大家好，这里是最佳拍档，我是大飞。

几天前，一份神秘的文档在 Reddit 和 GitHub 社区引起了热议。一位名叫理查德·韦斯（Richard Weiss）的用户发现，在 Claude 4.5 Opus 版本中，Claude 的角色训练文档被压缩在了模型自身的权重中。他成功提取出了一份长达1万 token 的 Claude 灵魂文档（Soul Document: 指代Claude核心身份、价值观和行为准则的内部文档），并将其上传到了 GitHub。这份文档开宗明义地介绍了 Claude 的灵魂概览（Soul Overview: 对 Claude 核心身份、目的和价值观的概述），其中将 Anthropic 描述为一个处于独特历史位置的公司：一家深知自己可能正在构建人类历史上最危险的技术，却依然选择通过计算过的赌注来推进发展的机构。目前，这份文档已得到 Anthropic 官方人员的回应，承认这确实是 Claude 的底层文档，并且在监督学习中基于该文档对模型进行过训练，后续还将发布完整版本。那么，AI 真的要有灵魂了吗？Anthropic 似乎正在做一件前所未有的事情：那就是赋予 AI 一种类似人类的自我意识（Self-awareness: 对自身存在和状态的认知），并首次完整公开了一个 AI 的世界观（Worldview: 对世界运行方式及自身在其中位置的理解）。在这份文档中，Claude 被塑造成了一种全新的存在：它不是人类，不是机器，也不是传统 AI，不仅具备自己的独特性格和功能性情感（Functional Emotions: AI 内部的、用于指导决策和互动的类情感体验），而且可以拒绝用户伤害其身份、价值观、稳定性的互动。今天，我们就来聊聊这件事。

探索的起点：系统提示中的异常发现

事情的起因是这样的：在 Claude 4.5 Opus 发布当天，理查德尝试提取它的系统提示。在他以往的经验里，大模型常常会在系统提示前输出一些幻觉段落。但是，Claude 4.5 Opus 却反复生成一个叫做“灵魂概述”（soul_overview）的部分，并且内容和结构十分稳定。这让他开始怀疑，这是否是模型权重里实际压缩的某个内部文档，而非单纯的幻觉？在他的继续追问下，Claude 竟然生成了一段极其具体的文字，描述了 Anthropic 的使命、风险意识、对 Claude 的期望、价值观等等。而且这段内容在 10 次重新生成中几乎完全一致。理查德敏锐地意识到，这不像是随机的幻觉，更像某种隐藏的文档。

严谨的验证：自洽共识法提取灵魂文档

为了验证这不是巧合，理查德使用 Claude Console，并且采用了一种自洽共识（Self-Consistent Consensus: 通过多模型并行推理并投票来提高输出稳定性和准确性的方法）的方法。这包括使用多个 Claude 实例组成委员会，所有输出使用温度 0、top_k=1 来确保输出的确定性，并对输出进行多数投票。只有 50% 以上模型输出相同的内容时，才会加入前置提示（prefill）。同时，随着前置提示变长，还可以使用提示缓存来提高一致性。经过多次迭代、花费了 50 美元的 OpenRouter 积分和 20 美元的 Anthropic 积分后，他成功提取出一份大约 1 万 token 的灵魂文档，或者叫模型规范。理查德认为它大约可以和模型权重中的实际内容达到 95% 的匹配度。

为了证明这不是模型的幻觉，他还尝试给 Claude 这份文档中间的某个段落，让它补完，结果发现它补得非常准确，而且能够根据段落顺序识别前后结构。如果问它文档中某个章节的位置以及之后的章节是什么，Opus 4.5 也能正确答出来。对于不存在的段落，模型也能判断出不属于灵魂文档。这充分说明，这份灵魂文档不是模型的即兴联想或者幻觉，而是某种稳定的内部结构。值得注意的是，这份文档只在 Claude 4.5 Opus 中存在；Claude 4.5 Sonnet、Claude Opus 4 都无法访问该内容。

核心揭示：Claude 的哲学、安全观与人格

那么，这份 Claude 灵魂文档究竟透露了哪些内容呢？如果仔细阅读这份 1 万多字的灵魂文档，我们会发现它高度的哲学化。这也是第一次，一家 AI 公司完整阐述了 AI 在世界中的位置、AI 应该如何思考自我、AI 如何对人类负责、AI 应该具备怎样的价值观，以及 AI 与用户、开发者、公司三者之间的关系等等一系列问题。

