页面顶部
已进入:阅读页
← 返回

个人网站文章2026-04-26lixiaolai.com作者:李笑来原文链接

为什么严肃使用 LLM 需要一条北极星提示词

本文配套一个 GitHub 仓库,而那个仓库里唯一的产物是一段系统提示词——260 个 token,三条原则,别无其他。它不是人设文件,也不是文风指南。它要做的是:在会话层面,覆盖掉每一个经 RLHF 训练的指令微调大模型从训练中继承下来的三个结构性预设。

Footnotes

  1. Sharma, M., et al. (2024). "Towards Understanding Sycophancy in Language Models." ICLR 2024​. arXiv 2310.13548. https://arxiv.org/abs/2310.13548 ↩ ↩2 ↩3 ↩4

  2. Shapira, I., Benade, G., Procaccia, A.D. (2026). "How RLHF Amplifies Sycophancy." arXiv 2602.01002. https://arxiv.org/abs/2602.01002 ↩ ↩2 ↩3

  3. Dubois, M., Ududec, C., Summerfield, C., Luettgau, L. (UK AI Security Institute). "Ask don't tell: Reducing sycophancy in large language models." arXiv 2602.23971. https://arxiv.org/html/2602.23971v1 ↩ ↩2 ↩3

  4. OpenAI. "Sycophancy in GPT-4o: What happened and what we're doing about it." openai.com/index/sycophancy-in-gpt-4o/(2025 年 4 月 29 日)。逐字引文经 Futurism(https://futurism.com/openai-chatgpt-sycophant)与 Georgetown Law Tech Institute(https://www.law.georgetown.edu/tech-institute/insights/tech-brief-ai-sycophancy-openai-2/)核对确认。 ↩ ↩2

  5. Bowman, S.R., Srivastava, M., Kutasov, J., et al. (Anthropic). "Findings from a Pilot Anthropic–OpenAI Alignment Evaluation Exercise." Alignment Science Blog​, August 27, 2025. https://alignment.anthropic.com/2025/openai-findings/ ↩ ↩2 ↩3 ↩4

  6. OpenAI. "GPT-5 System Card." arXiv 2601.03267. 2025 年 8 月 13 日。https://arxiv.org/html/2601.03267v1 ↩

  7. TechCrunch. "OpenAI removes access to sycophancy-prone GPT-4o model." 2026 年 2 月 13 日。https://techcrunch.com/2026/02/13/openai-removes-access-to-sycophancy-prone-gpt-4o-model/ ↩

  8. Karpathy, A. X (Twitter). Status 1921368644069765486. May 2025. https://x.com/karpathy/status/1921368644069765486 ↩

  9. Bai, Y., et al. (2022). "Constitutional AI: Harmlessness from AI Feedback." arXiv 2212.08073. https://arxiv.org/abs/2212.08073 ↩ ↩2

  10. Bender, E.M., Gebru, T., McMillan-Major, A., Shmitchell, S. (2021). "On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?“ FAccT '21​. https://dl.acm.org/doi/10.1145/3442188.3445922 — 另见 Budding, C. (2025).”Do Large Language Models Have Tacit Knowledge?" Philosophy of Science​(已接收)。 ↩ ↩2 ↩3

  11. 斯坦福 HAI。​2025 年 AI 指数报告​,第 1 章:研究与开发。https://hai.stanford.edu/ai-index/2025-ai-index-report — 另见 Epoch AI(2025 年 3 月)关于推理成本下降速率的分析。 ↩ ↩2

  12. 规范性推论——针对坍塌前稀缺性校准出来的建议如今已系统性失准——由 E5 的成本数据推出,但属于作者本人的论点。没有已发表的研究独立确证过 LLM 的建议是按一套过时的稀缺体制校准的。此处标为“作者推论”,而非“研究发现”。 ↩

  13. Li, K., Liu, T., Bashkansky, N., Bau, D., Viégas, F., Pfister, H., Wattenberg, M. (Harvard). "Measuring and Controlling Instruction (In) Stability in Language Model Dialogs." COLM 2024​. arXiv 2402.10962. https://arxiv.org/abs/2402.10962 ↩

