我翻完那份“Claude 泄露提示词”，最值钱的是它的记忆系统

一、全文速览图

大家好，最近我在 GitHub 上看到了一份很长的文档。

仓库作者说，这是 Claude Opus 5 泄露出来的系统提示词。我这段时间本身也一直在研究 Agent，所以看到以后认真翻了一遍。

看完整份文档以后，我觉得里面技术价值最高的部分，不是那些“怎么说话”“什么时候拒绝”的规则，而是它的记忆系统：memory_filesystem。

二、系统提示词是什么

先简单解释一下什么是系统提示词。可以把大模型想象成一个刚入职、能力很强的新员工。

大模型是它的脑子，它懂很多知识，也能写东西、查资料、分析问题。但光有脑子还不够。

它并不知道自己是谁，应该怎么和用户说话，哪些事情能做，哪些事情不能做，什么时候应该查资料，什么时候应该调用工具。

所以还需要给它一份“员工手册”。这份员工手册，就是系统提示词。

而我在这份文档里看到的，不只是一份员工手册，更像是一整套AI 公司的管理制度。

— 大脑、规则、工具与记忆共同组成 Agent 的工作系统

其中最让我意外的，就是它怎么管理用户记忆。

三、记忆不是一个大文件

很多人理解 AI 记忆，可能就是：用户说过一句话，AI 把它记下来，下次聊天时再拿出来用。

但 Claude 这套memory_filesystem并不是把所有内容堆在一个文件里。它更像电脑上的文件夹，会把不同类型的信息分开保存。

1. 五类长期记忆

profile.md　保存用户比较稳定的身份信息，比如职业、工作方向。

topics／　保存用户在不同领域里的长期偏好，比如爱好、习惯、饮食、时区。

areas／　保存用户正在持续推进的项目、职责和当前任务。

people／　保存和用户有关的人物关系。

preferences.md　保存用户希望 AI 用什么方式回答，比如更简洁、更多案例、少用专业词。

这让我觉得特别有意思。因为它不是简单“记住用户”，而是先把用户信息分类，再放进不同的文件里。

— 身份、偏好、项目、人物与回答方式分别管理

有点像公司管理员工资料。工作经历放一类，当前项目放一类，沟通偏好放一类，相关联系人再单独放一类。

这样 AI 以后需要某部分信息时，不用把所有记忆全部翻一遍，也不会把不同内容混在一起。

四、只有用户明确说过的内容，才能进入长期记忆

更重要的是，它对“什么可以记”限制得特别严格。

「我喜欢喝珍珠奶茶。」

AI 可以记住用户喜欢珍珠奶茶。但不能继续脑补成：用户喜欢甜食、用户喜欢所有奶茶、用户偏爱亚洲饮品。

因为这些都不是用户亲口说的，而是AI 自己推断出来的。

这点看起来很小，但其实特别重要。我们平时都希望 AI 越来越懂自己，但如果 AI 把自己的猜测也当成事实保存，时间久了，它对用户的理解就会越来越偏。

你跟同事说：“我今天中午吃了面。”结果他马上在你的个人档案里写上：“此人只喜欢吃面食。”显然不太靠谱。

只有用户明确说过的内容，才能进入长期记忆。

— 剪掉 AI 脑补，只让用户原话进入记忆

AI 自己的推测、建议，甚至它以前给用户提供的方案，都不能偷偷变成用户的选择。比如 AI 之前建议你用某个技术方案，并不代表你已经决定使用。

只有当用户明确说“就用这个”，它才能把这个决定记下来。这其实是在解决一个很常见的问题：AI 很容易把“它说过的话”，误以为是“用户决定的事”。

而在真实业务里，这种错误会很危险。假设 AI 给公司项目提出了三个方案，用户只是看了看，没有做决定。但下次聊天时，AI 却直接说：“按照我们之前确定的方案继续。”那整个项目可能从一开始就建立在错误信息上。

五、记忆不是越多越好

除了不能乱记，它也不能随便记敏感信息。比如医疗情况、详细财务信息、身份证、家庭住址、政治立场等，都不能轻易进入长期记忆。

也就是说，AI 记忆不是越多越好。它要考虑：

1. 这件事是不是用户亲口说的。
2. 以后有没有长期价值。
3. 会不会涉及隐私。
4. 需不需要保存。
5. 记错以后能不能修改。
6. 不需要以后能不能删除。

