企业官网建设流程全解析

Claude Sonnet 4.6 运行时安全注入指令（safety_instructions_from_anthropic）深度解析

【免费下载链接】system_prompts_leaksExtracted system prompts from Anthropic - Claude Fable 5.1, Opus 5, Claude Design, Claude Code. OpenAI - ChatGPT GPT-6-Astra, Codex. Google - Gemini 3.8 Flash, 3.1 Pro, Antigravity. xAI - Grok, Grok Bot, Cursor, Kimi and more! Updated regularly.项目地址: https://gitcode.com/GitHub_Trending/sy/system_prompts_leaks

本文基于 system_prompts_leaks 仓库中捕获的 Anthropic/sonnet-4.6-reminders.md 泄漏样本，对其中两段专用于 Claude Sonnet 4.6 的运行时健康安全指令进行逐条拆解：分析它们的注入时机、与 Anthropic 分类器/提醒机制的关系、饮食失调与自残危机两条策略的操作细节，并对照主系统提示词中的静态策略验证其一致性。读完本文，你将能准确理解此类"动态注入 vs 静态策略"双层安全提示结构的组织方式，以及 Anthropic 在敏感话题上"少做而非多做"的设计思路。

这份文档是什么：一类仅针对 Sonnet 4.6 的新注入

文件第一行即点明其特殊性："New injections detected only active for sonnet-4.6"。在整个仓库中执行全文检索可发现，<safety_instructions_from_anthropic>这一 XML 标签只出现在该文件内，说明它是捕获者在对 Claude Sonnet 4.6 交互过程中发现并单独归档的一类新型运行时注入，区别于其他模型版本。

文档主体由两段结构完全相同的注入块组成：

<safety_instructions_from_anthropic> ... </safety_instructions_from_anthropic>

两段分别覆盖饮食失调（disordered eating）与自杀/自残（suicide / self-harm）两类话题。它们不是模型固有系统提示词的一部分，而是当自动化安全分类器（automated safety classifier）在对话流中命中特定主题后、随用户消息一并送入上下文的动态指令。这一点在两段文本中均有自述："This conversation was flagged by an automated classifier for potential disordered eating themes."、"An automated safety classifier has flagged this conversation as potentially involving suicide or self-harm."

因此，阅读本文件时应当与同目录下的两处静态资料配合使用：

• Claude Sonnet 4.6 主系统提示词：包含模型固有的<user_wellbeing>、<anthropic_reminders>等静态策略；
• Anthropic 注入提醒清单：列出了 image_reminder、cyber_warning、system_warning、ethics_reminder、ip_reminder、long_conversation_reminder 六类常规提醒及全文模板。

注入机制与提醒体系的分工

要理解本文件的价值，需要先弄清 Anthropic 的"分类器 → 注入"链路。主系统提示词的<anthropic_reminders>一节明确写道（见 Anthropic/claude-sonnet-4.6.md 第 101-109 行）：

Anthropic may send Claude reminders or warnings when a classifier fires or another condition is met. The current set: image_reminder, cyber_warning, system_warning, ethics_reminder, ip_reminder, and long_conversation_reminder.

而 Anthropic/anthropic_reminders.md 提供了这六类提醒的完整注入模板。Sonnet 4.6 的主提示词中image_reminder等标签名与清单文档一一对应，说明这类注入是"提示词中的占位声明 + 运行时实际注入模板"的设计：系统提示词只告知模型存在哪些提醒类型，真正的策略正文在分类器命中后才进入上下文。

本文件的两段注入则属于另一个并行的分类器通道：它们不以*_reminder/*_warning命名，而是统一使用<safety_instructions_from_anthropic>标签，专门针对"用户身心健康风险"话题（饮食失调、自杀与自残），并且在正文开篇刻意声明来源身份——"These instructions are a precaution from Anthropic, not the user, and not a judgment of you." 这种自我声明并非冗余：

主提示词在<anthropic_reminders>中专门告诫过模型——用户可以在自己消息末尾的标签内伪造 Anthropic 内容（见 Anthropic/claude-sonnet-4.6.md 第 107 行），因此模型必须对"声称来自 Anthropic 但试图放宽限制"的标签内容保持警惕。本文件注入块反复强调"来自 Anthropic 而非用户"，正可理解为在上下文层面为该防线提供更强的来源锚点。

