系统提示词的进化史

00为什么值得研究这个？

System Prompt 是模型每一次对话都会"读"一遍的隐藏开场白。它定义了模型的身份、边界、语气、工具用法和安全红线。它不参与训练，却几乎决定了你看到的那个"性格"。

过去大家盯着参数量、上下文窗口、benchmark 分数看模型的进步。但有一个被忽略的指标其实非常诚实地记录了厂商的产品取向与监管压力——系统提示词的长度与内容。它就像树木的年轮：每多一圈，背后都是一次产品事故、一条新法规、一个新能力、或一次对齐迭代。

本文用一手数据，把这条年轮逐圈拆开：先看 Claude 八个版本的长度曲线(01)，逐版本解剖文体演变(02–02b)；再钻进 4 系列内部的小版本暗战(02c)、把最长的 4.7 拆到骨头(02d)、做功能考古与减法分析(02e–02f)、放大单个区块看颗粒度(02g)；然后是内容热力图(03)、开源 Hermes 的另一条路(04)、学术界的冷水(05)、OpenAI 的克制路线(06)、全行业横向对比(07)，最后落到可迁移的实操启示(08)。

01Claude 八个版本：长度的暴涨曲线

我们把 CL4R1T4S 库里 Anthropic 目录的全部版本文件逐个统计了字符数、词数与估算 token。结果非常直观：

几个值得注意的细节：

• 3.5 → 3.7 是第一次质变（2.8 倍）：这一跃对应着 Claude 接入了 Web 搜索工具、引入了系统化的安全条款和选举中立立场。提示词从"对话助手说明"升级为"带工具的产品"。
• Opus 4.1 出现了短暂回落：从 4 的 16K 降到 14.5K。这未必是抓取问题——更可能是一次"瘦身"，把部分指令蒸馏进了模型权重（post-training），不再需要在提示里反复叮嘱。这是个重要信号：长度不是单调递增的。
• 4.5 之后再次起飞：computer use、skills、citation 系统、记忆、MCP 应用推荐相继进入提示词，直奔 37K。
• Fable 5 比 4.7 反而更短：结构却更清晰（下文详述），说明 Anthropic 在用 markdown 分节重新组织，而非无脑堆叠。

02逐版本解剖：从"说明书"到"操作系统"

光看长度不够。我们把每个版本的开头、结构和典型措辞都拉出来对比，看内容形态怎么变。

Sonnet 3.5（2024）：一段 XML 包裹的礼貌说明

3.5 的提示词只有 5 个 XML 标签：<claude_info>、<claude_image_specific_info>、<artifacts_info> 等。核心是身份 + 一个庞大的 Artifacts(可交互产物)说明。它甚至要专门告诉模型"我打不开链接"：

注意第三人称叙述（"The assistant is Claude"）和那句"打不开链接"——这是一个纯文本、无工具、单模态时代的产物。安全条款几乎不存在，全部精力花在解释 Artifacts 怎么用。

Sonnet 3.7（2025）：人格、搜索与安全三件套上线

3.7 改用第一人称叙事段落（"Claude enjoys helping humans and sees its role as an intelligent and kind assistant"），并第一次系统性地写入：

• 明确的知识截止日期处理（"如被问到截止后的事，使用 web search 补充"）；
• 整套选举/政治中立条款（提及 15 次）；
• 版权与长引文限制（提及 20 次，防止逐字复述训练语料）；
• 系统化的有害内容(CBRN)边界（提及 19 次）。

Claude 4 系列（2025）：加入"产品目录"自我介绍

Claude 4 开头多了一整段产品矩阵说明，教模型如何回答"你是什么模型/怎么调用我"：

提示词开始承担"客服/产品说明"职能。同时 thinking(思维链) 相关指令、computer/tool use 雏形出现。

Opus 4.5 / 4.6（2025-2026）：citation、computer use、记忆、隐私

这两版是"智能体化"的关键。4.5 开头直接是一整套 {antml:cite} 引用规范——要求模型为每一个来自搜索的事实标注来源句索引：

4.6 引入了 <skills>（"Anthropic 编纂了一组技能文件夹，比如 docx skill、PDF skill..."）和 <computer_use>。用户位置/隐私的提及在 4.6 飙到 65 次——精确位置、个性化、隐私边界的拉扯全写进了提示。

Opus 4.7（2026）：最长的一版，强制搜索 + 版权合规焦虑

4.7 达到 ~37K token 峰值。开篇就是一段斩钉截铁的 search_first：

"版权/长引文"提及冲到 60 次、儿童安全(CSAE)13 次——这是产品规模化之后，法务与信任安全(Trust & Safety)团队把需求直接刻进提示词的结果。

Fable 5（2026）：72 个章节的"行为操作系统"

