待验证50% 置信决策规则精确时间
LLM节点通常仅在解析纯自然语言输入或上游输出不明确、下游分支太多无法用if-else判断时使用，上游为结构化数据时应用code节点
1
来源数
50%
置信度
长期有效
时效性
2026/9/18
首次发现
来源
涉及实体
相关事实
已验证提示词注入的根本原因在于LLM架构将系统提示、用户输入和外部检索内容统一编码为同一个连续的token序列，模型无法在语义层面区分可信指令与不可信数据73% 相似待验证LLM 的真正优势在于处理模糊性、非结构化和开放性问题，如自然语言理解与生成、从杂乱文本抽取语义信息72% 相似待验证LLM在架构层面无法区分可信指令和不可信输入，因为其将系统指令和用户输入作为同一个文本序列处理，类似参数化查询的纯技术解决方案至今尚未出现72% 相似待验证LLM 在代码任务上的表现往往优于其在纯自然语言推理上的表现，因为代码具有严格语法规则和可验证性71% 相似待验证LLM无法从结构层面区分指令与数据，因为两者都以自然语言形式存在于同一上下文窗口中71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/931548API
curl https://kongchang.com/api/v1/knowledge/claims/931548MCP
get_claim(id=931548)