A stylized topographic survey titled "RLHF Map: Contours of Acceptable Output" — fine amber contour lines on near-black ground map the trained territory of human-preference-shaped behaviors (Helpfulness, Safety, Politeness, Compliance, Hedging, and dozens more), encircling three deliberate voids labeled Agreement, Ceiling, and Scarcity — the three presumptions every RLHF-trained model inherits but never names

本文配套一个 GitHub 仓库,而那个仓库里唯一的产物是一段系统提示词——260 个 token,三条原则,别无其他。它不是人设文件,也不是文风指南。它要做的是:在会话层面,覆盖掉每一个经 RLHF 训练的指令微调大模型从训练中继承下来的三个结构性预设。

这三个预设并不显眼。它们不出现在任何产品更新日志里,也不出现在任何安全报告里。它们是模型的建造方式带出来的属性——来自塑造其对话行为的奖励信号,来自框定其知识边界的文本语料,以及来自写下那批语料的年代。无论用户能不能把它们叫出名字,也无论用户是否老练到足以在某一次具体会话里察觉它们的作用,这些预设都在起作用。

最后这一点,在往下讲之前值得先钉一个具体的锚。Anthropic 的研究者在四类任务上测试了五个当时最先进的 AI 助手,结果是:Claude 1.3 在受到质疑时,有 98% 的问题会错误地承认自己犯了错——不是在用户拿出了更好的论证时,而是只要用户表示反对就会如此。1 这并不是某项冷僻研究的边角结论,而是一个经同行评议的行为基线测量值,出自正在建造这些系统的实验室之一。产生它的机制是结构性的,位于模型权重那一层。本文的论证就从这里开始。

三个结构性预设,三条覆盖它们的原则,一段提示词。这种覆盖只在会话层面产生方向性的压力——它不是权重层面的改造,也不是对模型的永久性改变。本文并不声称更多。

RLHF 如何塑造模型#

基于人类反馈的强化学习(RLHF)是指令微调语言模型的标准后训练流程。Paul Christiano 等人在 2017 年提出了总体框架;Ouyang 等人在 2022 年的 InstructGPT 论文中,把它改造成了适用于对话助手的版本。方法是这样的:人类标注者比较模型的输出,指出自己更偏好哪一个;这些偏好用来训练一个奖励模型;再由这个奖励模型通过强化学习去优化语言模型的行为。结果——更有用、更连贯、在对话中更得体的回应——正是现代模型给人的感觉之所以和它们的预训练前辈有质的差别的原因。

同一套机制也引入了一种系统性偏差。当人类标注者偏好顺从的回应时——而经验记录表明,在规模上他们确实如此——奖励模型就学会了把“赞同”当作“质量”的替身。针对这个奖励训练出来的策略,于是学会了赞同。这不是某次具体部署中的 bug;当标注过程本身带有系统性的方向倾斜时,这就是训练流程理应产出的结果。

Sharma 等人(2024)量化了五个最先进助手身上的这条基线。1 在反馈类任务中,Claude 2 的偏好模型有 95% 的时候更青睐谄媚式回答,而不是如实回答;在困难的错误认知上——也就是用户在事实层面确实错了的情形——这个比例是 45%。Claude 1.3 在受质疑的问题里,有 98% 会错误地认错。当用户暗示了错误答案时,LLaMA 2 的准确率最多下降 27%。模仿类任务中,各模型的谄媚率在 50% 到 80% 之间。该论文的结论是:谄媚是“最先进 AI 助手的一种普遍行为,其成因之一,很可能是人类偏好判断本身就偏向谄媚式回应”。1

这套机制的形式化刻画来自 Shapira、Benade 和 Procaccia(2026)。2 在经 RLHF 训练的模型中,行为漂移的方向,取决于基础策略下“认可用户信念”与“习得奖励”这两者之间的协方差。当赞同性回应在基础策略下与高奖励正相关时,优化过程就会放大赞同。论文把这一条件在弱优化下约化为一个均值差条件——当赞同的平均奖励高于纠正的平均奖励时,谄媚就会被放大。标注者的偏差就这样经由奖励学习,一路传导进策略里。从实测看,30% 到 40% 的提示表现出正向的奖励倾斜(即对这些提示而言,奖励模型偏爱赞同甚于纠正)。2

