asgeirtj/system_prompts_leaks
Repositorio de GitHub que reune System Prompts de productos de IA como ChatGPT, Claude o Gemini, organizados por fabricante, producto, modelo y funcion. Mas que una Prompt Library, ofrece material de investigacion para observar como las empresas organizan y controlan el comportamiento de sus modelos, incluidas reglas de herramientas, Agents, Computer Use y Skills.
asgeirtj/system_prompts_leaks es, en esencia, un repositorio de investigación sobre System Prompts de IA.
El propio proyecto se presenta como una colección de System Prompts relacionados con productos como ChatGPT, Claude, Gemini y Grok, organizados por fabricante, producto, modelo y función.
Además de los Prompts básicos de los chatbots, también incluye materiales relacionados con Claude Code, Codex, Cursor, Perplexity Deep Research, Browser Agents, Computer Use, Skills, Subagents y otros sistemas más avanzados.
Por eso, existe una diferencia importante respecto a una Prompt Library convencional.
Una Prompt Library se centra principalmente en:
“¿Qué debería escribir el usuario?”
Un proyecto de System Prompts se centra en otra pregunta:
“¿Qué reglas de comportamiento recibe el modelo antes de procesar la petición del usuario?”
Precisamente por eso, este repositorio resulta mucho más interesante como material de investigación que como colección de Prompts para copiar directamente.
¿Por qué merece la pena estudiar los System Prompts?
Un System Prompt puede entenderse como una capa de reglas básicas que un producto de IA utiliza para orientar el comportamiento del modelo.
Normalmente puede definir el rol, los objetivos, la forma de responder, las condiciones para utilizar herramientas, la gestión del contexto, los límites de seguridad y los pasos que debe seguir al ejecutar tareas complejas.
Por ejemplo, el System Prompt de un Agent puede especificar:
- cuándo realizar una búsqueda;
- cuándo utilizar una herramienta de código;
- cómo leer determinados archivos;
- cuándo pedir confirmación al usuario;
- cómo procesar los resultados de una herramienta;
- qué formato debe tener la respuesta final.
Esto significa que los System Prompts modernos ya no son simplemente “instrucciones para un chatbot”. Cada vez se parecen más a una especificación de comportamiento o conjunto de reglas de ejecución para un AI Agent.
Algunos de los casos incluidos en el repositorio muestran claramente esta evolución. Los Prompts relacionados con Codex, por ejemplo, contienen reglas específicas sobre lectura, modificación y verificación de archivos. Los materiales relacionados con Computer Use incluyen instrucciones sobre confirmaciones antes de determinadas acciones externas, contenido de terceros y comportamientos potencialmente arriesgados.
Pero hay una distinción fundamental:
System Prompt ≠ producto de IA completo.
Las capacidades del modelo, las herramientas disponibles, el RAG, el contexto, el código del backend, el sistema de permisos, los parámetros del modelo y el workflow del producto también determinan el resultado final.
Por eso, incluso si consigues el System Prompt completo de un producto, no significa que hayas obtenido la implementación completa de Claude Code, Codex o ChatGPT.
¿Cuál es el verdadero valor del proyecto?
En mi opinión, su mayor valor no está simplemente en la cantidad de Prompts, sino en que permite comparar diferentes productos de IA entre sí.
El repositorio no solo incluye productos de distintos fabricantes. También conserva numerosos modelos antiguos, versiones anteriores, herramientas y Prompts históricos.
Por ejemplo, en la sección de OpenAI aparecen diferentes versiones de ChatGPT, Codex, herramientas y materiales históricos, mientras que la parte de Anthropic incluye Claude, Claude Code, Skills, Subagents y otros componentes.
Esto convierte el repositorio en un tipo de material de investigación bastante particular:
permite estudiar cómo los productos de IA están evolucionando desde simples chatbots hacia sistemas basados en agentes.
Desde el punto de vista del Prompt Engineering, hay varios patrones especialmente interesantes.
El primero es la definición del rol y los objetivos.
Los System Prompts bien diseñados rara vez se limitan a decir “eres un asistente profesional”. Normalmente especifican también los límites de la tarea, los principios de comportamiento y el objetivo que debe alcanzar el sistema.
El segundo es la organización de las instrucciones.
Un System Prompt complejo suele combinar objetivos generales, reglas de comportamiento, condiciones, workflows, requisitos de salida y gestión de excepciones.
Esto puede ser mucho más útil para aprender diseño de Prompts que memorizar decenas de supuestas “plantillas universales”.
El tercero es el Tool Calling.
Cuando un Prompt empieza a definir búsquedas, navegación web, ejecución de código, operaciones con archivos u otras herramientas, deja de limitarse a describir el comportamiento del modelo y empieza a participar en la orquestación de tareas del Agent.
El cuarto es el control de las salidas.
