elder-plinius/CL4R1T4S

La orientación de CL4R1T4S es bastante clara: “System Prompt Transparency”.

El proyecto recopila y organiza System Prompts, reglas de comportamiento e instrucciones relacionadas con Agents de diferentes productos de IA. Incluye tanto chatbots como herramientas de programación basadas en IA, entre ellas Cursor y Codex, además de otros productos orientados a agentes.

Esto lo diferencia fundamentalmente de una Prompt Library convencional.

Una Prompt Library responde a la pregunta:

“¿Cómo debería formular su petición el usuario?”

CL4R1T4S se centra en otra cuestión:

“¿Cómo se ha indicado al propio producto de IA que debe comportarse?”

El proyecto también pide a los colaboradores que proporcionen, siempre que sea posible, información como el nombre y la versión del modelo, la fecha de extracción y el contexto.

Esto es especialmente importante porque un System Prompt no es un documento estático. Un mismo producto de IA puede utilizar reglas completamente diferentes según el modelo y el momento.

Por eso, CL4R1T4S se entiende mejor como una combinación de dataset de System Prompts, repositorio de investigación sobre productos de IA y proyecto comunitario de transparencia, y no como una web de plantillas para descargar Prompts y utilizarlos directamente.

¿Por qué merece la pena estudiar los System Prompts?

Los System Prompts de los productos de IA modernos están muy lejos de instrucciones sencillas como “eres un asistente profesional”.

Pueden definir la identidad de la IA, los objetivos de la tarea, el formato de salida, las reglas para utilizar herramientas, los métodos de búsqueda, los procesos para modificar código, la gestión del contexto, el tratamiento de errores y las restricciones de seguridad.

Por ejemplo, el Prompt de Cursor recopilado por CL4R1T4S incluye condiciones para utilizar herramientas, procesos de modificación de código, requisitos para leer archivos y comportamientos relacionados con la corrección de errores.

Esto refleja un cambio importante:

el System Prompt está pasando de ser simplemente un “Prompt” a convertirse en una especificación de comportamiento para un AI Agent.

Para los desarrolladores de Agents, esta evolución es especialmente relevante.

Que un Coding Agent lea primero un archivo, decida cuándo utilizar una herramienta, compruebe el resultado de una modificación o pregunte al usuario antes de realizar determinada acción no depende únicamente de las capacidades del modelo. También depende de cómo se hayan diseñado esas reglas de comportamiento.

Pero hay que evitar un error muy común:

System Prompt no significa producto de IA completo.

Un producto de IA real está compuesto por el modelo, el System Prompt, las herramientas, el RAG, el contexto, el código del backend, el sistema de permisos, los parámetros del modelo y el workflow del producto.

Conseguir un Prompt no significa conseguir Cursor, Claude Code o Codex.

¿Qué valor tiene realmente el contenido de CL4R1T4S?

Uno de los principales valores de CL4R1T4S es que no se limita a los chatbots convencionales.

En el repositorio aparecen Claude, Gemini y Grok, pero también productos de agentes más complejos como Cursor y Codex. Algunos archivos son incluso extremadamente extensos. Por ejemplo, el repositorio actual incluye un archivo del Prompt de GPT-6 Astra Codex de más de 5.000 líneas, mientras que los materiales relacionados con 5.6 Sol también superan las 4.000 líneas.

Lo interesante de estos contenidos no es encontrar una frase “mágica”, sino estudiar cómo un sistema de IA complejo divide y organiza una tarea.

Por ejemplo, podemos observar:

• cómo se define la identidad y el objetivo final de la IA;
• cómo se establecen diferentes niveles de prioridad;
• cómo se describen las herramientas y las condiciones para utilizarlas;
• cómo se organizan las tareas de varios pasos;
• cómo se exige al modelo verificar su propio trabajo;
• cómo se controla el formato de salida;
• cómo se gestionan los conflictos entre las peticiones del usuario y las reglas del sistema.

Para aprender Prompt Engineering, esto puede ser mucho más útil que una colección de “100 Prompts universales”.

¿Qué se puede aprender de CL4R1T4S?

Definición del rol y la tarea

Un buen System Prompt normalmente no se limita a definir un rol. También especifica sus responsabilidades, límites y objetivos de trabajo.

Esto cambia la forma de diseñar un Prompt.

