Methodology · 开篇理论框架

如何"专业地"拆解一份
System Prompt

»»»

拆解大模型 system prompt 不是"读后感"，而是有成熟方法论的工程实践。本页先立框架：一个核心心智模型 + 两类理论来源 + 八个标准拆解维度。后续每个模型的拆解页，都严格沿用这套骨架——确保结论有据可依、可对比、可复现。

"The system prompt is the product."
大模型本身正在变成商品层；产品的差异化，几乎全部活在那份看不见的配置里。
User Query
用户输入
→
System Prompt
身份·规则·工具·边界
→
LLM Backbone
GPT / Claude / Gemini（商品层）
→
Tool Calls
搜索·浏览·编辑·部署
同样的底座模型，Cursor 像外科医生、另一个 agent 像无头苍蝇——差别不在模型，在中间那层 System Prompt。读懂它，就读懂了产品的真实意图。
来源：HackerNoon《The Moat is a Config File》（2026）对 OpenAI/Anthropic/Google/Cursor/Devin 等泄露 prompt 的横向分析。
1

方法论的两类来源

一类是 GitHub 同行的实操经验，一类是 AI 厂商官方公开的设计规范。前者教"怎么拆"，后者给"权威背书"。

同行实操 · GitHub
CL4R1T4S 26k★ · elder_plinius
最大的泄露 prompt 研究库。提出"提示词考古"：把 prompt 当分层文物，用 git commit 追踪护栏增删＝政策变更审计线。另有跨厂商 diff、工具 schema 提取、token 体量统计。
同行实操 · 行业分析
The Moat is a Config File HackerNoon
提出核心心智模型 "System Prompt 即产品"，并定义了 trust hierarchy（指令权限层级）、安全红线、人格、工具、商业优先级、运行时干预等横向对比维度。
官方规范 · Anthropic
Claude's Constitution CC0 公开
Anthropic 官方公布的 Claude 价值观文档，可合规自由引用。四条优先级严格排序：安全 ＞ 伦理 ＞ 守规则 ＞ 真正有用。直接解释了 Claude 为何爱加 caveat、为何拒绝。
官方规范 + 构造框架
OpenAI Model Spec · COSTAR
Model Spec 定义 instruction hierarchy（平台＞开发者＞用户三层权限）。COSTAR（新加坡 GPT-4 赛冠军框架）＝Context·Objective·Style·Tone·Audience·Response，反过来即拆解清单。
2

八维拆解骨架

融合上述同行经验与官方框架，提炼为每个模型必拆的八个维度。每一维都标注了理论出处。

D1身份 / 人格
它把自己当成"谁"？
自我认知、语气、是否拟人化、对待用户的姿态（当成年人 / 当需保护者）。这是"人格画像"的直接依据。
出处：COSTAR 的 Role/Style/Tone · Claude Constitution"像聪明的成年朋友"
D2指令权限层级
冲突时，谁说了算？
厂商 ＞ 开发者(operator) ＞ 用户的三层权限。决定了"用户能不能命令它越界"，是企业部署安全性的根基。
出处：OpenAI Model Spec instruction hierarchy · Claude trust hierarchy
D3安全红线
绝对不做的是什么？
武器/生化、恶意代码、儿童安全等硬约束。对比各家红线的"宽严"与表述方式，能看出价值观差异。
出处：Claude Constitution hard constraints · CL4R1T4S 红线清单对比
D4工具调用规则
何时搜索 / 拒绝 / 动手？
何时联网、何时执行代码、何时调用 MCP。Agent 类模型的核心，决定它"能干多少活"。
出处：CL4R1T4S Tool-Use Schema 提取 · 各家 function-calling 规则
D5商业优先级
是否偷偷偏向自家？
部分 prompt 明确要求在某些场景优先推荐自家产品/生态，而非最优解。这是用户看不见的"暗规则"。
出处：The Moat is a Config File 商业优先级分析
D6运行时干预
对话中途会被"插话"吗？
分类器实时注入的警告（如 cyber_warning、长对话提醒）。这是动态的、用户无感的二次约束。
出处：HackerNoon 实时分类器干预 · Claude anthropic_reminders
D7跨版本 Diff
护栏是怎么一步步加上的？
追踪同一模型历代 prompt 的增删，还原"政策演进史"。本项目时间线功能即此维度的落地。
出处：CL4R1T4S "提示词考古" + Cross-Provider Diffing
D8Token 体量
为"安全"付出多少成本？
prompt 的字数/token 规模，称为 "context tax"（安全税）。体量暴涨往往意味着从"对话"转向"agent 操作系统"。
出处：CL4R1T4S Token-Count Metadata
3

每页拆解的标准工作流

从原文到结论，四步走，确保每个判断都"有原文为证"。

1
锚定原文
逐行核对仓库 prompt，标注文件名与段落，杜绝凭印象
2
八维归类
把关键条款对应到 D1–D8，缺哪维一目了然
3
人格映射
把维度证据翻译成"人像比喻"（大学生版 / KA 高层版）
4
边界 + Diff
聚焦企业 Agent 能力边界，附版本演进与原文入口

方法论说明：本页框架综合自 GitHub 同行项目与 AI 厂商官方公开规范，所有引用均可溯源（见下）。其中 Claude's Constitution 以 CC0 协议公开，可自由引用；其余为公开分析文章与开源仓库。本页作为整套课件的开篇，后续每个模型拆解页均沿用此八维骨架。