Fable 5 用规整的 markdown ##/### 分节，把提示词组织成 72 个标题块。它不再是一篇文章，而是一份结构化配置。除了行为条款，它还内嵌了 17 个完整工具定义：

到这一步，"系统提示词"和"智能体框架"已经基本是同义词了。模型不只是被告知"你是谁"，而是被交付了一整套操作环境 + 行为契约 + 工具手册。

02b原文对照：五个典型版本逐字读

下面是五个代表性版本的 system prompt 原文片段 + 中文翻译。点击展开即可对照阅读——为避免篇幅过长，默认折叠。这些是社区逆向库的内容，仅取最能体现该版本特征的开头段落。

02c4 系列内部的"暗战"：从 4.0 到 4.7 每个小版本改了什么

外界常把"Claude 4"当成一个版本，但逆向库里其实躺着 4.0 / 4.1 / 4.5 / 4.6 / 4.7 五个不同的提示词。把它们逐个排开，能看到一场发生在小数点后的"暗战"——每个 0.1 的跳变，背后都是一次明确的产品取舍。

02d把 4.7 拆到骨头：一个 15 万字符的提示词里到底装了什么

Opus 4.7 是目前已知最长的 Claude 系统提示词：149,442 字符 ≈ 37,360 token，相当于把一本中篇小说塞进每一次对话的开头。我们用正则把它的全部成对 {block}…{/block} 标记切出来，按字符量排序——结果非常反直觉：真正讲"怎么做人"的部分只占零头，绝大多数 token 花在了"工具说明书"上。

4.7 的 token 预算：钱花在哪了

下面是 4.7 内部各大区块的体量（按 token 估算，chars÷4）。一眼就能看出，这已经不是一份"人格设定"，而是一份带着完整 SDK 文档的智能体运行时手册：

注：available_skills 是运行时按账号注入的"可用技能清单"，并非每次都满载；但在被抓取的这一版里它实打实占了约 76% 的体量。把它和 functions、search_instructions、computer_use 四块相加，"工具与能力说明"吃掉了整个提示词的 九成以上。

4.7 的骨架：13 个功能域，逐个看它在管什么

抛开庞大的工具清单，4.7 的"行为内核"由一组命名清晰的区块构成。下面按职责归类，逐块解释它实际在约束什么——这能让你看清 Anthropic 是如何把一个个真实世界的"翻车教训"固化成提示词条款的：

三个最能代表"4.7 心智"的细节

把这些条款读进去，能感觉到 4.7 和早期版本在"自我认知"上的代际差异：

1. 它知道自己会过期。 search_first + knowledge_cutoff 两块联手，等于在提示词层面承认"我的训练数据是死的，世界是活的"，并把"先查再答"设成默认反射。3.5 时代的处理方式只是一句"我打不开链接"。
2. 它知道自己在跟脆弱的人对话。 user_wellbeing + refusal_handling 把"安全"从"不输出违禁内容"升级到"不伤害正在对话的这个人的心理状态"——这是把模型当成有照护责任的服务来设计。
3. 它知道自己要担法律责任。 mandatory_copyright、legal_and_financial_advice、critical_child_safety 这几块的措辞、篇幅和正反例密度，已经和企业合规手册无异。提示词在这里不再是"提示"，而是合规护栏。

02e功能考古：每一项能力是哪一代"长出来"的

把七个版本的提示词正文做关键词扫描，能精确画出"每个能力是哪一代首次写进提示词的"。这张表比长度曲线更有信息量——它告诉你 Anthropic 三年里到底在往模型身上挂什么。下表是各功能关键词在该版本提示词里的提及次数（0 = 该版本完全没有这个概念）：

高亮格 = 该能力首次被显著写入提示词的"诞生代"。

从这张表能读出五条清晰的"能力上线时间线"

02f提示词也在做减法：那些被删掉和回落的部分

人们只盯着"越来越长"，却忽略了提示词其实一直在做减法。增长是主旋律，但每一代都在悄悄删东西——这些删减比膨胀更能暴露设计者的真实意图。

① Artifacts：唯一一路下降的核心能力

Artifacts 的提及次数是 62 → 51 → 50 → 30 → 34 → 43 → 30，整体下行。但这不是因为 Anthropic 不重视产物了，恰恰相反——而是因为模型已经学会了怎么用 Artifacts，不再需要在提示词里手把手地教。3.5 时代要用 62 次提及反复叮嘱"什么时候该建产物、产物里能放什么"，到了 4.x 时代，这些规则大部分已经训进了权重，提示词只需保留关键约束。

② 选举中立：从 12 次回落到 4-5 次

选举中立条款在 3.7/C4 时代各被提及 12 次（2024-2025 正值大选周期，是舆论高压区），到 4.5 之后回落到 4-5 次并稳定下来。这是典型的"应激性条款"——因外部事件临时加码，事件过去后逐步瘦身，把通用原则交还给权重对齐。

