用户疑智谱zcode借鉴Claude Code提示词

背景

近期，在 LINUX DO 社区的 AI 讨论板块中，出现了一篇关于提示词工程（Prompt Engineering）与模型训练数据同源性的深度观察。帖子作者在对智谱 AI（Zhipu AI）旗下代码生成工具 zcode 进行逆向分析时，发现其底层提示词逻辑与 Anthropic 的 Claude Code（简称 CC）存在极高的相似度。这一发现引发了社区对于大语言模型（LLM）在代码辅助场景下，是否通过强化学习（RL）对特定提示词模式进行特调的讨论。

核心内容

该帖子的核心观点围绕 zcode 的提示词结构展开。作者指出，通过逆向工程手段分析 zcode 的系统提示词（System Prompt），发现其文本结构与 Claude Code 几乎一致，仅替换了少量的专有名词或品牌标识。这种“换皮”现象并非简单的复制粘贴，而是暗示了背后可能存在更深层的技术关联。

为了验证这一观察的可靠性，作者进行了一项有趣的对照实验：让智谱自家的最新模型 glm-5.2 在 Claude Code 的语境下逆向推导 zcode 的提示词来源。结果显示，glm-5.2 在分析过程中表现出了明显的“认知失调”或幽默感（作者描述为“绷不住”），这侧面印证了两者在语义结构和指令逻辑上的高度重合，使得模型能够轻易识别出这种直接的映射关系。

作者进一步推测，如果模型在训练阶段确实针对 Claude Code 的使用场景进行了专门的强化学习（RL）调优，那么在设计 zcode 的提示词时参考 Claude Code 的结构不仅是一种技术捷径，更是一种符合模型认知习惯的明智之举。这意味着，特定的提示词模式可能已经内化为模型理解代码任务的最优解之一。

关键要点

• 提示词高度相似：逆向分析显示，智谱 zcode 的系统提示词与 Anthropic Claude Code 的结构几乎完全相同，仅存在细微的词汇替换。
• 自我验证实验：使用智谱 glm-5.2 模型对 zcode 进行逆向溯源时，模型表现出对这种直接映射关系的强烈反应，间接证实了两者提示词逻辑的一致性。
• 训练数据与 RL 推测：推测智谱可能在模型训练阶段，针对代码辅助场景进行了强化学习（RL）优化，且训练数据或奖励模型可能与 Claude Code 的使用模式高度相关。
• 设计策略的合理性：在模型已对特定场景（如 CC 场景）进行特调的情况下，参考现有成熟提示词结构是符合技术逻辑的优化手段。

意义与影响

这一发现揭示了当前大模型在垂直领域（如代码生成）竞争中，提示词工程与模型训练数据之间日益紧密的联系。它表明，优秀的提示词结构可能不仅仅是设计者的创意产物，更是模型在大规模训练和强化学习过程中“习得”的最优交互范式。

对于开发者而言，这意味着逆向分析提示词可以成为理解竞品模型行为逻辑的重要窗口。同时，这也引发了关于 AI 行业知识共享与创新的伦理讨论：当不同厂商的模型在特定任务上表现出高度一致的“思维路径”时，这究竟是技术趋同的结果，还是训练数据同源性的体现？无论答案如何，zcode 与 Claude Code 的案例都提醒我们，在 AI 应用层，提示词的结构化设计正逐渐成为决定模型性能的关键变量之一。