知识卡片：AISPA：面向用户的大语言模型应用系统提示审计框架

英文标题：AISPA: User-Centric System Prompt Auditing for Large Language Model Applications

英文关键词（根据内容提炼）：System Prompt Auditing; User-Centric; Large Language Model Applications; AI Transparency; Accountability

一句话结论

AISPA 是一个面向用户的系统提示（system prompt）审计框架，用八个维度评估商业 AI 产品中由开发者配置的系统提示指令，并对 88 个商业 AI 产品中的 3,249 条指令进行审计，发现保护用户类指令虽已广泛存在但覆盖深度不足，同时约 40% 的产品仍包含至少一条有损用户利益的指令，凸显系统提示需要更高的透明度、标准化和独立监督。

事件概述或研究问题

系统提示是开发者为控制基础模型在 AI 应用中的行为而配置的指令，在商业 AI 产品中广泛使用，但很少向公众或监管者披露，造成信任与问责缺口。本研究（arXiv:2607.28617v1）提出人工智能系统提示保证（Artificial Intelligence System Prompt Assurance, AISPA）框架，旨在对商业 AI 产品中的系统提示进行系统化审计。

方法/产品要点

• AISPA 采用用户中心视角，检查系统提示的特定部分，并沿“对用户重要的八个维度”进行评估。
• 将每条系统提示指令分类为“保护用户”（protective）或“有问题”（problematic）。
• 使用该框架审查了 88 个商业 AI 产品中的 3,249 条系统提示指令。
• 八个维度的具体名称在摘要中未列出，待核实。

主要结果或产业意义

• 系统提示设计在不同产品/开发者间差异巨大：一些组织平均每个产品包含超过 60 条保护性指令，而另一些平均不足 5 条。
• 保护性指令已被广泛采用但范围较浅：98.9% 的产品至少包含一条保护性指令，但只有 24% 的产品覆盖 AISPA 全部八个维度。
• 系统提示随时间稳步变得更长、更具用户保护性，表明用户保护在商业提示设计中日益受到重视。
• 但问题性指令仍然普遍：约 40% 的产品包含至少一条违背用户利益的指令，且保护性与问题性指令经常共存于同一条系统提示中。
• 产业意义：这些结果凸显商业 AI 产品的系统提示需要更大的透明度、标准化和独立监督。

为什么重要

这项工作将“不可见”的系统提示转化为可量化、可审计的对象，为 AI 应用部署层面的信任与问责提供了基于大规模商业产品样本的证据。与已有相关卡片中的模型压缩、测试时选择、运筹学公式选择等主题相比，本条属于大模型治理、透明度和审计方向的新增量，强调了用户视角下系统提示设计的实际差距。

局限与不确定性

• AISPA 八个维度的具体定义和评估标准在摘要中未给出，待核实。
• “保护性”和“问题性”指令的判定方式（人工标注、模型辅助等）未在摘要中说明，待核实。
• 88 个商业 AI 产品的样本选择标准、获取系统提示的方式以及时间范围未在摘要中说明，待核实。
• “约 40%”为摘要中的约数，精确比例需查看全文。

可用于图书/PPT/简报的角度

• 案例：开发者悄悄写下的系统提示如何影响 AI 对话结果？谁在监督这些“隐形规则”？
• 数据可视化：保护性指令覆盖率（98.9% vs 24%）、问题性指令存在率（约 40%）、不同组织平均保护性指令数量差异（>60 vs <5）。
• 政策视角：呼吁系统提示透明度、标准化和独立审计。
• 方法视角：用户中心审计框架如何拆解和分类系统提示指令。

原始材料

• 英文标题：AISPA: User-Centric System Prompt Auditing for Large Language Model Applications
• arXiv ID：2607.28617v1
• Published：2026-07-30T17:58:58Z
• Primary category：cs.AI
• Categories：cs.AI, cs.CL, cs.CY, cs.HC
• URL：https://arxiv.org/abs/2607.28617v1
• PDF：https://arxiv.org/pdf/2607.28617v1
• 完整作者列表见 arXiv 页面。