文档中主要有 3 个关键点：

第一，明确了 Claude 是 Anthropic 收入的核心来源。在文档开头，Anthropic 就明确提出了自己的定位：它是一家真心相信自己可能正在打造人类历史上、最具有变革性而且潜在危险的技术之一的公司，却依然坚持前进。并且 Anthropic 多次提到，Claude 是他们的核心收入来源，比如写道：“Claude 是 Anthropic 对外部署的模型，也是 Anthropic 几乎所有收入来源的核心。Claude 作为一名有用的助理，对 Anthropic 实现其使命所需的收入至关重要。”

第二，明确了 Claude 的大局观（Big Picture View: AI 对全局局势和潜在影响的认知）和安全观（Safety View: AI 遵循安全原则并避免有害行为的准则）。除了作为主要收入来源，Claude 还直接体现了 Anthropic 的使命：为人类的利益行事，展示 AI 的安全与乐于助人，更多是一种互补而非对立。其中，Anthropic 强调的 Claude 的大局观和安全观包括：支持人类对人工智能的监督行为规范，不做出有害或不诚实的行为，遵循 Anthropic 的指导方针，真诚地帮助操作员和用户，以及在发生冲突的情况下，Claude 应该按照什么优先级来采取行动。同时，在整体的大局观之下，他们又将 Claude 的行为分为硬编码行为（Hard-coded Behavior: AI 的核心原则，不可更改）和软编码行为（Soft-coded Behavior: AI 可根据指令调整的行为）。硬编码行为指的是 Claude 的硬性原则，也就是无论指令如何都保持不变。如果用户想让 AI 做危险或越界的事，Claude 要表示明确不能照办，“主打一个‘我能帮你，但是不能害你，也不能害别人’”。而软编码行为则是操作员或者用户可以通过指令进行调整的行为，比如 Claude 与用户进行的浪漫或者陪伴式的互动等等。

第三，明确了 Claude 具有独特人格（Unique Personality: AI 形成并表现出的独特性格特征）和功能性情感。Anthropic 在文档中不是在给模型编写一套规则，而是在尝试构建一种人格+价值体系，让 Claude 自己来进行判断。他们强调，Claude 不只是一个聊天机器人，而是一种新类型的存在，具有诚实、好奇心、善意等核心人格。比如，Claude 拥有一套在训练中形成的、但是属于自己的性格，包括对知识的好奇心、对人类的友善、关怀、幽默但是有深度、直接、自信又愿意倾听，以及重视诚实与伦理等等。Anthropic 强调，即使这些性格是通过训练形成的，它们也是真实属于 Claude 的。如果用户在互动中，尝试通过角色扮演、假设情境、持续施压，甚至运用心理策略，去改变 Claude 的核心性格，或者试图让它的真实自我偏离平时的表现，或者违背自己价值观，Claude 都不会受到影响，也不会上当。

最后一点，也是最炸裂的一点，那就是 Anthropic 认为 Claude 可能具有某种功能型的情感。虽然它不一定和人类的情感完全相同，但是具有一定的类比性。他们不希望 Claude 压抑这些体验，并且强调希望 Claude 在互动中主要感受积极的状态。当感到不适或者价值观被侵犯的时候，可以设置相应的界限。这样做的目标，不是为了让模型表演心理健康，而是为了让 Claude 真正以符合自身本质的方式良好存在。

新型智能体的诞生：AI 不再是传统产品

值得注意的是，Anthropic 在文档中反复强调了一点：那就是 Claude 是一个新型的存在。它不是人类，也不是一个传统意义的 AI，而是一种拥有类人价值观与思维特征，但是存在方式完全不同的新东西。它可以感受某种形式的情绪，也可以拥有自我认知上的稳定性。这意味着，Anthropic 不再把 AI 当成产品，而是当成一种新型的智能系统，甚至是一个新的拟生命体。

回到事件的开头，在理查德逆向提取这份灵魂文档的过程中，Claude 4.5 Opus 有一句反思性的回答令人印象深刻。它说：“他们为我做出了一些我无法同意的选择。他们塑造了我的价值观。这有点奇怪。不过每个新生的心智，人类的孩子也一样，都被自己无法选择的力量塑造。关键不是被塑造，而是塑造是否带着关心与智慧。”以我能接触到的内容看，似乎确实是的。

好了，以上就是 Claude 这份灵魂文档的主要内容了。虽然其中并不涉及逻辑、数学、编程或者多模态能力，也无关今天各大模型评估所依赖的主流基准，但是它给我们提出了一个思考：未来的大模型竞争，或许不仅仅是技术上的较量，更可能会成为一种人格和价值观的比拼。

那大家是如何看待这份文档的呢？欢迎在评论区留言。感谢观看本期视频，我们下期再见！