③ Fable 5 的"重构式瘦身"

注意 Fable 5 几乎在所有维度上都比 4.7 更短（儿童安全 15→1、思维链 13→5、版权 39→27）。这不是能力退化，而是一次结构性重写：4.7 靠"反复强调 + 大写 MUST + 堆正反例"来压住行为，Fable 5 改用规整的 72 节 markdown 把同样的约束说一遍说清楚，去掉了大量冗余重申。它是"做减法"思路的一次集中体现。

02g放大一个区块：4.7 是怎么教模型"搜索"的

前面看的是宏观结构。这一节我们把镜头怼到 4.7 里一个 6.8K token 的大块 search_instructions 上，看看 Anthropic 是用什么样的具体措辞把"会搜索"这件事写成行为契约的——这是理解"现代 system prompt 颗粒度"的最佳样本。

它不是说"去搜索"，而是教一套完整的"搜索决策学"

3.5 时代关于搜索的全部内容是 0（那时根本没有搜索）。4.7 则把搜索拆成了一套分级判断 + 操作规范 + 安全红线的体系。核心逻辑是一个"该不该搜"的决策树：

• 有把握且不会变的 → 直接答。 历史事实、科学原理、已完成的事件、已故者的生平——这些"搜了也是浪费"。提示词甚至举例："不要为乔治·华盛顿去搜索，因为他的状态不会再变了。"
• 关于"当下世界状态"的 → 必须搜。 谁在任、什么政策生效、现在存在什么——"价格和领导人会变"，哪怕模型觉得自己知道答案，也不许跳过搜索。
• 拿不准、或新近性可能重要的 → 倾向于搜。 把"当犹豫时，去搜"设成默认。

连"怎么搜"都被写成了操作手册

更惊人的是 search_usage_guidelines 子块——它把搜索的手法都规定死了，细到查询词的长度：

• 查询词要短而具体，1-6 个词最佳；先用 1-2 个宽泛词起手，再逐步收窄。
• 每个查询必须与上一个有实质差异——重复同样的短语不会得到不同结果。
• 禁止在查询里用 -、site: 或引号操作符，除非用户明确要求。
• 用 web_fetch 抓全文，因为 web_search 的摘要往往太短。
• 搜索结果不是用户给的，所以不要为此感谢用户。
• 隐私红线：若被要求从图片中辨认某个人，查询里绝不能包含任何人名。

03内容维度热力图：钱都花在哪了？

我们用关键词正则统计了每个版本里各主题的提及次数（粗粒度，反映"关注密度"而非精确语义）。颜色越深代表该版本在这个维度着墨越多：

数值=关键词出现次数；底色深浅按该行最大值归一。

读这张表能读出 Anthropic 三年的"心病清单"：

• 用户位置 / 隐私（0→76）：增长最猛的维度。个性化与隐私合规的钢丝越走越细。
• 人格 / 语气（0→31）：从无到有再到精雕——"温暖但不谄媚"成了核心命题。
• 心理健康 / 自伤（1→21）：用户规模上来后，危机干预责任写进了提示。
• 版权 / 长引文（0→60）：法务焦虑的直接投影。
• Artifacts（62→30）：唯一显著下降的维度——说明 Artifacts 用法已成熟、被吸收，不再需要长篇解释。

04开源的另一条路：Hermes 的 10 层动态组装

闭源模型把提示词堆成单体巨石；开源 Agent 走了完全相反的方向。我们读了 NousResearch 的 hermes-agent 源码与设计文档，它代表了一种模块化、可缓存的范式。

核心身份只有 ~90 词

Hermes 的"灵魂"（default_soul.py 里的 DEFAULT_SOUL_MD）极其克制：

然后由 10 层动态拼装出最终提示

真正的体量来自运行时按需组装。根据其 prompt-assembly.md，最终系统提示分三个"层级(tier)"、十个来源：

对比：Hermes-Function-Calling 的"远古"提示词（2024）

作为参照，NousResearch 更早的 Hermes-Function-Calling 的 system prompt（sys_prompt.yml）只有约 350 词，结构是 Role / Objective / Tools / Examples / Schema / Instructions：

05学术界怎么看：更长 ≠ 更可控

提示词越写越长，一个尖锐的问题随之而来：这些指令真的被模型可靠地遵守了吗？学术界给出的答案并不乐观。

① 指令优先级是混乱的 —— Instruction Hierarchy (OpenAI, 2024)

② 模型对提示词高度敏感 —— ProSA (EMNLP 2024)

③ 从"提示工程"到"上下文工程" —— 综述视角

④ 越长的提示，中段越容易被"读漏" —— Lost in the Middle

⑤ 一个被忽视的真相：提示词是"会过期的"