En lugar de escribir simplemente:

“Eres un programador profesional.”

es mucho más útil definir:

qué tarea debe completar, qué comportamiento debe seguir, qué acciones no puede realizar y qué condiciones determinan que el trabajo está terminado.

Organización de las instrucciones

Los System Prompts complejos suelen presentar una estructura bastante clara:

objetivo → principios → condiciones → workflow → herramientas → requisitos de salida → gestión de excepciones.

En muchos sentidos, esto se parece bastante a una especificación de comportamiento dentro de la ingeniería de software.

Para diseñar nuestro propio AI Agent, estudiar esta estructura puede ser mucho más útil que copiar un Prompt enorme de otro producto.

Tool Calling

Este es uno de los aspectos que hacen especialmente interesante a CL4R1T4S para los desarrolladores de AI Agents.

Los Agents modernos no se limitan a generar texto. Constantemente deben decidir:

¿hay que buscar? ¿hay que leer un archivo? ¿hay que ejecutar código? ¿hay que modificar un archivo? ¿hay que continuar con el siguiente paso?

El System Prompt participa en muchas de estas decisiones.

Por eso, analizar los Prompts de productos como Cursor, Codex o Perplexity puede ayudar a comprender cómo diseñar el Tool Calling y la orquestación de tareas.

Los archivos disponibles en CL4R1T4S contienen numerosas reglas relacionadas con herramientas, no solo definiciones tradicionales de personalidad o rol.

Control de las salidas

Markdown, JSON, resultados estructurados y reglas de citación son, en esencia, mecanismos para reducir la incertidumbre de las respuestas del modelo.

Los materiales relacionados con Gemini, Claude y otros productos muestran cómo pueden establecerse restricciones específicas sobre búsqueda, citas, formato de salida y procesamiento de contenidos.

Para desarrollar aplicaciones de IA estables, este tipo de diseño tiene un valor práctico considerable.

¿Se pueden copiar directamente estos Prompts?

Se pueden utilizar como referencia, pero no es recomendable copiarlos sin más.

Introducir el System Prompt de Cursor en otro modelo no convierte ese modelo en Cursor. Del mismo modo, introducir el Prompt de Claude en otro modelo no reproduce automáticamente el comportamiento de Claude.

Las razones son numerosas: modelos diferentes, diferentes niveles de Prompt, herramientas distintas, contextos diferentes, RAG diferente y, además, código y sistemas de permisos completamente distintos.

En los productos basados en Agents, el Prompt suele ser solamente una parte del runtime completo.

Por eso, la forma más adecuada de utilizar CL4R1T4S es:

observar casos reales → identificar patrones de diseño → entender por qué se utilizan → volver a implementarlos con tu propio modelo y tus propias herramientas.

No limitarse a copiar y pegar.

¿Son fiables los contenidos?

Esta es probablemente la principal limitación de CL4R1T4S y un aspecto que no debería ignorarse al evaluar el proyecto.

Los materiales del repositorio no pueden considerarse automáticamente System Prompts oficiales publicados por los fabricantes.

El proyecto depende en buena medida de contribuciones de la comunidad. En Issues y Pull Requests se pueden encontrar nuevas propuestas de Prompts, así como debates sobre los métodos de extracción y su autenticidad.

Por ejemplo, el Issue #101 plantea directamente una cuestión importante: si los colaboradores pueden enviar contenidos, ¿cómo se evita que alguien aporte un Prompt falso?

Al mismo tiempo, el proyecto intenta mejorar la calidad de los materiales mediante información sobre la versión del modelo, la fecha y el contexto de extracción. Algunas Pull Requests registran explícitamente estos datos.

Por eso, una forma más razonable de evaluar la información sería:

Tipo de información	Cómo interpretarla
Archivos incluidos en el repositorio	Material de investigación que existe dentro del proyecto
Contenido con versión y fecha claramente indicadas	Más adecuado para estudiar versiones
Contribuciones de la comunidad	Requieren verificación independiente
“System Prompt completo”	No debe considerarse automáticamente una confirmación oficial
Prompt de una versión antigua	Tiene valor histórico, pero no representa necesariamente el producto actual
Valoraciones del autor del proyecto	Deben separarse de los hechos que puedan verificarse

Incluso existen nombres de archivos que reflejan explícitamente cierto grado de incertidumbre, como “Complete System Prompt Reconstruction (~100% Verbatim Attempt)”.