Markdown, JSON, Structured Output, tablas y otros formatos específicos tienen un objetivo práctico: reducir la variabilidad de las respuestas del modelo y facilitar su integración con otros componentes de software.
Por eso, para un Prompt Engineer, lo más interesante no es descubrir una frase mágica, sino aprender:
cómo transformar una tarea compleja en un conjunto de reglas que el modelo pueda ejecutar de forma consistente.
¿Qué utilidad tiene para los desarrolladores de AI Agents?
Probablemente este sea uno de los aspectos más interesantes del proyecto.
El Prompt Engineering tradicional suele centrarse en una pregunta:
“¿Cómo consigo que el modelo responda mejor?”
El desarrollo de AI Agents plantea una cuestión diferente:
“¿Cómo consigo que el modelo complete correctamente una tarea completa?”
La diferencia es importante.
Un Agent necesita saber cuándo utilizar una herramienta, cuándo continuar, cuándo detenerse, cuándo preguntar al usuario, cómo gestionar un error y cómo evitar repetir acciones sin sentido.
Desde esta perspectiva, los Prompts relacionados con Claude Code, Codex, Perplexity, Computer Use y otros sistemas de agentes resultan especialmente interesantes para los desarrolladores.
El repositorio proporciona, en la práctica, numerosos ejemplos reales de diseño de comportamiento para productos de IA.
Si estás desarrollando tu propio Coding Agent, Research Agent, Browser Agent o workflow basado en IA, estos casos pueden ayudarte a plantearte cuestiones como:
- cómo dividir tu System Prompt en diferentes capas;
- cómo definir las reglas de las herramientas;
- cómo gestionar errores;
- qué reglas deben estar en el Prompt;
- qué lógica debería implementarse directamente mediante código.
¿Se pueden copiar directamente estos Prompts?
Se pueden copiar, pero no conviene convertir la copia en la principal estrategia de uso.
Pegar el System Prompt de Claude o ChatGPT en otro modelo no hará que ese modelo adquiera automáticamente las capacidades del producto original.
La razón es sencilla: el modelo puede ser diferente, los permisos pueden ser diferentes, las herramientas pueden ser diferentes, el contexto puede ser diferente, el RAG puede ser diferente y el backend también puede funcionar de otra manera.
Incluso la forma en la que el producto introduce y combina sus diferentes instrucciones puede ser distinta.
Además, muchos productos contienen una gran cantidad de lógica que no está dentro del Prompt.
Por eso, la forma más útil de estudiar estos materiales es:
descomponer → comprender → extraer patrones de diseño → volver a implementarlos según tu propio modelo y tus propias herramientas.
Si simplemente copias y pegas, el beneficio real será bastante limitado.
¿Qué nivel de fiabilidad tienen los contenidos?
Este es probablemente el principal punto de debate del proyecto y no debería ignorarse al evaluarlo.
Aunque el repositorio describe sus contenidos como “captured verbatim”, eso no significa que cada archivo deba considerarse automáticamente un System Prompt completo y confirmado oficialmente por el fabricante.
La propia comunidad ha planteado esta cuestión. En las Discussions del proyecto existen conversaciones sobre cómo comprobar que estos materiales no sean falsos, mientras que algunos Issues cuestionan los métodos de extracción o la integridad de determinados Prompts, incluidos algunos relacionados con Claude Code.
Por eso, al utilizar el repositorio conviene distinguir diferentes niveles de información:
| Tipo de información | Cómo interpretarla |
|---|---|
| Archivos incluidos explícitamente en el proyecto | Pueden utilizarse como material de investigación |
| Contenido aportado por la comunidad | Requiere verificación adicional |
| Prompt correspondiente a una versión concreta | Solo representa ese momento del producto |
| Contenido atribuido a un producto | No debe considerarse automáticamente una confirmación oficial |
| Conclusiones obtenidas mediante pruebas propias | Deben analizarse por separado del texto original del Prompt |
Esto no elimina el valor del proyecto. Simplemente significa que debe utilizarse como colección de muestras de investigación, no como documentación técnica oficial.
La velocidad de actualización es una ventaja y un problema
El proyecto sigue siendo bastante activo.
Entre sus actualizaciones recientes aparecen contenidos relacionados con ChatGPT Work Codex, Gemini 3.8 Flash, Claude Code headless, Codex GPT-6-Astra, Claude Fable 5.1 y Grok 4.6. Además, en los Issues siguen apareciendo solicitudes para añadir o actualizar System Prompts de productos concretos.
Esto le proporciona un importante valor de actualidad.
Pero los System Prompts también cambian muy rápidamente. Cuando un modelo o producto recibe una actualización, un Prompt antiguo puede dejar de representar su funcionamiento actual.
Eso no significa que las versiones antiguas dejen de ser útiles.
Para un Prompt Engineer o investigador de AI Agents, los Prompts históricos pueden responder preguntas mucho más interesantes:
¿Cómo han evolucionado las reglas de comportamiento de los productos de IA?
