System Prompt
大语言模型对话中由平台或开发者在用户输入前预置的指令文本，用于设定AI的角色、行为边界和任务背景，对用户不可见但优先于用户输入生效
核心事实
时间轴 (近 90 天)
直接将信息写入系统提示词的知识库方式适合知识量较小且相对固定的场景
系统提示词方式实现记忆成本低但容量有限，向量数据库方式扩展性更好但工程复杂度更高
大语言模型实现记忆的常见技术路径之一是将历史对话摘要写入系统提示词，让模型每次会话开始时读取学习者历史画像
大模型拒答能力的实现有两种路径：在系统提示词中指令输出不确定性表达，或在Agent流程中加入置信度判断节点将问题路由给人工坐席
通过系统提示（System Prompt）约束模型的输出风格与人物性格边界是实现角色对话的技术手段
系统提示词（System Prompt）设计不当往往是Agent行为不稳定或输出质量差的根本原因
提示词工程手段包括在System Prompt中规定输出为JSON格式、限制回答领域、通过Few-shot示例引导结构化输出、使用温度参数降低随机性
「前台人格 + 后台系统」双层提示词结构本质上是在 System Prompt 中构建一套隐式状态机，后台以 JSON 或伪代码定义情绪数值及触发规则
开发者可通过系统提示词或 JSON Schema 强制模型只返回预定义字段的枚举值，不允许输出含价值判断的自由文本
系统提示词通常对终端用户不可见，是产品差异化能力和安全策略的核心载体
还有 20 条时间轴事件
全部知识事实 (20)
在大语言模型的对话架构中，System Prompt具有最高优先级，能够持续影响模型在整个会话中的行为边界
80%已验证全局AI指令本质上是注入到每次AI交互中的系统提示词（System Prompt），可包含编码风格要求、技术栈约束和输出格式规范
65%待验证System Prompt与用户输入本质上都是模型的输入token，模型并不存在独立的规则执行引擎来强制保证指令被遵守
90%待验证CLAUDE.md 本质上是一种结构化的系统提示（System Prompt）实践，在整个会话周期内始终生效
85%待验证不同大模型对System Prompt和Skill指令之间的优先级处理方式各不相同，有些严格遵循System Prompt，有些更容易被后出现的Skill指令覆盖
80%待验证当系统提示词因多任务而变得复杂时，不同任务的指令之间会产生语义冲突，稀释注意力机制对关键信息的聚焦能力
80%待验证System Prompt、Few-shot示例、思维链（Chain-of-Thought）等技术手段共同构成了Agent行为的软件层
80%待验证Claude MD文件的内容会被注入到每次对话的上下文窗口最前端，属于系统提示词的持久化形式
80%待验证全局上下文文件（如global_rules.md）本质上是系统提示词（System Prompt）的工程化落地
80%待验证该AI补环境方案的核心竞争力在于精心编写的System Prompt，而非具体使用哪个AI模型
75%待验证生产环境中Agent的System Prompt长度可能从几百Token膨胀至数千Token，导致每次调用的基础成本大幅抬升
75%待验证技能的自然语言描述通常被注入到 System Prompt 中，与 Agent 的角色设定、行为规则共同构成完整的提示上下文
60%待验证直接将信息写入系统提示词的知识库方式适合知识量较小且相对固定的场景
50%待验证大语言模型实现记忆的常见技术路径之一是将历史对话摘要写入系统提示词，让模型每次会话开始时读取学习者历史画像
50%待验证系统提示词方式实现记忆成本低但容量有限，向量数据库方式扩展性更好但工程复杂度更高
50%待验证大模型拒答能力的实现有两种路径：在系统提示词中指令输出不确定性表达，或在Agent流程中加入置信度判断节点将问题路由给人工坐席
50%待验证通过系统提示（System Prompt）约束模型的输出风格与人物性格边界是实现角色对话的技术手段
50%待验证系统提示词（System Prompt）设计不当往往是Agent行为不稳定或输出质量差的根本原因
50%待验证提示词工程手段包括在System Prompt中规定输出为JSON格式、限制回答领域、通过Few-shot示例引导结构化输出、使用温度参数降低随机性
50%待验证「前台人格 + 后台系统」双层提示词结构本质上是在 System Prompt 中构建一套隐式状态机，后台以 JSON 或伪代码定义情绪数值及触发规则
50%