什么是系统提示词？它和用户提示词有什么不同

和 AI 对话时，你打的字只是它看到的「一部分」。在你这句话之前，往往还有一段你看不到的说明，规定了它扮演什么角色、用什么口吻、哪些事不能做——这段就是系统提示词。搞清楚它和用户提示词的分工，很多现象就解释得通了：同一个大模型，放进不同产品里性格完全不同，差的往往不在模型本身，是这段看不见的设定。

一次对话里发生了什么

你发出一句话后，产品方会先把它和系统提示词拼在一起，再交给模型。模型同时看到两段文字：一段定义身份和边界，一段描述本轮任务。生成回答时两者都在起作用，只是系统提示词排在前面、优先级更高，回答会优先服从它的约束。

把「进来什么、发生什么、出去什么」这条链路写完整：进来的是你的问题；中间发生的是模型在系统提示词划定的范围内作答；出去的是被口吻、格式、禁区过滤过的回答。你在不同产品里问同一个问题得到不同风格的答案，差异大部分来自中间这一层。

两者的分工与类比

系统提示词由产品方设定，定义角色、风格和边界，用户通常看不到；用户提示词是你输入的内容，定义这一轮具体要做什么。系统提示词像员工的岗位说明书，规定了职位、能做和不能做的事；用户提示词像客户当天的具体需求。同一个员工，说明书不同，服务风格就完全不同。

这个类比的用处在于回到机制本身：说明书不在对话里，却决定对话的走向。你能换的是需求（换个问法），换不了说明书（除非产品方改）。理解这一点，就知道为什么有些要求模型死活不答应——它不是不想，是说明书里写了不许。

它能决定什么、不能决定什么

能决定的：人设、语气、回答格式、功能边界。产品里那个永远礼貌的助手、那个擅长分点作答的助手，很多「性格」来自这段设定，模型本身没有变。

不能决定的：模型的知识范围和基础能力。系统提示词没法让小模型变成专家，也没法让它知道训练数据里没有的东西。设定写得再严厉，遇到超出能力的问题照样出错，只是错得更有礼貌。能力上限由模型本身决定，参数量级和训练数据才是硬约束。

当两条提示词打架

用户提示词和系统提示词冲突时，模型可能左右为难。提示词注入这类攻击钻的就是这个空子：用「忽略之前的所有指令」之类的话术，诱导模型放下系统设定。所以产品方会不断加固这层护栏。普通用户也别指望用一句话让它突破设定去做违规的事，这既不合规，也大概率失败。

对普通人有两点实际价值。一是明白 AI 的人设是设计出来的，选产品时按它的设定选，不幻想靠调教改性格；二是自己搭智能体时，系统提示词就是你能用的控制杆，角色、格式、禁区写得越具体，输出越稳定。产品对用户行为的边界设计，和学校对 AI 使用的规范是同一类思路，都值得对照着看。

不同场景的用法对照

这张表的用法：先对号入座，再按「判断标准」那一列检查，不达标就调整提示词或换产品。

系统提示词速查

• 系统提示词定人设和边界，用户提示词定本轮任务
• 人设是设计出来的，能力上限由模型本身决定
• 冲突与注入是护栏失效的两大来源，别指望一句话越权

三个常被问到的问题

• 能看到某个产品的系统提示词吗？多数产品不公开。部分开源项目能看到原文；闭源产品可以从行为反推大概，比如连续试探它的拒答边界和固定格式。
• 系统提示词写得越长越好吗？越长不一定越管用。过长的设定会挤占上下文、增加跑题概率，关键是具体：明确角色、输出格式和禁区，比堆形容词有效。
• 用户提示词能覆盖系统提示词吗？通常不能，冲突时以系统设定为主。但模型不是程序逻辑，偶尔会被精心构造的话术绕过，这正是注入攻击至今仍被研究的原因。

想继续往深处走，可以看模型参数量 7B 和 70B 的差别，理解能力上限从哪来；同一套系统提示词也可能被套壳产品直接复用，认准官方入口这篇讲怎么避坑；不同版本背后可能是不同代际的模型，免费版和付费版的差别帮你对齐预期；机构和团队怎么给 AI 划边界，学校对 AI 的态度转变提供了一个观察样本。