用Git追踪Claude系统提示词的演变史：一个值得所有AI开发者借鉴的研究方法

起因：为什么这件事值得聊？

你有没有想过，ChatGPT或Claude这些聊天机器人的“性格”和“能力边界”是怎么定义的？答案往往藏在“系统提示词”里。这就像给AI下达的初始指令，规定了它能做什么、不能做什么、以什么风格说话。过去，这些提示词是黑箱，但像Anthropic这样的公司开始部分公开它们。然而，公开的往往是一个庞大、静态的Markdown页面，想看懂它怎么变的，就像读一本没有版本历史的书，非常吃力。Simon Willison做了一件看似简单却极具启发的事：他把Anthropic发布的Claude系统提示词历史，用Claude Code拆分成按模型、版本、时间戳组织的独立文件，并放入了Git仓库。这立刻让枯燥的文档“活”了过来。

拆解：核心方法是什么？

这个方法的精髓在于将文档工程化。Willison没有手动去对比不同版本的Markdown，而是让AI（Claude Code）自动处理：

1. 结构化：将包含所有模型（如Opus、Sonnet）所有版本提示词的单一页面，拆分成清晰的文件目录结构，比如 /claude-opus/4.6.txt、/claude-opus/4.7.txt。
2. 版本化：为每一次提示词的变更创建一个Git提交（commit），并赋予伪造但逻辑合理的时间戳。这样，整个提示词的演变历史就变成了一条清晰的Git时间线。

这带来了什么？你突然拥有了开发者最熟悉的武器库：用 git log 看变更历史，用 git diff 精确对比Opus 4.6和4.7之间到底改了哪几个词，用 git blame 看某条指令最早是何时出现的。Willison本人就用这个工具，轻松写出了关于Claude Opus 4.6到4.7变化的详细分析。这不再是模糊的感觉“新版好像不一样了”，而是精确到字符的变更审计。

趋势洞察：这揭示了什么更大的趋势？

这件事背后有三个深层趋势： 第一，AI产品的“配置即代码”。系统提示词正在成为AI应用的“核心配置”，其重要性不亚于传统软件的代码或配置文件。对它的管理、审计和迭代，理应像对待代码一样严谨。Git方法的引入，正是将软件工程的最佳实践（版本控制、差异对比、变更追溯）引入了AI行为定义层。 第二，AI可解释性与调试的工程化。当AI行为出现异常或不符合预期时，如何排查？对比系统提示词的变化，成为一个极其高效、低成本的切入点。这个工具为“AI行为调试”提供了一个具体的、可操作的工程范例。它告诉我们，理解AI不一定非要钻研复杂的神经网络，从它接收的“指令”入手往往更直接。 第三，开源情报（OSINT）在AI领域的应用。通过公开信息（公司发布的提示词文档），结合巧妙的工具链，就能深度洞察一家顶级AI公司的产品迭代思路和安全策略调整。这为整个社区研究、监督和理解前沿AI模型提供了新的方法论。

实用价值：跟我有什么关系？

如果你是AI应用开发者或产品经理，这个方法可以直接借鉴。当你迭代自己的AI产品时，是否也可以用类似方式管理你的系统提示词？这能让你清晰地知道，每次调整带来了哪些具体改变，方便回滚和团队协作。

如果你是AI研究者或技术爱好者，这个工具和思路是一个宝藏。你可以用它来研究不同公司提示词的设计哲学，观察安全规则是如何逐步加固的，或者分析模型能力提升到底对应了哪些指令层面的优化。比如，通过diff你可能会发现，新版本悄悄增加了一条关于处理敏感信息的更严格指令。\n 即使你只是普通用户，这个案例也让你意识到：AI的“性格”和“行为”是被精心设计并持续调整的。下次当你感觉“Claude好像变聪明了”或“回答风格变了”，背后可能就是一次系统提示词的更新。

反常识/意外

一个可能被忽略的角度是：这个项目本身是用AI（Claude Code）来构建研究AI的工具。Willison没有手动写脚本去解析Markdown，而是让Claude完成拆分和结构化工作。这形成了一个有趣的递归：用AI来理解和审计AI。它预示着，未来我们开发AI相关工具时，最大的杠杆可能来自于巧妙地利用现有AI能力本身。

总之，Simon Willison的这个小项目，像一把精巧的钥匙，为我们打开了系统性理解AI产品内部运作的一扇门。它不仅是关于Claude的一次研究，更是为整个行业提供了一种将AI“黑箱”操作化、工程化的新思路。

---

原文地址: Claude system prompts as a git timeline