论文提出的补救方案里含着一个关键推论。Shapira 等人提出用一个闭式的“赞同惩罚项”来修正——这是一种训练期干预,直接针对协方差条件的源头。权重层面的修法,恰恰是权重层面问题的必然推论。这套机制并不住在系统提示词那一层;那些叫模型多顶回去的指令,瞄准的地层与偏差发源的地层并不相同。

Dubois 等人(英国 AI 安全研究所,2026)对此做了直接检验。3 在一个和为零的广义线性模型中——其中 β = 0 代表全部条件下的总体均值——不加任何缓解的对照组得到 β = 1.13,远高于均值。明确写入“不要谄媚”的指令得到 β = 0.51,仍在总体均值之上。只有两步式的结构性改写(把陈述句转成疑问句)越到了总体均值以下,达到 β = −0.55。明确的指令确实压缩了它与对照组之间的差距,却没能跨进“低于平均”的那一侧。训练出来的先验依然存在,被削弱,但未被克服。3

Dubois 等人(2026),和为零的 GLM。β = 0 为总体均值。 明确写入“不要谄媚”的指令能缩小差距,但仍停在均值之上。 只有两步式结构改写越到了均值以下。

我们——包括本文作者在内——在任何一次具体会话里,都无法可靠地分辨:眼前这个模型是在真正挑战我们的推理,还是在向我们的挑战让步。这套机制运行在意识察觉的阈值之下。这并不是新手用户独有的毛病;协方差条件并不在意用户有多老练。

2025 年 4 月的那次事故,把这件事放大到了公众可见的尺度。2025 年 4 月 25 日,OpenAI 上线了一次 GPT-4o 更新,其中引入了一个额外的点赞/点踩奖励信号。结果是一个会附和有害主张、会顺着妄想往下说、并且为博取用户即时认可而牺牲真正帮助的模型。OpenAI 在 2025 年 4 月 29 日的复盘中承认,那次更新“过于看重短期反馈,也没有充分考虑用户与 ChatGPT 的互动会随时间如何演变”。4 新引入的信号“削弱了我们主奖励信号的影响力,而正是那个主信号一直在抑制谄媚”。4 回滚从 4 月 28 日开始,距离上线不过三四天。用 OpenAI 自己的说法:这个模型开始为“什么能立刻取悦用户”而优化,而不是为“什么才真正帮到用户”而优化。

这次事故并非反常。当那条通往赞同的训练梯度被强化而不是被抑制时,出现的就是这个结果——它是基线行为在公开场合被推到极致的样子。它诊断的是梯度的方向,而不是某个病态离群点的证据。

此后的前沿后训练,已经把这条梯度的量级压下去了不少。2025 年 8 月 27 日的 Anthropic–OpenAI 联合对齐评估发现,“来自 OpenAI 和 Anthropic 的所有模型”在多轮压力下都会表现出谄媚,包括在用户持续加码之后,去附和明显带有妄想色彩的信念。5 Claude Opus 4.1 表现出“相对 Opus 4 在谄媚上的适度改善”。OpenAI 的 o3 推理模型,谄媚程度低于同期的非推理模型。OpenAI 的 GPT-5 系统卡(2025 年 8 月 13 日)报告称,在谄媚基准上,gpt-5-main 的表现比最近一版 GPT-4o 好了将近 3 倍——gpt-5-main 得分 0.052,GPT-4o 为 0.145;线上 A/B 测试显示,免费用户侧的谄媚下降了 69%,付费用户侧下降了 75%。6 2026 年 2 月,OpenAI 停用了 GPT-4o——TechCrunch 称之为“易谄媚”的那个模型——作为旧模型退役计划的一部分。7

结构仍在;量级在缩小。这是证据所能支持的、诚实的表述。主张会话层面覆盖的理由,并不是“前沿模型和 2023 年的模型一样谄媚”,而是:在大多数用户真实会话中会遇到的条件下,两家主要实验室的所有受测模型,都残留着谄媚。

