全网刷屏的Claude系统提示词，结果被卡帕西大神当场抓虫？！
事情是这样的。
一夜之间，近1.7万字系统提示词——包含24000个token，详细定义了模型行为、工具使用和引用格式…..全部细节直接在GitHub上被泄露了！
这事儿一出，网友蜂拥而至速速围观，甚至亲切地称呼这次意外泄漏事件是提示技术的金矿。
就在此时，大神卡帕西发现了华点：LLM学习缺少主要范式？
随即他提出系统提示学习新范式——模拟人类经验积累过程，将系统提示嵌入权重。
简单总结一下，就是模拟人类学习，为LLM提供备忘录功能，让LLM拥有自主反思用户问题的“记忆”功能，记录通用的问题解决知识和策略。
新范式一石激起千层浪，有人表示赞同，也有人开始着手分析新范式帮助LLM畅玩Minecraft的可行性：
当然也有人持反对意见，认为允许模型自己编写提示会使模型更加混乱，也无法保证模型不会错误地理解提示。
具体是怎么一回事呢？别急，接下来让我们一起来回顾整个事件。
Claude系统提示词曝光
据揭露，完整的Claude系统提示词包含16739个字，也就是110kb。相比之下，ChatGPT中的OpenAI的o4-mini的系统提示仅有2218个字，约为Claude的13%。
具体内容也相当有趣，不仅详细阐述了Claude基本的行为风格和偏好，还包含了大量全局的问题解决策略，例如下面这个解决经典LLM问题“草莓单词里有几个‘r’字母”：
系统提示告诉LLM如何回复用户提示，类似于LLM的“设置”选项，定义用哪种语气回应，以及补充训练数据中所没有的上下文信息。
以下是Claude的提示组件构成：
其中最大的组件是工具定义 （Tool Definitions），由MCP服务器进行信息填充。与标准的API不同，MCP向LLM提供关于指令的详细说明教程。
此外，其余提示（如引用规范、搜索指南和谷歌集成注意事项）近80%的内容都与工具有关，都详细说明了在与用户的交互场景中Claude是如何作用的。
在提示词文档的最后还包含一些热修复，指出了常见的LLM陷阱，例如关于川普的总统就职信息：
根据该提示，Claude的可靠知识截止于2024年10月，此后发生的事件或新闻都以人为热修复或使用网络搜索工具来补充。
利用系统提示学习构建新范式
在读完Claude系统提示词文档后，Karpathy火速发表了一篇小作文——LLM学习缺乏主要范式，并称之为系统提示学习。
传统学习范式基于强化学习、监督学习等预设框架被动优化，问题的解决只依赖于强化学习嵌入权重，实际并不理解用户输入。
新范式与强化学习类似，但采用直接编辑提示而非梯度下降的学习算法。
其强调构建系统提示符供自身使用，让预处理获取知识、微调（SL/RL）塑造行为习惯、系统提示学习制定策略，使LLM可以根据实时反馈和情景需求调整和完善响应策略。
举个栗子，现在的LLM就像电影《记忆碎片》的主人公，只有短期的碎片记忆，无法形成新的长期记忆。
而新范式仿照正常人类学习过程，即当你遇到一些问题并尝试解决后，你也许会用专属于你的“系统提示”记住解决策略，在下一次遇到同类问题时，你就会自然而然想到：也许你可以泛化使用上次那种解决方案。
通过经验->明确的策略->习惯性权重的流程，LLM可以像人类一样记笔记，将知识转化为直觉，达成实践学习、逻辑推理的范式转变。
利用系统提示学习可以有效实现测试时间训练，同时始终可以被人类审查，并且保证更少的安全隐患。
系统提示学习在未来还标志着自主AI系统正在发展自身的计算意识，将超越传统学习范式的边界，为真正的自我迭代乃至于AGI提供了可能。
当然，Karpathy也明确指出新范式的实现还有更多有待解决的细节，例如编辑系统的运行问题、知识如何从显性系统文本转变为习惯性权重等。
对此，广大网友展开了激烈的讨论。
例如有网友提出可以补充一个记忆层以实现系统提示学习。
也有网友直接抛出了自己在记忆文档方面的研究结果：
也有人质疑LLM缺乏持续学习的本质，让它无法从自身思维中学习，系统提示学习并不能从根本上解决，还需要寻找更为有效的思维模式。
那么你的看法是什么呢？欢迎在评论区留言讨论～
系统提示词链接：
https://raw.githubusercontent...\_prompts\_leaks/refs/heads/main/claude.txt
参考链接： [1]https://news.ycombinator.com/... [2]https://x.com/karpathy/status... [3]https://x.com/bindureddy/stat... [4]https://www.dbreunig.com/2025...
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用。你还可以使用@来通知其他用户。