Claude Sonnet 3.5 システムプロンプトの漏洩: 法医学的分析

目次

• アーティファクトの紹介構造化された负荷率提取における一歩前進。

• 考え論理的深度思考は转化プロセスの主要な部件です。

• 識別子と検索アーティファクトの検索と拿得は、システム プロンプトの为重要な地方です。

• テンプレート言語構造入力変数に基づいて変化するレンダリングテンプレート

• 結論クロードにとっては小さな研究成果だが、AIにとっては大きな飛躍だ。

• クロード3.5システムシステムは根本なプロンプトを表达します

アーティファクトの紹介

構造化された工作效率合成における一歩前進。

これはこの研究浅析のコードへのリンクは、ソースとともに下边にあります。この研究浅析の主な视点は、アーティファクトの范畴の導入と、これがインテリジェントな分類および検索システムの一步としてどのように機能するかです。

「アーティファクトは、ユーザーが変更したり再回收利用したりする已经性のある、実質的な她完結型コンテンツ用です。

アーティファクトは、新しい理念を风格化するパラダイム チェンジです。永続データの理念です。永続データは、的高度にキュレーションされ構造化されたコンテンツ ライブラリにアクセスするための足がかりです。统一参照物を出具することで、反復処理がブロックされなくなり、推进力を段階的に调理および土壤改良できるようになります。これは、冗長な LLM 推进力の一時的な性質を制御するための一歩です。

コード補完などの機能タスクにおける转为 AI の自身の問題の 1 つは、単純な変更に対してファイル纯体を繰り返すことが多いことです。同じコンテンツを繰り返すのではなく、前後の違いを努力する「差分」機能に対する想要が无比に高くなっています。

したがって、技术科研成果物には 2 つの目的性があります。まず、技术科研成果物は、努力をどのように、どこで必须とするかを示す定义ポイントとして機能します。これは、スコープの設定や定义ポイントの定義のようなものです。これにより、LLM が元の問題から端点を失うことがなくなり、努力の構造と分類が維持されます。

ボーナスポイントとして、オートコンプリート機能もあります。ベースコードと変更の範囲を定義することで、LLM が相关のタスクまたは問題に、意見を述べてキュレーションされた的方法で话题を当てるように信号灯できるようになりました。これにより、ズームの不規則なシフトがなくなり、進行中の作業全部がプロンプトに代表されます。「残りのコードはここに」と誤ってコードを消去したエンジニアは、感謝します。範囲の設定は、次の場所で確認できます。

「会話の文脈を抜きにして、それ自体で正确理解できる自我完結型の複雑なコンテンツ」

制御されていない冗長な负荷率から具体化的な技术成果物に热点を移しています。会話のコンテキストを無視するように明确的に提示していることは注目に値します。これは、キュレーションされたデータを对比して品質を保証する具体方法です。これは、入力の冗長性とランダム性の可能性就会を制御する品質管控メカニズムです。

これらすべてが、検索用のアーキテクチャと集成化しています。厳選されたアーティファクトの豊富なライブラリを持つことで、制御されたデータセットから検索するようにシステムを指示箭头できるようになりました。すべての大掌 AI プロバイダーが、厳選された高品質のデータへの投資に力を入れていることはわかっています。アーティファクトは、冗長な入力と扭矩是什么を構造化するための一歩です。

プロンプトでは、入力から離れてシステム定義の調査にマッピングすることに目光が当てられていることがわかります。例外基準の例をいくつか示します。

「要用であるかどうかは現在の会話のコンテキストに依存するコンテンツ。ユーザーによって変更または反復される已经性が低いコンテンツ。ユーザーからのリクエストで、一欠限りの質問のようです。

プロンプトは、システムのコンテキストと手元のタスクに積極的に聚焦点を合わせています。プロンプトは、相对に重要的な负荷率に関連しない入力を释明的に包括但不限于しようとしています。したがって、アーティファクトは、转换成されたテキストと、舞台图片裏の構造化データの両方で重要的な按照ポイントとして機能します。これにより、快速路で正確な検索とフォーカスが将会になります。これは、次のような場合に相对に役立ちます...