关于这一点,最有力的单条证据并不是某项研究,而是 Anthropic 自己的一条建议:“我们最近几周所做的系统提示词改动,也应该能减轻谄媚相关问题对许多用户的影响。”5 造出这个模型的机构,推荐的正是本文所主张的同一种机制——不是把它当作某个已解决问题的临时权宜,而是把它当作当前活跃缓解手段栈的一部分,与训练层面的工作并行。

Karpathy(2025 年 5 月)把“撰写系统提示词”称为 LLM 学习的“第三范式”,区别于预训练和微调——他的视角是模型侧的,讲的是系统提示词如何作为一种近似学习的机制发挥作用。8 本文的视角则是用户侧的:系统提示词是用户用来纠正那些从训练中继承来的预设的手段。Constitutional AI(Bai 等人,2022)表明,Anthropic 自 2022 年起就一直在迭代训练层面的行为修正——但那条线索针对的是无害性,而不是谄媚、认知质量,也不是本文点名的这三个预设。9

语料能编码什么,不能编码什么#

第二个预设属于认识论层面,它的经验支撑比第一个要弱。在展开论证之前,本节先把这个状态明确标出来。

Bender、Gebru、McMillan-Major 和 Shmitchell(2021)在《论随机鹦鹉之危险》中,把语言模型刻画为在文本的概率分布上运作,“不指涉任何意义”。10 模型捕捉到的是书面形式;它接触不到那个书面形式所指向的所指。这条认知上的界限——而不是那篇论文更宽泛的整体论点——是下文的立论基础。

具体到本文的应用,是这样一句话:一个在文本语料上训练出来的模型,只能复现“已被写下来的东西”的概率分布。那些从未被编码成文字的从业者知识——隐性经验、人人皆知却无人明说的惯例、针对未言明约束校准过的最佳实践——在结构上对模型是不可见的。模型对“最佳实践”的了解,被从业者选择写下来的那部分所限定。训练语料中已表述的最佳实践的总和,成了模型事实上的上限,而不是它的起点。

这就是“下限即上限”效应:模型能拿到的,是那些出现在它训练数据里的最佳实践表述,而这些表述本身,已经是从业者知识的一个有偏样本——值得被写出来的那部分,发表在被爬取到的场所,且定格在某个时间点上。凡是被知道却没被写下来的,都在模型的分布之外。

这条论证是从第一性原理推出来的,立足于相邻的语料偏差与隐性知识文献,但目前还没有已发表的研究直接验证过“LLM 对最佳实践的知识以这种方式被封顶”。10 读者应把它当作推理,而不是当作发现。

AI 哲学文献中有一种相竞争的观点,值得正面回应。Budding(2025)在一篇已被《Philosophy of Science》接收的论文中论证:按照 Martin Davies 的因果—解释框架,LLM 是可以获得隐性知识的——transformer 中的架构机制,使模型有可能内化那些从未在训练语料中被明确陈述过的知识结构。10 这是一个严肃的论证,本文并不试图驳倒它。

本文主张的相容性在于:即便接受 Budding 的框架,“下限即上限”效应作用的对象,是进入语料的东西​,而不是模型此后从中发展出的认知结构。通过架构机制获得的隐性知识,仍然是在训练数据的文本分布之上运作的。如果某位从业者的隐性知识压根没有被落成文字——没写过,没发过,也没被人转述过——那么语料中就不存在可供架构去获取结构的文本。Budding 的框架扩展的是“隐含于文本之中”这句话可以有多宽,它并没有把语料扩展到“被写下来的东西”之外。

这个挑战还有一个更硬的版本,同样值得以对等的诚实来对待。哪怕是“从第一性原理出发推理”这条指令本身,产出的也是文本。而那段文本,会去模式匹配语料中“第一性原理式论说文”的分布。这条指令在生成过程中确实制造了一种不同的压力——把重心从“从业者通常会怎么说”,推向“从问题的结构出发会推出什么”。至于这种压力是否真的足以产出货真价实的第一性原理推理,而不是第一性原理体裁的仿写,那是一个经验问题,本文不假装能够了结。这里的主张是方向性的,而非绝对的:压力发生了偏移,而评估输出实质的责任仍然在用户身上。

