System Prompt 与 User Prompt：GenAI 功能下面的那一层

一句话总结

2026 年了，GenAI 产品的各种功能越出越多，但只要搞清一件事就能看懂大半：模型回答之前，这段文字到底被塞到了哪里？是 system prompt、user prompt，还是可复用的上下文？

用这个思路去 debug AI 行为会简单很多：确认指令有没有被带上、放对了位置、写得够不够具体。这个框架也能衔接到 超越 RAG 的 AI 记忆——持久化的"记忆"只有被产品正确检索并放到正确位置时，才能真正发挥作用。

大多数 AI 教程一上来就甩产品名：ChatGPT 项目、Claude Projects、Claude Cowork、CLAUDE.md、技能（skills）、子智能体（subagents）、记忆（memory）、上传文件……

对新手来说，概念密度太高了。

换个角度理解就轻松了：

这些功能本质上就是把指令或上下文放到模型面前的不同方式。

关键问题不是"这个功能叫什么名字"，

而是：

AI 回答之前，这段文字去了哪里？

这就是为什么理解 system_prompt 和 user_prompt 很重要。

最简单的理解方式

把 AI 聊天想象成去餐厅吃饭。

System prompt 就是餐厅的运营手册——告诉助手"你是什么角色、该遵守什么规矩、用什么语气、什么事绝对不能干"。

User prompt 就是今天点的菜——包括你说的话、附件、之前的对话，以及应用为这次请求补充的上下文。

比如你说：

帮我把这份会议记录整理一下，发给老板。

这就是 user prompt。

而应用悄悄告诉 AI 的那段话：

你是一个乐于助人的助手。回答要简洁。不要编造事实。

这就属于 system prompt 的范畴。

真实产品里的层级更多，但先用两个"桶"来分类就够了：

一旦你脑子里有了这两个桶，各种 AI 功能就不再显得乱七八糟了。

Projects 就是可复用上下文

拿桌面端的 Claude Project 举例。

假设你建了一个叫"公司博客"的项目，往里面丢了：

• 品牌规范
• 过往博客文章
• 产品笔记
• 项目指令，比如"写给非技术读者"

之后在这个项目里开的每一次对话，都自动带上了这些背景信息。你不用再反复粘贴同样的文件和规则了。

但要注意：不是说项目里的每个文件都会变成隐藏的 system prompt。更准确的心智模型是：

项目知识和项目指令，是 AI 回答你当前请求时可以调用的额外上下文。

举个例子：

项目上下文：
  我们的读者是创业者。
  避免过于技术化的表达。
  多用营销和运营方面的例子。
​
用户请求：
  写一篇关于 AI 提示词的博客开头。

最终的回答取决于这两部分信息的配合——这就是 prompt routing。

Cowork 本质上还是 prompt 驱动

Claude Cowork 用起来感觉跟普通聊天很不一样，因为你可以交给它一个更大的任务。

不再是一问一答，而是直接说：

读一下这个文件夹里的文件，按供应商把发票分类，然后生成一份汇总表格。

Cowork 能操作本地文件和桌面任务，所以体感上更像是在"派活"，而不是跟聊天机器人对话。

但拆开来看，核心还是那套东西：

• 你布置的任务 → user prompt
• 文件和工作区 → 上下文
• 产品自身的行为规则 → 接近 system prompt
• 每个子任务也需要各自的指令

对新手来说，记住一句话就够了：

交互界面变了，但模型需要指令和上下文这件事没变。

拿 Claude Code 来具体说明

Claude Code 特别适合拿来举例，因为它的源代码是公开的，能看到一些功能到底是怎么路由的。这里只聊 CLAUDE.md、skills 和 subagents。

简单说：

CLAUDE.md 看起来像 system prompt，因为大家确实在里面写规则：

用 pnpm。
提交前必须先跑测试。
不要动生成的文件。

但在 Claude Code 的源码里，CLAUDE.md 实际上是作为 user context 加载的，被拼到对话开头当提醒用。它是很重要的上下文，但并不是在改写 Claude Code 的核心 system prompt。

Skill 是一个可复用的 prompt 包。Claude 首先会看到一个简短的列表，知道有这个 skill、什么时候该用。真正触发时，完整的 SKILL.md 内容才会被加载进对话。

所以 skill 特别适合那些需要反复执行的流程：review PR、写 release note、生成图片、跑公司 checklist。

Subagent 就不一样了。每个 subagent 有自己的指令。Claude Code 启动一个 subagent 时，subagent 的指令体就变成了它的 system prompt，传给它的任务就变成了它的 user prompt。

这就是为什么 subagent 能表现得像一个领域专家。

记住这张图就行

各种 AI 功能，说到底就是不同的文字放置方式。

文件格式本身不重要。Markdown 就是 Markdown。真正关键的是：产品在模型回答之前，把这份 Markdown 放到了哪里。

为什么新手应该搞懂这件事

不理解 prompt 的放置位置，AI 的行为就会显得"玄学"。

你写了一大段项目指令，想不通为什么 Claude 还是漏掉了。你建了一个 skill，想不通为什么它不是每次都生效。你搞了一个 subagent，想不通为什么回答总是泛泛而谈。

问题往往出在这几个地方：

• 指令根本没被带上
• 带上了，但来得太晚
• 放到了 context 里，而不是更强优先级的规则层
• 当前请求没有明确指向它
• 指令写得太模糊

所以下次 debug 的时候，问自己一个更精准的问题：

AI 是否在正确的位置、正确的时间，收到了正确的指令？

这比背产品名有用得多。

总结

AI 产品会不断推新功能。但剥开外壳，很多功能背后都是同一套基本模式：

system_prompt = 助手是谁，该怎么表现
user_prompt   = 用户现在要什么，加上回答所需的上下文

Claude Projects、Claude Cowork、ChatGPT 项目、上传文件、CLAUDE.md、skills、subagents——一旦你用这两个通道去理解，全都清晰了。

你越清楚 prompt 被放在了哪里，就越能理解 AI 到底在基于什么干活。

补充说明

文中关于 Claude Projects 和 Cowork 的例子是基于用户可见的功能描述，不涉及 Anthropic 内部 prompt 的猜测。详见 Anthropic 的 Projects 帮助页面 和 Cowork 帮助页面。

Claude Code 的例子基于 Claude Code 源代码，具体是加载 CLAUDE.md、skills 和 subagent 定义的代码路径。