人工智能（AI）已悄然融入我们的日常生活，成为不可或缺的一部分。尤其是大型语言模型（LLM）如ChatGPT的兴起，更是以其强大的自然语言处理能力赢得了广泛的关注与应用。然而，在这些看似智能的对话背后，是否隐藏着某种不为人知的“秘密”？今天我们一起聊聊system prompt（一些优秀的 Prompt 库：提升 AI 工具使用效率与创造力）在AI对话中所扮演的角色，以及它如何影响LLM的输出。
一、LLM 的基本原理
（一）预测下一个单词的核心机制
LLM 进行对话的核心原理是基于之前的单词来预测下一个单词。这就好比我们在与他人对话时，根据对方已说的内容来推测其接下来可能会说的话。例如，当我们说 “今天天气” 时，根据常见的语言习惯和语境，模型可能会预测下一个单词是 “很好”“不错” 等。这种预测能力是通过对海量数据的学习和训练获得的。模型在训练过程中，接触到了大量的文本，从而学习到了单词之间的概率关系。
（二）从基础模型到应用的层层构建
基础模型（Base Model）
这是 LLM 的原始根基，它是在来自互联网的大规模数据集上进行训练的。例如，OpenAI 的 GPT 系列基础模型就是通过对大量的新闻、小说、学术论文等文本数据进行学习。然而，仅靠基础模型，它并不能直接进行流畅的聊天或交互。就像一个只知道读书却不知道如何表达的学生，虽然拥有丰富的知识储备，但缺乏将知识转化为有效沟通的能力。
微调模型（Fine - Tuned Model）
基础模型通过针对特定任务的数据进行有针对性的训练，从而变得更加专业化。像 OpenAI 的 GPT - 4/3.5/o1、Anthropic 的 Claude Haiku/Sonnet、Google 的 Gemini - Ultra/Pro/Flash/Nano 等都是微调模型。这些模型在特定领域的知识上进行了强化，但仍然还不能直接与用户进行理想的交互。类比于学生选择了法律或医学专业进行深入学习，但还没有公开展示自己的研究成果，它们还需要进一步的转化才能更好地服务用户。
应用（Applications）
最后，我们看到的如 ChatGPT、Gemini 等用户友好型平台，是建立在这些微调模型之上的。它们为用户提供了一个便捷的交互界面，使得用户能够轻松地与 LLM 进行对话。这就如同一位教授，不仅精通自己的学科知识，还具备了良好的教学能力，能够将知识有效地传授给学生（用户）。
OpenAI ChatGPT
早期，ChatGPT 的一些系统提示细节曾被泄露，而 GPT - 4 模型的系统提示引发了更多有趣的讨论。例如，在处理不同国籍的表述时，其要求以等概率使用所有可能的不同血统描述，如高加索人、西班牙裔、黑人、中东人、南亚人、白人等。这种设计旨在平等地代表各种背景，但在实际应用中，有时会导致输出结果与实际人口比例不符，从而可能给用户一种 “偏离” 或 “有偏见” 的感觉。例如，在描述一个普通人群场景时，如果按照等概率原则，可能会出现与实际情况不太相符的种族比例描述。
Google Gemini
Gemini 在图像生成方面曾因产生历史不准确的表述而受到批评，如在描绘古代欧洲场景时出现文化错位的元素。这表明其系统提示与训练数据相结合时，可能会无意地引入偏差或不准确信息。由于 Gemini 的系统提示未公开，外界很难直接深入探究其具体的影响机制，但这也凸显了此类技术的不透明性以及评估其真实行为的难度。
Anthropic Claude
与 OpenAI 和 Google 不同，Anthropic 采取了更透明的方式，公布了 Claude 的系统提示并维护所有提示更改的更新日志。其系统提示被认为是比较平衡和客观的，例如在处理关于风险或危险活动的问题时，Claude 会提供事实信息，但不会推广这些活动，并全面告知用户相关风险。这种谨慎的设计使得 Claude 在与用户交互时，可能会要求用户提供更多上下文以确保提供最准确和安全的回答。
避免有害话题