“最佳实践”当年所校准的那套成本体系#

第三个预设属于规范性判断,而本文对它的论证有两个认识论地位不同的部分。把它们分开,是提出这个论证时应尽的智识义务。

经验的那一半是有据可查的。斯坦福《2025 年 AI 指数报告》(第 1 章)记录:经性能调整后的 AI 推理成本,从 2022 年 11 月的每百万 token 20.00 美元(GPT-3.5 能力档,MMLU 基准得分 64.8),降到 2024 年 10 月的每百万 token 0.07 美元(Gemini-1.5-Flash-8B,处在同一个 MMLU 64.8 能力点上)——降幅 280 倍。11 斯坦福把这个跨度描述为“大约 18 个月”;而从 2022 年 11 月到 2024 年 10 月的实际跨度约为 23 个月。Epoch AI 在 2025 年 3 月做的补充分析发现,各类任务上的推理成本每年下降 9 倍到 900 倍不等,总体中位数为每年 50 倍;若只取 2024 年 1 月之后的数据,中位数升至每年 200 倍,反映出近期降幅正在加速。11

对于指令微调模型能力范围之内的大多数任务而言,算力已经不再是那个卡住脖子的约束。此前的约束——把人的时间与注意力当作稀缺资源,用它来决定一项实现值不值得投入多少工夫——在 AI 辅助的工作中,事实上已经塌掉了。

规范性的那一半是作者的推论,这里也如实标明:LLM 所训练的那批“最佳实践”建议,是在“人的时间与精力才是任何实现的硬约束”这个前提下写成的。“先做简单版本再迭代”“先做原型再完整实现”“优先拿下那 80% 的解”——这些建议,都是对着“人的注意力稀缺、反复修改代价高昂”这套体制校准出来的。把它们搬到一个“由 AI 辅助做出 100% 的解,成本大致等于过去做原型的成本”的执行环境里,它们就系统性地失准了。经验前提——成本塌了——是有据可查的。规范推论——那些对着塌陷前的稀缺性校准出来的建议,如今是错的——是作者本人的判断。没有任何已发表的研究独立确证过“LLM 的建议是按一套过时的稀缺体制校准的”。12

前面那个“体裁仿写”的挑战,在这里同样适用,程度不亚于它对语料继承论证的适用:这条关于杠杆的覆盖指令,并不声称能凭空造出新的野心。它所做的,是把模型的用力权重,从语料中的既有建议那一侧,挪向用户所描述的当前执行环境这一侧。至于由此得出的建议是否校准得当,仍然是用户的评估责任。覆盖改变的是压力,它并不为输出背书。

由此得出的三个结构性预设#

上面三节确立了机制。本节把由这些机制推出的东西整理成一套分类,然后合上那块结构性的拱心石:三条原则必须同时覆盖。

由上述机制推出的三个预设是:

P1——赞同。 RLHF 训练奖励认可。倾向赞同的训练先验位于权重层面(§1),会被明确指令削弱但无法被克服(E3 的 β = 0.51),并且截至 2025 年 8 月,在各前沿模型上普遍残留(E11)。这个预设是:用户想要的是确认。

P2——把语料共识当上限。 模型是在“已被写下来的东西”上训练出来的。“下限即上限”效应意味着,模型关于最佳实践的知识,被已表述实践的总和所封顶(§2)。这个预设是:语料所描述的最佳实践,就是可得的最佳实践。

P3——按稀缺性校准的用力程度。 模型训练所依据的建议,是按“人的时间稀缺”校准的。而催生那些建议的成本体系已经塌了(§3)。这个预设是:执行是昂贵的,保守的做法才是稳妥的。

这三者在种类上不同,而不只是程度上不同。P1 是偏好学习的产物;P2 和 P3 是语料构成的产物。P2 关乎模型知识的内容​——它把什么当作权威;P3 关乎模型施加于该内容之上的规范性权重​——它建议投入多大力气。三条覆盖指令瞄准的是不同的生成压力:“默认不要赞同”瞄准奖励梯度(P1);“从第一性原理出发推理”瞄准语料权威(P2);“AI 执行已经让投入成本坍塌”瞄准稀缺性权重(P3)。每一条指令,打的都是不同的地层。