「这已经不只是记忆功能了，更像是一套用户数据管理系统。」

六、记忆也需要版本控制

还有一个细节我觉得很有技术含量。这套memory_filesystem还带有版本号。

简单来说，AI 每次修改记忆文件时，都要确认自己看到的是不是最新版本。如果文件已经被其他地方更新过，它不能直接覆盖，而是要重新读取、合并，再修改。

这个逻辑和多人一起编辑在线文档很像。比如你正在修改一份文件，另一个人同时也改了。如果系统没有版本控制，后保存的人可能会把前一个人的内容直接覆盖掉。

所以 Claude 的记忆并不是“模型想改就改”，而是有一套类似数据库的更新规则。

— 出现版本冲突时，重新读取、合并再写

这也是我觉得它技术价值最高的原因。它让我意识到，一个真正成熟的 Agent 记忆系统，至少要解决这几件事：

1. 记什么。
2. 不记什么。
3. 把记忆放在哪里。
4. 记忆从哪里来的。
5. 能不能证明是用户亲口说的。
6. 内容变化以后怎么更新。
7. 多人或多个 Agent 同时修改时怎么避免覆盖。
8. 敏感信息怎么保护。
9. 错误信息怎么删除。
10. 需要使用时怎么快速找到。

相比之下，我们平时说的“给 Agent 加一个 memory”，还是太简单了。很多系统现在所谓的记忆，可能只是把历史聊天总结成一大段文字，然后每次重新塞给模型。

这样做短期看起来有效，但时间久了很容易出问题：

信息会越来越乱。
旧内容和新内容混在一起。
模型的推测和用户原话分不清。
已经过期的信息还在继续使用。
敏感内容也可能被长期保存。

「把记忆当成一套需要管理的数据，而不是聊天记录的堆积。」

七、成熟 Agent 更像一个组织

除了记忆系统，这份文档里还有几个点也很值得注意。比如 AI 判断风险时，不能只看当前这一句话。

有人可能先问材料，再问结构，最后问怎么组合。每个问题单独看可能没什么，连起来就可能变成一个危险方案。所以 AI 需要理解整段对话，而不是每回答一次就重新失忆。

工具调用也是一样。真正难的不是让 AI 会调用天气、邮箱、日历或者文件工具，而是让它知道什么时候应该用，应该先用哪个，需不需要用户确认，以及工具返回的结果是否可靠。

做 PPT、表格、Word 和网页时，Claude 也不是完全自由发挥。它会先读取对应的 Skill。

Skill 可以理解成某个岗位的操作手册，里面会告诉 AI：

1. 应该按什么步骤完成。
2. 可以使用哪些工具。
3. 文件保存在哪里。
4. 哪些地方容易出错。
5. 完成后如何检查。

所以看完整份文档以后，我最大的感受是：真正成熟的 Agent，不只是“大模型加一段提示词”。它更像一个完整的组织。

大模型是员工的大脑。
系统提示词是员工手册。
工具是电脑和办公软件。
Skill 是岗位操作指南。
工作流程是公司的办事规范。
安全规则是权限和红线。
而 memory_filesystem，就是这个组织里的档案管理系统。

它决定了 AI 能记住什么，怎么分类，怎么更新，什么时候使用，又如何避免记错和滥用。

八、来源说明

最后还是要说明一下。这份文档来自 GitHub，仓库作者称它是 Claude Opus 5 泄露出来的系统提示词。

目前没有足够证据证明，它百分之百就是 Anthropic 官方完整原文。所以我更愿意把它当成一个参考案例。

但不管它到底是不是真正的完整原文，里面关于记忆系统的设计思路都非常值得研究。它让我更确定了一件事：

「Agent 的记忆，不是让 AI 多记住一些东西，而是让它用正确的方式管理信息。」

— 从越记越乱，走向可分类、可更新、可删除

这也是整份文档里，我认为最有技术价值的地方。

我是陈小黑，AI设计工程师，持续研究 Agent 与 AI 工作流。