考え

論理的思索は提取プロセスの首要な那部分です。

プロンプト エンジニアは、信頼性の高い推进力を得るための鍵の 1 つは、LLM に複数のステップから成る構造化された論理的思考问题プロセスの产生を義務付けることだと長い間主張してきました。プロンプトでは、これが仪式に認められています。

「1. アーティファクトを呼び出す前に、<antthinking> タグ内の 1 文で、アーティファクトが良質なアーティファクトと悪質なアーティファクトの基準に照らしてどのように評価されるかについて簡単に考えます。コンテンツがアーティファクトなしでも問題なく機能するかどうかを検討します。アーティファクトに値する場合は、別の文で、それが新しいアーティファクトなのか、既存のアーティファクトの不断更新换代なのか (最も似的的) を判定します。不断更新换代の場合は、以上の識別子を再进行します。

ここでは、タスクと一定出力を定量分析するために、構造化された複数ステップのプロセスを実行することをシステムに義務付けています。ここでも、冗長なコンテンツの強力な定義に向かい、成功物の検索および达成システムを表达しています。

「<antthinking>階乗を計算する Python スクリプトを制作することは、優れたアーティファクトの基準を満たしています。これは、それ自体で解读でき、再借助または変更される情况性が高い自身完結型のコードです。これは新しい会話なので、既存のアーティファクトはありません。したがって、新しいアーティファクトを制作しています。」</antthinking>

<antthinking>このリクエストは、既存の factorial-calculator アーティファクトを一直変更するものです。これは新しいアーティファクトではなく、スクリプトをより堅牢にするための更新系统です。継続性を維持し、コードの進化を示すために、factorial-calculator 識別子を再应用します。</antthinking>

ここでは、定義された压力を绘制するための論理的想法プロセスの実装を見ることができます。アルゴリズムが同じ論理的ステップを踏むようにすることで、インテリジェントで繰り返し可以な绘制プロセスの種が得られます。

このロジックを人間の探讨プロセスにマッピングできます。まず、論理的かつ合理合法的な問題解決アプローチがあります。これをハード アーティファクトで補完します。LLM データ セットは脳ですが、アーティファクトは某些の压力に到達できるようにするスキルと知識です。

競合するモデルをすべて假如すると、それらが論理的反思プロセスの複製に依存していることがわかります。私たちは本質的に、人間の論理的反思プロセスを模倣するロボット脳を制作しています。私たちは、脳を動かす不充足している部门、つまり知識、構造、検索プロセスを構築しています。

これにより、システムのプロンプトと指示器は相当に貴重な資産になります。「論理的考量」の理解是什么と洗練は、转成プロセスの关键な方面です。

コードには、この構造化された重视のいくつかの通常的な実装が見られます...

識別子と検索

アーティファクトの検索と完成は、システム プロンプトの极为重要な部门です。

“<antartifact identifier="factorial-script" type="application/vnd.ant.code" language="python" title="シンプルな Python 階乗スクリプト"> def factorial(n): if n == 0: return 1 else: return n * factorial(n - 1)

では、application/vnd.ant.code とは何でしょうか? アプリケーションは比较に単純で、VND はベンダー、ANT は Anthropic (Claude の弄成者) とコードです。これは、そのアーキテクチャに関する触达です。LLM を食用して人々が達成しようとしているタスクをリストする、ある種の分類法と構造化データを我期待します。

1. コーディングタスク
2. プレゼンテーション
3. 文書
4. 研究分析
5. 他にもたくさんあります...

   
   

たとえば、PowerPoint プレゼンテーションを試すための曝出コードを弄成することもできます。

 <antartifact identifier="powerpoint-presentation" type="application/vnd.ant.presentation" purpose="business" title="Simple powerpoint presentation"> Slide 1: Title slide Slide 2: Introduction Slide 3: Problem statement Slide 4: Solution </antartifact>

これは、製品コードとはまったく異なるものですが、興味深い心情的なパラダイムです。冗長な效率を制御し構造化するには、入力と效率を分類および標準化するための論理的かつ适当合理的なプロセスに面对する必要条件があります。

これは、入力が入ると、エンティティの提取と分類を実行する、別個の実戦で鍛えられたアルゴリズムを実行することを代表しているのではないかと思います。次に、この構造化データは、アセットの検索と认定のプロセスで実行されます。テキストの場合はベクター データベースを操作し、その他の定義済み负荷率の場合は、このアーティファクトの基本特征を導入しました。たとえば、React Code タスクは次のようになります。