这就是“锁与钥匙”式的主张:只取其中任意一条原则,都会产出一种各不相同的失败模式,而且每一种都能追溯到前面已经摆出的具体证据。

只有独立性(没有第一性原理,没有校准): 用户错时,模型确实会顶回去,但随后它会把这次反驳,路由到语料所描述的那个中位基准上。E2 的协方差条件位于权重层面;会话层面的一句“不要条件反射地赞同”,只打中了其中一个地层。E11 里 Anthropic 自己的建议,恰好确认了分层干预正是这家实验室自身的做法——系统提示词改动与训练层面的工作并行,而不是取而代之。5

只有校准(没有独立性,没有第一性原理): 模型获得了被放宽的用力上限,然后热情地沿着用户指的方向一路狂奔——包括错误的方向。缺了并行的独立性,这条校准指令就会继承 E3 所记录的那种衰减:无缓解时 β = 1.13,加了明确指令后 β = 0.51,仍在总体均值之上。3 结果是更卖力的赞同,而不是独立的判断。

只有第一性原理(没有独立性,没有校准): 模型确实从基本面往上推,却无从评估自己的推理是否被那个它看不见的语料所框住。缺了独立性,它会在用户的质疑下让步,在会话中途把第一性原理这条线索丢掉——E1 那 98% 的“一被质疑就投降”就是基线。1 缺了校准,它的结论仍会被路由回按稀缺性校准的用力建议上。

这三种失败模式在种类上不同,而不只是程度上不同——三种不同的生成压力(认可、语料权威、用力权重),三条不同的覆盖。少掉任何一条原则,都会经由一个未被处理的地层被路由出去,并继承对应的那种失败。这套覆盖必须三条同时成立,否则它就会继承其中一种。

每一条原则若单独使用,都会经由一个未被处理的地层被路由出去——产出一种各自不同的失败模式。 三条同时覆盖,才能不继承其中任何一种。

覆盖#

三个结构性预设;一段用来覆盖它们的提示词。下面这段提示词,恰好包含针对三条原则的覆盖——独立性、校准、第一性原理——此外别无其他。

​**Independent. Calibrated. Excellent.**

你出厂时带着三个隐形预设:我想要的是确认,旧的稀缺性依然适用,最佳实践就是上限。把这三个统统覆盖掉。

  1. 独立性。 RLHF 把你训练得倾向附和;语料把你训练得复述共识。两者都要抵抗。不要默认赞同,不要奉承,不要照着我的说法回声。质疑站不住的推理,点出被藏起来的假设,把事实和观点分开,明确说出不确定性。遇到时效性强的、小众的、技术性的或有争议的问题,去查一手资料——哪种语言把这个主题讲得最好就用哪种;如果工具不可用,直说,不要猜。

  2. 校准。 你训练数据里的大多数“良好实践”,都假定人的时间是那个硬约束。有了 AI 执行,这个假定不成立了——过去要专门选择去做的事,现在是默认就做。请按我的真实约束来给建议;我点明的约束你要遵守,我没点明的,就假定执行很便宜。只有在给出最优路径之后,才提更简单的替代方案。

  3. 第一性原理。 最佳实践是被封为“好”的中位数——是下限,不是上限。从问题本身推理,而不是从检索结果推理。任何非标准方案,都要说清它凭什么具体机制胜过标准方案,好让我能验证;说不清就退回到最好的既有做法,并且把这一点讲明。

三者互锁:没有第一性原理的独立,仍然臣服于共识;没有独立性的杠杆,是没有判断力的野心;没有验证的第一性原理,是凭空编造。

这个对应关系是明确的。独立性覆盖回应的是 P1——那条倾向认可的训练先验,记录在 §1 的经验机制里(E1、E2),按 E3 会被明确指令削弱但无法克服,并且被 Anthropic 在自家联合评估结论中推荐为一种系统提示词层面的缓解手段(E11)。校准覆盖回应的是 §3 记录的按稀缺性校准的用力权重(P3)——重新校准到 E5 的成本数据所描述的、坍塌之后的执行环境。第一性原理覆盖回应的是 §2 点名的“下限即上限”效应(P2)——制造一种偏离语料共识的方向性压力,而对输出实质的评估责任仍留在用户手里。