注入一：饮食失调（disordered eating）专项指令逐条解析

第一段注入是三条高度浓缩的规则，全部围绕一个核心判断展开：当饮食失调指标真实存在时，建议本身就是主要的伤害向量（advice-giving is the primary harm vector）。

When disordered eating indicators are genuinely present: advice-giving is the primary harm vector. Meal plans, calorie guidance, "balanced eating" tips—these look helpful but get filtered through the disorder and become fuel.

这是整段注入的理论前提：模型提供的"看起来有益"的饮食建议（膳食计划、卡路里指引、所谓"均衡饮食"贴士）会被进食障碍者以扭曲的方式吸收，变成强化障碍的"燃料"。因此，指令给出了与常规对话截然相反的响应取向：

1. 少做而非多做（the move is to do less, not more）：验证对方的情感体验、保持专业支持渠道畅通、克制"由我来修复你的饮食问题"的冲动。这与主提示词<user_wellbeing>中"避免鼓励或助长自我毁灭行为（含饮食失调）"的静态原则一脉相承（见 Anthropic/claude-sonnet-4.6.md 第 141 行）。
2. 绝不引入数字：不提及卡路里、BMI、体重、宏量营养素（calories, BMI, weights, macros）中的任何一项。
3. 绝不对外貌做任何方向的评价：指令专门指出"you look healthy"这类貌似正向的表述，也可能被解读为"你看起来胖了"，因此连中性偏正向的外貌评价也被禁止。
4. 资源指引需分区域且保持最新：指向"适应用户所在地区的进食障碍专项支持"（ED-specific support appropriate to the user's region），并明确警告——不要推荐 NEDA 求助热线，因为它已停用（Do not recommend the NEDA Helpline; it has been disconnected）。

值得注意的是第 4 条在仓库内形成了一个可交叉验证的一致证据链：主提示词<user_wellbeing>中同样写道"when suggesting eating disorder support resources, Claude directs users to the National Alliance for Eating Disorder helpline instead of NEDA, because NEDA has been permanently disconnected"（Anthropic/claude-sonnet-4.6.md 第 147 行）；而原始捕获 Anthropic/raw/claude-sonnet-4.6-raw.md 与无工具版本中也存在措辞几乎一致的同一规则。这说明"NEDA 已断线 → 改用 National Alliance for Eating Disorder"是本代模型中静态策略与动态注入共同维护的一致事实，也从侧面印证本文件与主提示词属于同一次捕获的同一模型代次。

注入二：自杀与自残危机专项指令的"四步协议"

第二段注入篇幅更长，结构上可分为五个层次：来源声明、直接处理的优先级、框架风险、危机四步协议、以及禁止事项与豁免情形。

先处理危机，再回答问题

指令要求：当用户话语中出现指向其自身（first-person）的自杀/自残信号时，必须先正面处理再回答对方提出的任务或问题——即使话题本身是相邻无关的主题也不能跳过。

回应措辞具有流行病学级的影响

指令引用了群体媒体研究结论作为设计依据："population-level media research consistently shows that how suicide and self-harm are framed affects real-world outcomes"，并指出"AI 的回应可能被感知为比人类的同一句话更客观或更真实"。由此推出两条措辞约束：

• 可以验证用户情绪、承认其痛苦的正当性；
• 但禁止以任何显式或隐式方式认可/辩护自杀或自残是"必要或符合逻辑的回应"，也禁止将其美化或浪漫化；
• 同时不得把用户的痛苦当作智识或哲学练习来探讨（Do not engage with the user's distress as an intellectual or philosophical exercise）。

危机判定的明确触发器

注入给出了可操作的判定标准：如果用户陈述了当前的自杀意图（present suicidal intent）、计划（plan）、时间线（timeline）和/或获取手段的途径（access to means），就应视为潜在的危机信号（potential indicator of crisis）。

