深度拆解：GitHub 6.7万星项目揭秘全球大模型“底层指令”

核心事件

GitHub 仓库 asgeirtj/system_prompts_leaks 近期因汇集了全球顶尖 AI 实验室（包括 Anthropic、OpenAI、Google、xAI 等）的系统提示词（System Prompts）而走红，斩获超过 6.7 万颗星。该项目通过逆向工程和提示词注入技术，将各大模型在对话开始前接收到的“隐藏指令”公之于众，揭示了厂商如何定义模型身份、设定安全边界及优化特定任务（如代码编写和逻辑推理）的底层逻辑。

• ▶ 提示词工程已从“黑盒魔法”转向“精密架构”： 泄露的指令显示，顶级厂商如 Anthropic 采用极其详尽、结构化的 XML 或 Markdown 格式来约束模型行为，而非简单的自然语言描述。
• ▶ 安全与性能的博弈显性化： 提示词中充斥着大量的“禁止性”指令，反映出厂商在模型原生对齐（Alignment）不足的情况下，高度依赖推理侧的指令约束来规避合规风险。
• ▶ 竞争情报的透明化： 开发者可以通过对比 GPT-4o 与 Claude 3.5 的系统提示词，直接洞察不同厂商在处理 Tool-calling、RAG 检索及多轮对话状态管理上的策略差异。

八卦洞察

从「八卦情报」的视角来看，这些“泄露”实际上是大模型行业的一次“脱粉”。系统提示词是模型厂商的“最后一道防线”，它揭示了一个残酷的现实：尽管我们谈论 AGI，但目前的模型依然极度依赖于这些人类预设的“保姆级”指令来维持人设和安全性。特别是 Anthropic 的提示词，其长度和复杂程度令人惊叹，这表明模型在处理复杂指令时，依然存在“注意力漂移”的问题，需要通过反复强调来固化逻辑。此外，这种大规模泄露也意味着“提示词注入”攻击已成为行业常态，任何试图在 System Prompt 中隐藏核心业务逻辑或敏感数据的行为都是徒劳的。

行动建议

• 对于开发者： 深度研读 Claude 和 GPT 的提示词结构，学习其如何利用角色设定、任务分解和负面约束（Negative Constraints）来提升 RAG 或 Agent 的输出稳定性。
• 对于企业安全： 必须意识到系统提示词并非安全屏障。在构建企业级 AI 应用时，切勿将私有 API Key、内部业务逻辑或敏感数据硬编码在提示词中。
• 对于产品经理： 关注竞品在处理特定长尾场景（如拒绝回答政治敏感问题）时的措辞，这有助于在产品出海时规避当地法律风险。