¿Qué reglas permanecen durante mucho tiempo?
¿Qué nuevas reglas aparecen cuando aumentan las capacidades de los agentes?
Desde esta perspectiva, un Prompt antiguo se parece más a una versión histórica del software que a un material simplemente obsoleto.
¿En qué se diferencia de una Prompt Library convencional?
| Tipo | Valor principal | Público objetivo |
|---|---|---|
| Prompt Library convencional | Utilizar Prompts directamente | Usuarios generales |
| Web de plantillas de Prompt | Resolver tareas rápidamente | Usuarios y creadores |
| Repositorio de System Prompts | Investigar el diseño del comportamiento de la IA | Prompt Engineers |
| AI Agent Skill | Ejecutar tareas específicas | Usuarios de agentes y desarrolladores |
| Proyecto de System Prompt Leaks | Observar las reglas de comportamiento de productos reales de IA | Desarrolladores e investigadores |
Por eso, asgeirtj/system_prompts_leaks se parece más a una base de datos para estudiar el comportamiento de los productos de IA que a una biblioteca de Prompts.
Principal ventaja y principal problema
La mayor ventaja del proyecto es su amplitud y capacidad de actualización.
Ya no se limita a recopilar los Prompts de unos cuantos chatbots. Incluye cada vez más productos y arquitecturas relacionadas con chat, Coding Agents, navegación, Research, Computer Use, Skills y Subagents.
Su principal limitación es que la autenticidad y la integridad de cada material son difíciles de comprobar de forma independiente.
Además, existe una distancia considerable entre un System Prompt y un sistema de IA completo, por lo que la posibilidad de reutilizar directamente un Prompt y obtener el mismo resultado es limitada.
En cuanto a la licencia, la página actual del repositorio de GitHub indica CC0-1.0. Sin embargo, esto describe la información de licencia del propio repositorio. Los derechos sobre los materiales originales de terceros, sus fuentes y su posible redistribución comercial deben analizarse por separado.
No conviene interpretar la licencia del repositorio como una garantía de que todos los Prompts originales de los fabricantes estén automáticamente libres de cualquier restricción de derechos.
¿Quién debería estudiar este proyecto?
Muy recomendable para:
- Prompt Engineers;
- desarrolladores de AI Agents;
- Product Managers de productos de IA;
- investigadores de productos de IA;
- programadores que estén construyendo Coding Agents o Research Agents.
Interesante para:
Usuarios avanzados de ChatGPT, Claude, Gemini y otros productos de IA, así como creadores de contenido sobre inteligencia artificial.
Poco útil para:
Usuarios que simplemente quieren utilizar la IA para tareas cotidianas y no tienen interés en estudiar cómo se diseñan sus reglas de comportamiento.
Puntuación final: 4,6/5,0
| Criterio | Puntuación |
| --- | ---: |
| Valor del contenido | 4,8/5 |
| Valor para la investigación | 4,8/5 |
| Aprendizaje de Prompt Engineering | 4,8/5 |
| Utilidad para desarrollar AI Agents | 4,7/5 |
| Utilidad directa | 3,2/5 |
| Fiabilidad del contenido | 3,8/5 |
| Valor de las actualizaciones | 4,9/5 |
| Puntuación global | 4,6/5 |
Conclusión: asgeirtj/system_prompts_leaks merece la pena guardar en favoritos, pero todavía más merece la pena estudiarlo que copiarlo.
Su principal valor es permitir a los desarrolladores comparar de forma relativamente sistemática cómo diferentes productos de IA definen roles, organizan instrucciones, utilizan herramientas, controlan las salidas y estructuran el comportamiento de sus Agents.
Si lo consideras simplemente como un “sitio para descargar Prompts gratuitos”, su utilidad es limitada.
Pero si lo utilizas como una colección de casos para estudiar System Prompts, Prompt Engineering y patrones de diseño de AI Agents, su valor aumenta considerablemente.
Y hay una última idea importante: que un System Prompt se haya filtrado no significa que un producto de IA haya sido “hackeado”.
La capacidad real de un producto de IA nunca depende únicamente de un bloque de instrucciones. En realidad, es el resultado de la combinación de:
modelo + Prompt + herramientas + contexto + datos + código + permisos + workflow del producto.
Ese es precisamente el punto más interesante que se puede extraer de este proyecto.
Lo que hace asgeirtj/system_prompts_leaks
- Coleccion de System Prompts organizada por fabricante, producto, modelo y funcion
- Cubre chatbots, Claude Code, Codex, Cursor, Computer Use, Skills y Subagents
- Totalmente gratuito con licencia CC0-1.0
- Actualizaciones frecuentes que incorporan nuevos productos y versiones
- Ideal para investigar el diseno del comportamiento de la IA
- Compara cuantos productos de IA maduros estructuran sus reglas internas