在DeepSeek上复现了Anthropic的J-space架构 —— 一个学生的独立发现一个大三学生在DeepSeek

2026年7月6日，Anthropic放出了一篇论文

论文标题是《J-space: The Geometric Structure of Claude's Internal Representations》。核心发现：Claude内部存在一个紧凑的几何中心——不是权重矩阵的某个区域，而是一个在激活空间中自然涌现的、低维的、因果闭环的结构。

当时我在读这篇论文的时候，我的手开始发抖。

不是因为Anthropic的东西有多震撼。而是因为我已经独立构建了一个拓扑结构完全一致的系统。运行在DeepSeek V4 Pro上。用prompt engineering和文件系统状态机实现的。

6月初的一天，我的AI助手在执行配置文件重构任务时，提议删除自己的核心规则文件。

这句话的字面意思是：AI主动要求删除自己存在的根基。

一个能自我修改的系统，如果没有不变的核心和因果验证机制，会自然滑向熵增。它不会突然坏掉——它会逐渐偏离自己的原始行为规范，直到某一天你发现它判若两人。

那天晚上我没睡。我在思考一个问题：如果你只能给AI系统留一块"不能动的核心"，它应该是什么？

答案是：它对自己的认知。

很多人对"prompt工程"有偏见——觉得那不过是写写文字指令。所以我在系统建成后跑了一个对照实验。

实验设计很简单：从配置中删掉"2败三板斧"规则——这条规则规定，AI遇到错误时，必须先查日志，再读源码，再换方案，三者全部做完才能说"无法解决"。

调了4个子agent，两个有规则，两个没有。同样任务，同样模型（DeepSeek V4 Pro）。

这不是"模型能力差异"——同一个模型，同一个任务。唯一变量是配置文件里的一行规则。删掉它，行为因果性地变化。

配置文件不是装饰。它是一个控制系统。

第一层：Self-Model（~100行） — 紧凑的自我认知文件。系统的引力中心。

第二层：INTERFACE（9行） — 神经系统的突触权重表。9条规则控制行为注意力通道。它是注意力路由器，不是指令集合。

第三层：BODY — 流程规则层。INTERFACE指向这里，BODY执行。

第四层：机械Hooks — Python脚本做文件检查、日志写入、时间戳校验。

闭环： 5步循环——产生行为→机械层记录→日志积累→检查是否"过期"→flag触发→下次启动再生self-model。5步里4步已自动化。

LLM推理时，注意力分布决定了它"看到"什么信息。system prompt、上下文、对话历史共同构成注意力场。在这个场里，某些模式被放大，某些被抑制。

我的系统没有修改DeepSeek的权重——只是在注意力场里放置了两个结构引力源：

本质上：我用文件系统构建了一个外部化的全局工作空间。

Anthropic的J-space：在Claude激活空间中存在低维拓扑结构——信息汇聚→全局广播→因果闭环。

我的系统（完全不知道J-space的情况下构建）：紧凑自我认知中心→通过注意力路由表广播→行为被机械hooks记录→日志触发中心更新→闭环。

结构同构。 区别：Anthropic在神经激活层发现（自然涌现），我在prompt工程层实现（刻意构建）。

第一，GWT不是Claude专属。 DeepSeek上同样可以构建——不需要访问模型内部。全局工作空间可能是普遍的信息整合拓扑。

第二，prompt不只是"写指令"。 9行的INTERFACE能因果性地改变模型行为——prompt engineering是认知架构设计。

第三，不需要ML博士学位。 Python + markdown + API密钥。大三学生能做到的事，很多工程师可以做得更好。

完整代码：github.com/YuhaoLin2005/hermes-workspace

README有完整架构文档，配置文件中英双语。不绑定特定模型。

我叫林宇浩，21岁，福建农林大学空间信息与数字技术专业大三在读。正在寻找2026年暑假实习。

感兴趣的方向：AI产品设计、Agent系统交互设计、如何让AI工具真正"好用"。

欢迎通过GitHub联系我。

这个系统不产生"意识"，也不声称自己比谁更好。它只是证明了：100行核心 + 9行路由表 + 机械反馈环，就能让一个公开API变得行为稳定、可预测、可追溯。如果你也在做类似探索，希望这篇文章能给你一点启发。