已验证65% 置信事实精确时间
LLM无法从结构层面区分指令与数据，因为两者都以自然语言形式存在于同一上下文窗口中
3
来源数
65%
置信度
长期有效
时效性
2026/7/6
首次发现
来源
Anthropic提示注入争议解析：系统提示透明度之争
hackernewshackernews2026/7/5
相关事实
待验证LLM在架构层面无法区分可信指令和不可信输入，因为其将系统指令和用户输入作为同一个文本序列处理，类似参数化查询的纯技术解决方案至今尚未出现78% 相似待验证大语言模型无法从结构上区分用户指令和内容中夹带的指令，因为两者对模型而言都是同一个token序列的一部分76% 相似待验证与 SQL 注入类似，提示词注入利用的是系统对'输入'与'指令'的混淆，但区别在于 LLM 没有严格的数据/代码分离机制，所有文本共享同一语义通道。71% 相似待验证LLM节点通常仅在解析纯自然语言输入或上游输出不明确、下游分支太多无法用if-else判断时使用，上游为结构化数据时应用code节点71% 相似待验证提示注入攻击的根源在于LLM在推理时无法从语义层面可靠区分「系统指令」与「用户数据」，两者均以自然语言形式存在于同一上下文窗口中71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/113858API
curl https://kongchang.com/api/v1/knowledge/claims/113858MCP
get_claim(id=113858)