一篇关于LLM内部“工作空间”的论文刚刚发现了我们提示词中的错误

2026年7月，Anthropic发表了一篇可解释性论文，题为《语言模型中的可言语化表示构成一个全局工作空间》。该论文探讨了一个机械问题：在语言模型内部，哪些内部表示可以被模型实际报告、操控和推理，而哪些则保持隐形，在黑暗中运作？答案是：在庞大的自动处理层之上，存在一个小的、特权的“工作空间”。功能上，这相当于意识科学中所谓的“通达意识”。这个结构并非由人类设计，而是从训练中自行涌现的。

Hamo AI的创始人兼CEO Chris Cheng表示，他们阅读这篇论文时，一直在寻找自己的设计是否被证实或暴露不足。结果发现，论文揭示的结构与Hamo的系统以及疗法本身有三次对应：首先，论文发现的工作空间类似于Hamo为客户端实时状态构建的可读模型；其次，疗法本身的作用正是扩大来访者的工作空间——将仅表现为行为的模式拉入视野，使其能够被命名。

论文中的一个实验特别接近治疗师问话的实验室版本。同一段文本，让模型预测下一个词时，时态等属性被使用但从未进入工作空间；直接问模型文本的时态时，该属性变得可报告。这类似于治疗师的问题：来访者总是在行为中表现出某种模式，而治疗师的提问并不创造模式，而是将模式拉入来访者自己的工作空间，使其可以被处理。

基于这些发现，Hamo AI对其系统进行了具体改进。首先，他们重写了提示词中的禁止性规则。论文中的“白熊效应”表明，告诉系统“不要做X”会使X在工作空间中存在。因此，他们改为正面范围声明，例如“本轮的任务是建立信任和确认，任何更深的内容都属于后续阶段”，从而避免提及被禁止的事物。其次，他们将临床决策与措辞进一步分离：先进行私有推理，读取状态并选择临床合适的动作，然后进行更狭窄的生成传递，从而减少模型注意力用于权衡规则的开销。第三，当固定规则覆盖模型的原始判断时，允许模型记录异议，而不是让反对声消失——这些异议被记录但并不单方面行动，作为系统自我检查的信号。最后，他们移除了生成传递中可能倾斜语调的临床标签，仅保留行为描述。

论文还提供了一个操作定义来追踪“洞察时刻”：当来访者首次用自己的话语表达出之前只表现为行为的模式时，就发生了真正的变化。这现在成为一个特定且值得追踪的信号。

Chris Cheng总结道：“外部论文最有用的地方不是给我们一个新想法，而是从一个我们无法伪造的方向告诉我们，我们之前公开承诺的想法是否正确。这篇论文做到了。它在语言模型中找到的工作空间，正是我们为客户端状态构建的形状，也是疗法一直在试图扩大的形状。这不是一个比喻，而是从三个不同房间看到的同一个机制。”