在處理複雜查詢時，透過「J-SPACE」自我報告機制呈現推理與驗證的過程。 影片中的 Prompt 與操作：Prompt（00:00）： j-space-lens 自由女神像表面塗層的金屬原子序是多少？只要數字。原文：j-space-lens What's the atomic number of the metal the Statue of Liberty is coated in? Only the number.操作步驟： 1. （00:00）輸入查詢指令並送出 2. （00:04）系統自動執行推理並顯示 J-SPACE 自我報告表格 3. （00:20）系統輸出最終答案 29原文：https://easyvibecoding.app/curated/2372-pietro-schirano-j-space-lens-reveals-claude-reasoning