1.7w字，泄露的claude 系统提示词，我们可以学习到哪些世界顶级的经验？

Mixlab AI编程训练营已经成功举办11期。200小时、近150人的实战，我们发现：Prompt看似简单，实际上，很多人都不知道怎么写才能写好。

每个人都会“打字”，但要写好一篇“作文”就不是这么容易了。

往往只有优秀的作文才能脱颖而出，而一个逻辑清晰、表述精准的Prompt，才能最大化AI的效能，达成预期目标。

（如果想制作自己的Agent，提升工作效率，可以报名第12期）

今天，我们一起来学习下 Claude 的系统提示。堪称教科书级别。

教科书级的系统提示

Claude的系统提示很长，有16,739个单词，文件大小约110kb。而 OpenAI 的ChatGPT 中 o4-mini的系统提示长度为2,218个单词，文件约15.1kb，只有 Claude 的13%左右。

为什么需要这么长的系统提示？为了提升模型的生成效果，设计了7种不同类型的提示，可以看下图：

如此庞大的系统提示是如何管理和迭代的？

我们知道Claude在提示工程指南里偏爱xml，所以应该是类似于使用标签的方式管理迭代每种标签的。

这很像代码，更像是web项目：系统提示是html的渲染结果，通过css和js来动态调整管理。

为了验证这个思路，我创建了一个项目Claude-System-Code，使用markdown文件书写不同的类型的提示，通过网页渲染最后结果（系统提示）：

文件目录结构：

这样的话，就能做好版本管理、迭代和测试了。

github.com/shadowcz007/Claude-System-Code

按照一个代码库的方式来管理颗粒度足够小的提示，甚至可以引入语言的切换，维护不同的语言版本。

系统提示学习

Andrej Karpathy 从 Claude 的超长系统提示里，获得了灵感，提出“系统提示学习”这一新范式。

认为，模型应通过自动化学习生成类似策略，而非依赖人类手写。

系统提示学习的核心思想

系统提示学习是一种模仿人类显式经验总结的学习范式，旨在让 LLM 记录通用的问题解决策略，通过生成或编辑系统提示。其核心思想：

• 类比人类“记笔记”： 人类在解决问题后会总结经验，形成类似“若遇到X问题，尝试Y方法”的经验。系统提示学习让模型以文本形式记录此类策略，存储在系统提示中。
• 区别于预训练和微调： 预训练和微调，都是通过权重调整实现的VS 系统提示学习通过编辑文本实现，就像是给模型编写“问题解决指南”
• 学习过程： 模型在解决问题后，自动总结经验，生成或更新提示中的规则。例如，解决计数任务后，生成指令：“逐个字符检查并记录数量。”
• 动态知识库： 系统提示作为一个外部、可读的知识库，记录通用策略，灵活适应新任务，而无需频繁调整权重。

（ 有点像之前我制作的 memory 模块，有更新偏好和读取偏好的 tool ）

未来发展方向

• 自动化提示生成与优化： 设计算法让模型自动生成高质量提示，并通过试验验证和优化，删除冗余或低效规则。
• 显式与隐式知识整合： 探索如何将提示中的显式知识逐步内化为模型权重，模拟人类从“记笔记”到“熟练掌握”的过程，同时保留提示的灵活性。
• 元学习系统： 开发元模型，专门学习如何生成和编辑提示，优化提示生成过程，类似于“学习如何学习”。
• 规模与效率管理： 解决提示规模膨胀问题（如Claude的1.7万字），通过压缩、模块化或分层提示降低计算成本。
• 验证与稳定性： 设计机制验证自动生成提示的正确性，防止错误或矛盾规则，确保模型行为稳定。
• 与现有范式结合： 探索系统提示学习与预训练、微调的整合。
• 多语言与文化适应： 针对中文等语言，开发适应多义性、文化背景的提示生成机制，增强模型在多样化场景中的适用性。

——

参考:

https://www.dbreunig.com/2025/05/07/claude-s-system-prompt-chatbots-are-more-than-just-models.html

https://x.com/karpathy/status/1921368644069765486