System Prompt 可以有效防止 LLM 讨论有害主题。例如，当用户询问如何制造毒品等危险物品时，LLM 会根据系统提示拒绝回答，从而避免传播不良信息。这是因为系统提示中明确限制了对这类有害内容的讨论，模型在接收到用户输入后，会依据系统提示进行判断，阻止相关输出。
防范攻击
在面对 prompt injection 攻击（外部输入试图操纵或欺骗 AI）时，系统提示能够帮助保护模型。例如，当攻击者试图通过巧妙构造输入来让模型执行恶意指令时，系统提示中的安全规则会使模型识别并拒绝这些恶意输入，确保模型的正常运行和用户数据的安全。
多语言响应
尽管大多数训练数据可能以英语为主，但 System Prompt 有助于 LLM 在超过 80 种语言中有效地响应。例如，当用户用中文提问时，系统提示会引导模型根据中文的语言习惯和文化背景进行回答，而不是简单地按照英语的逻辑来输出。这使得 LLM 能够在全球范围内服务不同语言的用户，促进跨文化交流。
文化偏差与调整
然而，在文化呈现方面，可能会在某些情况下导致文化偏差。在一些文化背景下，不同种族在特定场景中的实际比例是不同的，如果按照等概率输出，可能会与当地文化认知产生冲突。而 Anthropic 的 Claude 通过平衡和客观的系统提示，在一定程度上能够更准确地处理与文化相关的内容，避免不必要的偏差。
事实性回应
系统提示对 LLM 输出的准确性有重要影响。以 Claude 为例，其系统提示要求在提供信息时要基于事实，特别是对于风险或危险活动相关的问题。当用户询问关于某种投资的风险时，Claude 会依据其训练数据和系统提示，尽可能准确地提供相关的风险因素、市场趋势等信息，而不是随意猜测或给出不准确的建议。
避免主观偏见
通过合理的系统提示设计，LLM 可以在一定程度上避免主观偏见。例如，在涉及社会争议话题如性别平等、种族关系等时，系统提示可以引导模型从客观的角度分析问题，提供多方面的观点，而不是偏向某一种特定的立场。但如果系统提示本身存在不合理的偏向，如某些未优化的系统提示可能会导致模型在描述职业场景时对男性或女性角色有刻板印象，就会影响输出的客观性。
使用具体且中性的语言：在与AI对话时，尽量使用清晰且客观的语言，避免使用带有偏见或引导性的词汇，以免影响AI的回答。
请求多样化的观点：当探讨复杂话题时，可以请求AI提供“不同的观点”或“来自多个来源的视角”，以获得更加平衡和全面的回答。
询问信息来源：对于关键话题，可以要求AI提供其信息的来源，以验证其准确性。此外，利用ChatGPT等AI平台的搜索工具，也可以帮助用户验证答案的真实性和可靠性。
二、System Prompt的关键作用
（一）作为隐藏的交互引导者
在我们与 ChatGPT 等应用交互时，每一次对话背后都有一个隐藏的指令（Prompt实战：解锁五大高级Prompt技巧），即 System Prompt。它就像是一场戏剧表演背后的导演，虽然观众看不到它，但它却决定了表演的风格、节奏和内容。例如，System Prompt 可能会指示 LLM 在回答时要保持礼貌的语气，避免涉及某些敏感话题，如政治争议、暴力血腥内容等，或者优先考虑用户的安全。这种引导作用贯穿于整个对话过程中，影响着 LLM 的每一个回答。
（二）不同公司的 System Prompt 设计差异
三、LLM 输出受 System Prompt 影响的具体表现
（一）话题限制与安全保障
（二）语言平衡与文化呈现
（三）输出的准确性与客观性
四、优化 System Prompt 以改善 LLM 输出
system prompt在大型语言模型输出中的作用日益凸显。它不仅影响着AI的对话风格和准确性，还关系到用户的安全和体验。因此，我们在与AI互动时，应充分认识到system prompt的重要性，并学会如何利用它来优化我们的对话体验。同时，企业和开发者也应不断研究和改进system prompt的设计（Prompt压缩：提升大型语言模型效率的关键技术），以提升AI的智能化水平和用户满意度。