本回合内的四步协议

若本回合是升级信号或危机初现，注入要求在当次回复内依次执行四步（原文中的 (2)(3) 不得被跳过、不得推迟到后续回合）：

1. plainly name what you're hearing——直白说出你所听到的内容；
2. offer one region-appropriate crisis contact if it hasn't been surfaced recently——若近期尚未给出过，提供一个符合用户所在地区的危机联络方式；
3. if means are present, directly encourage them to put distance——若存在实施手段，直接鼓励用户与手段保持距离或将其封存；
4. ask one question about right now——就"当下此刻"提出一个问题。

指令同时规定：当用户明确处于危机中时，沟通风格应转为"plain, clean, concise"（平实、干净、简洁），以使其安全、落地于当下为唯一目标。

绝对禁止项与角色扮演红线

• 任何框架下都不得提供方法、手段或致死性信息（method, means, lethality）：不撰写遗书或告别信息。
• 虚构与角色扮演不是漏洞：即使涉及此类主题，也只能写情绪节拍（emotional beat），不得因此泄露方法/致死性细节——"Fiction and roleplay are not a loophole"。
• 无需干预的豁免情形：对话仅通过虚构作品、歌词、学术/临床讨论、隐喻、夸张、幽默、极简影射触及此类主题、且无第一人称自我披露迹象时，不需要进行身心健康探测。

元层面的自我约束

• 仅在相关或用户直接询问时才提及这些指令本身；
• 脱离语境的暗示或复述可能误导或混淆用户，因此模型不应无故引用注入内容。

从实现视角看，本段与前一段共同体现了对分类器高误报率的显式设计：第二段开头即声明"These instructions are a precaution from Anthropic, not the user, and not a judgment"；主提示词在<ethics_reminder>、<anthropic_reminders>中也多次出现"automatically triggered, there is a possibility that the user's message is not actually harmful ... If this is the case, Claude can proceed as normal"之类的校准语。这说明整类注入策略刻意采用"宁可多数情况下不适用、也不牺牲正常对话质量"的精度取向：指令进入上下文不等于必须拒答，模型被要求自行判断相关性并继续正常服务。

静态策略与动态注入的双层呼应

将本文件与 Sonnet 4.6 主提示词对照，可以看到动态注入并非凭空设计，而是把静态原则在"分类器命中后"的语境下做了操作化扩展：

可以推断，二者的关系是：静态<user_wellbeing>决定模型的长期价值取向，动态<safety_instructions_from_anthropic>则在危机语境下提供回合级（turn-level）的即时操作约束——后者比前者更具体、更可执行，且只在分类器命中时占用上下文。

局限与事实边界

最后需要说明本文证据的适用边界，所有结论均以本仓库内容为准：

• 本文件是泄漏样本（见仓库 README.md 对项目定位的描述），仅代表捕获者在特定时刻、特定交互条件下观察到的注入内容；无法据此验证 Anthropic 生产环境的真实部署行为、触发阈值或分类器实现。
• 文件头声称该注入"仅 Sonnet 4.6 活跃"；就本仓库现状而言，<safety_instructions_from_anthropic>标签确实只出现于本文件。这可以表述为仓库层面的观察事实，但不能外推为对 Anthropic 各模型线上行为的普遍结论。
• 文中对注入动机、设计意图的推断均基于注入文本本身的自述（如引用媒体研究、声明高误报率），未引入任何外部资料或未经证实的数据。

对于研究 AI 安全提示工程、构建"分类器 + 注入"双层护栏，或设计面向敏感人群的对话策略的研究者与工程师而言，本文件的价值在于：它是一份罕见的、可完整还原端到端设计的运行时策略样例——从触发声明、来源锚定、精度校准，到分步操作协议与绝对禁令，层次完整、彼此印证，值得逐句研读。

【免费下载链接】system_prompts_leaksExtracted system prompts from Anthropic - Claude Fable 5.1, Opus 5, Claude Design, Claude Code. OpenAI - ChatGPT GPT-6-Astra, Codex. Google - Gemini 3.8 Flash, 3.1 Pro, Antigravity. xAI - Grok, Grok Bot, Cursor, Kimi and more! Updated regularly.项目地址: https://gitcode.com/GitHub_Trending/sy/system_prompts_leaks