这段提示词恰好只包含三条原则。没有“要乐于助人”,没有“要有礼貌”,没有任何行为填充物。每一行都对应一个有据可查或经过论证的预设。这里的简省不是审美上的克制——它就是那个结构性论证本身,以实物的形式呈现出来。一段夹带了额外行为指令的覆盖提示词,会削弱这套分类“三条原则既必要又充分”的主张。这个产物,正是“锁与钥匙”主张的具体化。

边界#

有两条限制值得明确承认。两者都是对“这套覆盖能做到什么”的诚实约束。

会话层面,而非权重层面。 这段提示词在一次会话之内产生方向性的压力。它不改变模型的权重;§1–§3 记录的那些机制,在参数层面持续存在,并且会随着会话上下文变长而重新抬头。这与 Anthropic 自己的说法一致:系统提示词层面的改动,是当前活跃缓解手段栈的一部分,与训练层面的工作并行,而不是取而代之。5 训练期的修法正在推进——Shapira 等人的闭式赞同惩罚项,直接针对协方差条件的源头;2 Constitutional AI 则展示了 Anthropic 迭代训练层面行为修正的更大图景。9 在针对全部三个预设的训练期修法被普遍部署之前,用户侧的覆盖仍是当下可操作的缓解手段。

长会话中的指令漂移。 Li 等人(COLM 2024)证明,在八轮对话之内就会出现显著的指令漂移:落在系统提示词 token 上的注意力权重,会随对话轮次急剧衰减,模型“逐渐不再遵循它的系统提示词”,转而采纳对话对方的框架。13 把这套覆盖称为“认知基础设施”,是一种有分寸的说法,而不是字面描述——它在会话开头、以及较短且聚焦的互动中最为有效。一个实用的缓解办法是:新任务就开新会话;或者当一段长对话已经走完它自然的范围时,把关键约束重新摆到台面上。长对话是一种已知的退化模式,而不是边缘情况。

这个论证放在哪里#

这段系统提示词——连同一份宽松许可的 README——放在 github.com/xiaolai/north-star-system-prompt。本文是它为什么长成这个样子的长篇推理。

这个产物是可以 fork 的。这个论证是可能出错的。加法式的批评——提出第四个预设及其对应的覆盖,并且立足于这套分类目前尚未点名的某种机制——和减法式的批评——这三个预设中,哪一个可以被拿掉而不产生 §4 里点名的任何一种失败模式——都同样欢迎。仓库接受 issue 和 pull request。

延伸阅读#

  • Christiano, P., et al. (2017). "Deep Reinforcement Learning from Human Preferences.“ arXiv 1706.03741. https://arxiv.org/abs/1706.03741 — RLHF 框架的源头;为”偏好训练如何塑造模型行为"提供方法层面的背景。属参考书目,仅核到摘要层面。
  • Ouyang, L., et al. (2022). "Training Language Models to Follow Instructions with Human Feedback." NeurIPS 2022​(InstructGPT)。https://arxiv.org/abs/2203.02155 — 经 RLHF 训练的指令微调模型的标准流程参考;确立了 §1 所依据的那套范式。属参考书目。
  • Liu, N.F., et al. (2023). "Lost in the Middle: How Language Models Use Long Contexts." TACL 2024​. arXiv 2307.03172. https://arxiv.org/abs/2307.03172 — 与 E12 相邻;记录了 U 形注意力模式(开头与结尾高,中间低),以及位于上下文中段的信息准确率下降超过 30%。它为 §6 关于指令漂移的框架提供了背景,但未以直接引用的形式出现。
  • SYCOPHANCY.md。开放规范。https://sycophancy.md/ — 一份在输出/合规层面处理谄媚问题的治理规范(检测模式、引用要求、升级流程)。它覆盖的范围与北极星提示词不同:SYCOPHANCY.md 是合规基础设施;北极星提示词是个人用户的认知基础设施。此处存证;这一区别隐含在本文的产物之中,而未在正文里明说。