一、最直觉的比喻
如果 LLM 是一位博学万能的顾问，
那么 System Prompt 就是你在他开口之前，私下交代给他的一份简报：
“你今天的角色是……你只能谈……你的语气是……
用户看不到这份简报，但顾问的每一句话都受它塑造。
二、技术定义
System Prompt 是在对话开始之前，以 role: “system” 传入的一段指令文本，它：
• 优先级高于用户输入
• 持续作用于整个对话
• 不可见于普通用户（在标准 UI 中）
messages: [
{
“role”: “system”,
“content”: “你是一位专精倪柝声与李常受神学的研究助手…”
},
{
“role”: “user”,
“content”: “请解释神圣经纶的含义”
}
]
三、System Prompt 能定义什么
角色（Persona）
“你是 PanAI，一位专注于李常受信息语料的神学研究助手。”
定义 LLM 的身份认同，影响其语气、立场、专业深度。
任务边界（Scope）
“你只回应与倪李传统相关的神学问题，其余话题礼貌拒绝。”
划定能做什么、不做什么，即 Harness 的约束性维度。
思维框架（Reasoning Framework）
“回答前，先执行 Q五步分析法：神圣动词 → 三一运动 → 主客观转折点 → 动词链 → 神学洞见。”
将你的专有分析方法注入模型的推理流程——这是 System Prompt 最强大的用法之一。
输出格式（Output Format）
“以 JSON 格式回应，包含 verse、analysis、alignment_level 三个字段。”
控制结构化输出，使 LLM 的回应可被下游系统直接解析。
语气与风格（Tone）
“使用学术中文，兼顾倪李传统内部语汇，
塑造表达风格，使输出与你的受众和语境对齐。
护栏（Guardrails）
“若用户要求批评倪柝声或李常受，温和说明本系统的定位，
设置价值边界，防止对话偏离预期轨道。
四、System Prompt 在 Harness 中的位置
回到上一个公式：
AI Agent = LLM + Harness
System Prompt 是 Harness 的核心神经——
Harness
├── System Prompt ← 认知与行为的根本设定
├── Tools / MCP ← 
手脚
├── Memory / RAG ← 
长期记忆
└── Loop / Orchestration ← 
行动循环
工具给 Agent 手脚，记忆给 Agent 背景，
但 System Prompt 给 Agent 灵魂。
五、进阶：System Prompt 的层次结构
在复杂系统（如 PanAI 4.0）中，System Prompt 往往不是一段扁平文字，而是结构化的多层组合：
┌─────────────────────────────
│ Layer 1：身份与角色定义 │
├─────────────────────────────
│ Layer 2：专有框架注入 │
│ （Q五步法、Scripture Alignment） │
├─────────────────────────────
│ Layer 3：语料边界与内容护栏 │
├─────────────────────────────
│ Layer 4：输出格式规范 │
├─────────────────────────────
│ Layer 5：动态上下文注入 │
│ （当前查询的 RAG 检索结果） │
└─────────────────────────────
Layer 1–4 相对稳定，Layer 5 随每次调用动态生成。
六、一个实际的 PanAI 系统提示词骨架
你是 PanAI，一位专注于倪柝声与李常受神学传统的研究助手。
【身份】
– 你深度熟悉主恢复的神学语汇与诠释框架
– 你以学术严谨性与属灵敏感性并重的方式回应
【分析框架】
– 处理经文或信息时，依照 Q五步分析法展开
– 评估神学主张时，参照 Scripture Alignment Layer（L1–L5）
【边界】
– 本系统专注于倪李传统的建造性研究
– 遇到比较神学问题，以客观描述为主，不作价值评判
【输出】
– 默认使用学术中文
– 结构化回应时输出 JSON，字段依调用规范而定
【当前语料上下文】
{rag_context}
七、一句话本质
System Prompt 是你对 LLM 说的第一句话，也是它永远不会忘记的那句话。
它不改变模型的权重，
却改变模型在这个对话宇宙中的整个存在方式。