 "INPUT: Create a react component for a metrics dashboard", "ENTITY_EXTRACTION: Coding, React, Metrics Dashboard", "ENTITY_SEARCH: Retrieve code artifacts for Metrics Dashboard where type = React", "SYSTEM_PROMPT: create_system_prompt(artifact_id='metrics-dashboard-component', type='application/vnd.ant.code', language='react')"

多くのことが行われており、本質的には無制限の理論上のタスク プールに対して、高品質の例と分類法をキュレートするために、机会效果裏で相应な大変な作業がわかります。これを自動化するために、机会效果裏で他の AI 分類アルゴリズムとの反復処理が行われます。

しかし、私たちが見る限り、その本質は、孤独のテンプレート言語に基づいた、程度な検索および授予システムです。

テンプレート言語構造

入力変数に基づいて変化するレンダリング テンプレート。

私は何年も前に Drupal 開発者としてキャリアをスタートしました。プロンプトを読んで、私の目に飛び込んできた言葉は TWIG でした。Twig は、PHP から HTML でテンプレートをレンダリングするためによく适用される HTML テンプレート言語です。Claude は、構造化データ (おそらく LLM の表面で腾出) に基づいて入力とコンテキストを調整する等同のアプローチをほぼ確実に适用するでしょう。

Claude Sonnet 3.5 も似たようなものを利用しているようですが、これはまったく理にかなっています。LLM へのテキスト入力に基づいて、テキスト ブロックを网络体系的に转换成する有需要があります。これらは、プロンプトを转换成するためにまとめられる動的タグです。

1. <antartifact></antartifact>
2. <アーティファクト情報><アーティファクト情報/>
3. <例></例>
4. <ユーザークエリ></ユーザークエリ>
5. <例のドキュメント内容背景列></例のドキュメント内容背景列>
6. <アシスタントの応答></アシスタントの応答>

   
   

これは、一種の関数呼び出しアプローチを活用します。各タグには某个の效果があります。これは抽像化として機能し、モデルに各某个の效果に適したカテゴリとタイプを見つけるように指示灯します。プロンプトの構築は次のようなものになると思います。大規模な推測可疑コードが届きます...

 function generate_reference() { context=artifact_type, artifact_id, task examples = search_examples_by_type('react', 'hooks', 'current_ids') return structured_data } function generate_system_instruction(structured_data) { <antartifact> <artifacts_info {{ attribute(version, '1.00') }}> <% artifact_introduction %> <% artifact_selection %> <% artifact_elimination %> <% artifact_usage %> <% artifact_instruction {{ type(code, 'data-code') }} {{ type(react, 'data-react') }} %> </ artifacts_info/> <example {{ for react_example in react_code_artifact }}>{react_example }</example> <example_docstring {{ for example_thought_process in curated_artifact_generation_example }}>{example_thought_process }<example_docstring /> <user_query>{sanitized_user_query}</user_query> <assistant_response>{sanitized_user_query}</assistant_response> </antartifact }

これで、审视プロセスがブロックに分开されました。长度な検索と认定にマッピングされたエンティティ排空。論理的な审视プロセスの構築ブロックです。基礎となるデータは、努力の品質の鍵となります。

結論

クロードにとっては小さな工作成果だが、AIにとっては大きな飛躍だ。

コード绘制などの構造化工作效率に対するアーティファクトは、ベクトル検索が RAG に対して行うのと同じようなものです。アーティファクトは、構造化工作效率の検索および获得システムです。

Claude 3.5 には、構造化された正确的な深度思考プロセスの証拠が見られます。これは、Generative AI において关键であると常に予想されていたことですが、これは宣布正式な証明です。

開発者やマーケティング责任感者の大群が、厳選された工作成果物のライブラリを構築する様子が目に浮かびます。このライブラリには、分類、検索、作为のタスクを通じてアクセスします。しかし、真の前進は永続性の原则です。

アーティファクトを扱うことで、一時的なものを超えた参考ポイントが得られます。これは、洗練されて再充分利用できるものです。私たちにはすでに考えと詳細な推进力がありました。そして今、私たちには記憶と専門知識があります...

クロード3.5システム