Simon Willison坐在电脑前，盯着Anthropic官网那份冗长的Markdown文档。这份文档藏着Claude所有版本的系统提示词——也就是决定AI"性格"的底层指令。他想要一个更聪明的办法：如果把这些提示词变成Git历史，会发生什么？
三小时后，一个能直接用git diff追踪Claude"性格演变"的工具诞生了。
为什么系统提示词值得被"版本控制"
系统提示词（System Prompt）是大语言模型的"出厂设置"。它告诉AI：你是谁、你能做什么、你不能做什么、你该怎么说话。
Anthropic有个难得的透明举动——他们把所有Claude版本的系统提示词公开在一个Markdown文件里。但这份文档是"扁平"的：所有版本堆在一起，没有时间线，没有对比工具。
Willison的洞察很直接：开发者每天都在用Git管理代码变更，为什么不能用同样的工具分析AI的"人设"变更？
他用Claude Code（Anthropic的AI编程工具）写了个解析器，把那份庞杂的文档拆成独立文件：
• 每个模型家族（Opus/Sonnet/Haiku）单独成文
• 每个版本对应一个文件
• 用假想的提交日期标记真实发布时间
结果是一个标准的Git仓库。现在你可以：
```bash
# 看Claude 3.5 Sonnet两个版本之间"性格"变了什么
git diff claude-3.5-sonnet-20241022 claude-3.5-sonnet-20250220
```
从"黑箱猜测"到"可验证的 diff"
大模型厂商很少解释"为什么这个版本变笨了/变聪明了"。用户只能靠体感猜测。
Willison的工具把这种猜测变成了可验证的技术分析。他用它对比了Opus 4.6和4.7的系统提示词，逐行标注了哪些指令被添加、哪些被删除。
几个立刻能用的命令：
```bash
# 看Opus所有版本和发布日期
git log --oneline prompts/claude-opus.md | head -20
# 找"chain of thought"这个词什么时候被加进提示词
git log --all -p --grep="chain of thought" | head -100
```
这些命令的底层逻辑是：系统提示词的变更，往往对应着产品策略的调整。比如"chain of thought"（思维链）的引入，通常意味着模型被要求展示推理过程而非直接给答案——这背后是可信度和透明度的权衡。
仓库结构也很讲究：按模型家族分层，既支持横向对比（Sonnet vs Opus），也支持纵向追踪（同一个模型的迭代史）。
谁在需要这种"考古工具"
第一类是AI应用开发者。如果你在Claude之上做产品，系统提示词的变更可能直接破坏你的功能。Anthropic不会每次发版都告诉你"我们改了拒绝回答政治话题的阈值"，但Git diff会。
第二类是Prompt Engineer（提示工程师）。研究竞争对手的系统提示词设计，是这行的基本功。现在有了结构化历史，可以分析Anthropic的演进策略：什么时候加了安全护栏，什么时候放宽了创意限制，什么时候引入了新的格式规范。
第三类是更广泛的观察者——想知道"AI公司怎么定义AI的性格"。系统提示词里藏着价值观判断：AI应该谦虚还是自信？应该承认不确定还是给出最佳猜测？这些选择没有标准答案，但版本历史展示了答案的演变。
Willison的工具本身也是个有趣的元注释：他用Claude Code——也就是Claude的编程助手——来解析Claude自己的系统提示词。AI辅助分析AI的"大脑说明书"，这种递归感很微妙。
透明性的工具化尝试
Anthropic公开系统提示词，在行业内并不常见。OpenAI的GPT-4系统提示词要靠用户逆向工程，Google的Gemini更是黑箱。这种透明是策略性的：Anthropic押注"可解释性"作为差异化卖点。
但透明和可用是两回事。原始文档的存在≠信息易于获取。Willison的贡献是把"存在的透明"转化为"可用的透明"。
这个工具也暴露了一个行业痛点：AI系统的可观测性（Observability）严重滞后。我们有成熟的工具监控服务器性能、追踪代码Bug，但追踪"AI行为漂移"的工具几乎空白。Git化系统提示词是一种权宜之计，暗示着更深层的需求——我们需要AI原生（AI-native）的版本控制和回归测试。
想象一个场景：你的客服AI上周突然开始过度道歉。传统调试需要检查代码、数据、模型版本三重变量。但如果系统提示词的变更有Git历史，你可以第一时间锁定："上周Anthropic更新了Sonnet的系统提示词，新增了一条'保持谦逊语气'的指令。"
局限与边界
这个工具不解决所有问题。它只追踪系统提示词，不追踪：
• 模型权重（Weights）的实际变更
• 后训练（Post-training）的对齐调整
• 推理时的动态温度（Temperature）设置
换句话说，它告诉你"Claude被教导要做什么"，但不告诉你"Claude实际学会了什么"。系统提示词是意图层，模型行为是涌现层，两者常有落差。
另外，提交日期是"伪造"的——Willison根据Anthropic的发布记录手动映射，不是真实的Git提交历史。这对分析没有影响，但意味着仓库不能用于追溯真实的开发流程。
还有一个微妙点：Anthropic的公开文档是否完整？他们有没有保留"未公开的系统提示词片段"？这无从验证。工具只能分析给定的材料。
为什么这件事值得10分钟
克隆仓库、跑几条命令，大概10分钟。能换来什么？
最直接的：如果你在用Claude Code或Claude API，你可以建立"系统提示词变更预警"——把关键版本的diff加入你的监控流程，在Anthropic更新时第一时间评估影响。
更深层的：理解一家AI公司如何迭代它的"产品人格"。Claude的提示词演变史，是一部微缩的AI产品史——从早期强调"有帮助且无害"，到后期细化"如何处理不确定信息"、"如何拒绝请求而不显得傲慢"。这些选择背后是用户反馈、安全事故、商业压力的交织。
Willison的仓库地址：https://github.com/simonw/research，目录在extract-system-prompts下。代码是开源的，逻辑很直白：解析Markdown、分割文件、生成Git提交。
你可以用它做同样的事——不只是Claude，任何公开的系统提示词文档都可以被Git化。这是开源社区的经典模式：把厂商的"可读"数据变成"可分析"数据，降低研究门槛。
最后有个冷观察：Anthropic设计Claude的"性格"，Simon Willison设计分析Claude性格的工具，而你现在可以用Claude来读这篇关于分析Claude的文章。我们似乎正在建立一个多层递归的观察系统——每层都在试图理解下一层，而没人确定最底层是什么。
热门跟贴