J-Space 认知套件 V3.7
把模型推理期的工作状态变成可控工作区：选择性加载、持久账本、检查点与恢复，用于深度推理、长任务与多智能体协作。
该技能为提示词与状态文件驱动，未见越权权限、凭据访问或隐蔽外传；cyber 模块明确要求授权范围、负控制与证据边界，并声明控制器不授予授权。扣分：scripts/control.py 等关键脚本未在送审材料中提供，数据流与依赖仅以文字描述；发布者身份未经验证，回滚与隔离依赖主机行为，无法静态核实。
文档对降级路径（无 Python/文件系统时的对话账本）、失败反馈与异常输入有明确自洽说明，happy path 描述合理。扣分：核心执行件 control.py/jspace.py 未提供，无法静态验证参数、schema 与关键路径；无测试套件或 CI 证据；多级 gate 行为高度依赖模型自律，非确定性明显。
触发条件、级别分级、适用与不适边界、降级条件写得相当清楚，且核心功能仅依赖本地 Python 3.10+ 与文件系统，无海外服务依赖，中文用户环境可用。扣分：内容全为英文长文，触发描述偏向元认知类任务，对普通短任务的误触发风险与中文场景适配缺少说明。
结构分层清晰（入口—模块—参考），渐进披露良好，含失败模式、边界声明与仓库级 Apache-2.0 许可。扣分：skill 文件内未见版本号、changelog 与维护责任声明；引用 'Gurnee et al., Anthropic, 2026' 日期可疑且无法核实，削弱来源可信度；部分引用文件未在送审材料中出现。
为长任务、跨文件一致性与多代理协调提供结构化状态记录，理论上有边际价值。扣分：全部收益为主张，无执行或产出示例证据；流程开销显著（频繁 pulse/check/账本维护），相对手动维护一份状态文件的实际增益未经证实，静态评估下只能给保守低分。
文中区分了研究观察与工程主张，并声明协议不测量内部激活，态度严谨。扣分：核心研究引用标注为 2026 年的 Anthropic 论文，无法核实且日期异常，接近虚构来源；Codeforces 轨迹仅链接 Reddit 帖；无测试、CI 或第三方复现材料覆盖关键路径，静态约束下封顶极低。
- 核心研究引用标注为 2026 年 Anthropic 论文（Gurnee et al.），日期异常且不可核实，使用时应将其视为未证实的框架叙事而非已确立科学。
- scripts/control.py 等执行件未在送审材料中提供，本次评估完全未执行任何代码；实际运行前请自行审查脚本权限与文件写入范围。
- 技能收益主要依赖模型自律遵守流程，开销较大；对短小任务建议使用 low 级别或直接回答。
- 发布者身份未经 FollowSkills 验证，且 skill 文件内未见版本号与更新路径，采用前请确认维护状态。
这个 Skill 能做什么，适合哪些场景？
J-Space Cognition Suite 是一个模型无关的推理期控制系统，不改动权重或训练，只通过提示与脚本管理推理过程。它以单个 SKILL.md 入口、九个按需加载模块、四份参考文档和一个可选的 Python 标准库控制器组成。核心思想源自 Anthropic 关于 J-space 全局工作区的可解释性研究，但套件明确区分研究描述与工程主张。它适合需要跨文件一致性、持久状态、验证和断点恢复的复杂工作，简单问题则保持轻量直答。
SKILL.md 入口先做分级门控（low/medium/high/xhigh），决定加载多少模块、是否协调智能体。high/xhigh 档下通过 scripts/control.py 在任务目录维护 .jspace/control. 与人类可读的 .jspace/CONTROL.md，记录目标、证据、检查点、智能体报告和下一步动作；pulse 命令在工具边界强制重读真实文件而非依赖记忆。九个模块分别处理内省、定向专注、深度推理、广播、容量、自我监控、速记、标记、实证等信号，另含仓库工程与授权安全分析模块。可选的 jspace.py 提供独立账本与 ship 输出检查；verify_suite.py 做安装完整性校验。
- 需要在多文件、多阶段改动中保持架构一致性的开发者，例如整仓审计或大规模重构
- 长会话中上下文易丢失、需要检查点与断点恢复的长时程任务执行者
- 需要为每个委派结果做独立验证的团队智能体协调者
- 接到授权安全分析任务、需要重现与阴性对照的安全研究员
- 在无 Python 或文件系统的宿主中，仍想用对话账本维持状态的聊天/API 用户（持久化降级）
这个 Skill 有哪些优点和局限？
- 模型无关：已在 DeepSeek、Qwen、GLM、GPT、Claude 系列上复现效果，协议本身可移植
- 推理期控制，不改权重；简单请求保持轻量，重活才加载模块
- 可选控制器仅用 Python 标准库，状态只写入任务目录的 .jspace/
- 明确的研究/工程证据边界文档，避免过度声称；Apache-2.0 许可，含 CI 与回归测试
- README 基准表中 +J-Space 一列标注为"基于有限受控实验的估计"，速度与 token 效率仅来自单一 GAIA 对照
- 高阶功能依赖可执行 Python 和文件系统；无这些条件的宿主只能降级为对话账本，且可移植 Skill 无法中断从不调用它的宿主
- 需要学习门控、缝隙、不变量等概念，对轻量使用者有认知成本
- 刷新间隔等参数为工程起点而非实测最优，需要自行调整
如何安装这个 Skill？
1) 克隆或下载 https://github.com/Tiger3807861189/J-Space-Cognition-Suite-V3.7；2) 找到宿主的用户级 Skills 目录；3) 将完整 j-space/ 目录复制进去，使入口为 <skills-directory>/j-space/SKILL.md（目录结构必须完整，因为模块按相对路径加载）；4) 运行 <python> <skills-directory>/j-space/scripts/verify_suite.py 校验完整性；5) 若宿主在启动时发现 Skills，则重载。也可把仓库里的英文安装提示词交给一个能访问文件的 AI 智能体代为安装；如果目标已存在，要求其先比较并征询再替换。单独分发 j-space/ 时须同时携带根目录的 LICENSE 与 THIRD_PARTY_NOTICES.md。
如何使用这个 Skill？
通过宿主的 Skill 机制调用（Skill 选择器、/j-space、$j-space 或直接请求），例如："Use j-space for this task. Audit this repository, preserve its architecture, verify every finding, and keep the work consistent across all affected files." 入口门控会自动选择最轻的适用档位（fast/full/loop 或 low/medium/high/xhigh）。loop 档下保持任务目录为当前目录运行 scripts/control.py 的 init/read/pulse/check 等子命令；无 Python 或文件系统时，按套件指引在对话中重述账本字段并明确报告持久化不可用。
这个 Skill 与同类方案有什么区别？
README 将其与各前沿模型（如 Opus-5、Fable 5.1、GLM-5.3）的裸跑基准做对照，定位是"叠加在任何模型上的推理期控制层"而非某个竞品的替代；未提及其他同类 Skill 产品。