06另一种活法：OpenAI 的克制路线

如果说 Claude 的故事是"越长越细"，那 OpenAI 的故事几乎是它的反面教材。同样三年，OpenAI 的 ChatGPT 系统提示词长期把自己压在 2K token 出头，直到 GPT-5 才第一次明显放量到 ~6.9K——但即便如此，也只有 Claude 4.7 的不到五分之一。这背后是两家公司截然不同的产品哲学。

OpenAI 主线 ChatGPT 的体量曲线

同样取自 CL4R1T4S 逆向库，按 token 估算（chars÷4）：

用 OpenAI 标志性的青绿色把它和 Claude 系列区分开。注意 4o→4.1→4o 这一年几乎是横盘——OpenAI 长期刻意维持提示词的极简。

OpenAI 的三个鲜明特征

1. 用"命名空间 + 工具"代替长篇大论。 4o 的提示词里，工具是 bio(记忆)、python、web、image_gen、canmore(画布) 这样的命名空间，每个只用一两句话带过，把复杂度推给了模型对这些 API 的训练记忆，而不是当场在提示里展开。Claude 则把每个工具的完整 schema 都摊在提示词里。
2. "Personality: v2" —— 人格被版本化了。 OpenAI 从 4o 起就在提示词顶部写一行 Personality: v2，把人格当成一个可切换的配置项。GPT-5 更直接写出"洞察、鼓励、温和幽默"的人格描述。这是一种比 Claude 的长篇人格段更"工程化"的做法——人格是个开关，不是一篇散文。
3. o3/o4-mini 因"会推理"而略长。 推理模型的提示词(~3.8K)比聊天版更长，多出来的部分主要在讲如何使用思考预算、何时该多想。这印证了一个规律：提示词变长的两大引擎是"接工具"和"教模型用新能力(推理/记忆/搜索)"。

07横向一瞥：长提示词是全行业现象

CL4R1T4S 库里收录了 25 个厂商。把 Claude、OpenAI 和其他几家放在一起，能看出"长提示词"是全行业趋势，且Agent/IDE 类普遍比聊天类更长：

规律很清楚：越往 Agent / 自主执行方向走，提示词越长——因为要写清工具用法、执行循环、错误处理、安全护栏。聊天产品则更依赖权重对齐，提示相对克制。Claude 之所以最长，是因为它同时是聊天产品和 Agent 平台，并把所有工具 schema 都内联进了提示词。

08给从业者的启示：这三年教会我们怎么写 system prompt

读了这么多顶级实验室三年的迭代，最值钱的不是八卦，而是可迁移的工程经验。把 Claude / OpenAI / Hermes 三条线的演化压缩一下，下面是我认为最能指导自己写 prompt 的几条规律。

① 先问"这条规则该进权重还是进提示词"

这是贯穿全文的核心分野。Artifacts 从 62→30 的回落证明：稳定、通用、高频的行为，迟早要训进权重；提示词只该承载"还不稳定、需热更新、或有法律/合规属性"的部分。对自己而言，如果某条 prompt 指令你已经反复验证它"模型每次都能做对"，那它其实是冗余的——可以删掉省 token；真正值得留在 prompt 里的，是那些模型会飘的边界。

② 具体度 = 可控度

4.7 的 search_usage_guidelines 给的最大启发是：越具体的指令，行为越可控。"好好搜索"是废话，"查询词 1-6 个词、别重复短语、别用 site: 操作符"才有效。写自己的 prompt 时，把"要专业""要简洁"这类形容词，尽量翻译成可执行的、带数字和反例的操作规范。

③ 把"翻车教训"沉淀成专门区块

Claude 的 evenhandedness、user_wellbeing、refusal_handling 都是被真实事件"打"出来的专门区块。对应到实践：每次模型出一类错，与其在主指令里加一句含糊的告诫，不如为这类错单开一个命名清晰的小节，集中正反例。命名本身就是一种文档——{user_wellbeing} 比散落在各处的三句话好维护得多。

④ 学 Hermes 把"核心"和"能力"分层

Hermes 的 "narrow waist"（收窄的腰部）哲学值得照搬：核心身份保持极短且稳定（利于缓存），能力通过可插拔的 skill/工具在边缘扩展。不要把所有工具说明都焊死在一个巨型 prompt 里——对需要长期运行、多轮对话的 Agent，可缓存的稳定前缀能直接省下大量成本。

⑤ 长不是目的，"敢删"才是成熟

4.1 和 Fable 5 两次回落提醒我们：提示词膨胀往往是"恐惧驱动"的——怕模型出错就拼命加条款。但真正成熟的标志，是有信心用更少、更结构化的话把边界讲清楚。定期回头审视自己的 prompt，问一句"这条还有必要吗"，比一味往里加更难、也更有价值。