Este tipo de denominación ya es una señal importante para el lector: algunos materiales pueden ser reconstrucciones o intentos de reproducir el contenido original con la mayor fidelidad posible, en lugar de documentos publicados oficialmente por el fabricante.

¿Los System Prompts quedan obsoletos rápidamente?

Sí.

Los productos de IA evolucionan muy rápido. Cuando cambian los modelos, las herramientas o los workflows de los Agents, un System Prompt antiguo puede dejar de representar el comportamiento actual del producto.

Pero eso no significa que los Prompts históricos pierdan todo su valor.

Para los investigadores, las versiones antiguas pueden servir para estudiar:

cómo evolucionan las reglas de comportamiento de los productos de IA.

Por ejemplo, un chatbot antiguo puede centrarse principalmente en el estilo de respuesta y las reglas de seguridad, mientras que un Coding Agent posterior puede incorporar numerosas instrucciones sobre Tool Calling, verificación del código, operaciones con archivos y planificación de tareas.

En cierto modo, estas versiones documentan la transición de la IA desde el chatbot hacia el Agent.

¿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 concretas rápidamente	Usuarios y creadores
Dataset de System Prompts	Investigar el comportamiento de los modelos	Prompt Engineers e investigadores
Agent Skill	Ejecutar tareas específicas	Usuarios de Agents y desarrolladores
CL4R1T4S	Observar el diseño del comportamiento de productos reales de IA	Desarrolladores, investigadores y profesionales de producto

Por eso, el objetivo principal de CL4R1T4S no es ayudarte a escribir un Prompt mejor.

Su verdadero valor está en ayudarte a comprender los métodos de Prompt Engineering utilizados detrás de productos de IA complejos.

Principal ventaja y principal problema

La mayor ventaja de CL4R1T4S es la amplitud de contenidos, la cantidad de casos relacionados con Agents complejos y la actividad de su comunidad.

El proyecto ya cubre mucho más que chatbots: incluye Coding Agents, Tool Calling y workflows complejos, y continúa recibiendo Pull Requests, Issues y nuevas versiones.

Su principal desventaja es que la autenticidad, integridad y situación legal de los materiales no pueden resolverse completamente desde el propio repositorio de GitHub.

La licencia también merece atención. Actualmente, el repositorio utiliza AGPL-3.0.

Esto no debería interpretarse simplemente como “todo lo que aparece en GitHub puede copiarse comercialmente sin restricciones”.

En particular, los derechos sobre los Prompts de productos de IA de terceros y la licencia del código o contenido del repositorio son cuestiones diferentes. Antes de reutilizar comercialmente un Prompt concreto, conviene comprobar por separado su origen y las condiciones aplicables.

¿Quién debería estudiar CL4R1T4S?

Muy recomendable para:

Prompt Engineers, desarrolladores de AI Agents, Product Managers de productos de IA, investigadores de productos de IA, desarrolladores de IA y programadores que estén construyendo Coding Agents, Research Agents o Browser Agents.

Interesante para:

Usuarios avanzados de ChatGPT, Claude, Gemini, Cursor y otros productos de IA, además de creadores de contenido sobre inteligencia artificial.

Poco útil para:

Usuarios que simplemente quieren utilizar la IA para completar tareas y no tienen interés en comprender cómo funciona internamente.

Puntuación final: 4,7/5,0

Criterio	Puntuación
---	---:
Valor del contenido	4,9/5
Valor para la investigación	4,9/5
Aprendizaje de Prompt Engineering	4,8/5
Referencia para desarrollar AI Agents	4,9/5
Utilidad directa	3,3/5
Fiabilidad del contenido	3,7/5
Valor de las actualizaciones	4,8/5
Puntuación global	4,7/5

Conclusión: CL4R1T4S merece mucho la pena guardarlo en favoritos, pero debe entenderse como una base de datos para estudiar el comportamiento de los productos de IA, no como un sitio para descargar Prompts.

Su mayor valor consiste en poner delante de los desarrolladores ejemplos reales de System Prompts, reglas de Agents y comportamientos relacionados con herramientas. Esto permite observar cómo los sistemas de IA avanzados definen roles, organizan instrucciones, utilizan herramientas y establecen límites para los modelos.

Pero también existe una trampa importante: no conviene tratar todos los contenidos del repositorio como System Prompts oficiales y completos, ni pensar que conseguir un Prompt equivale a conseguir el producto de IA que lo utiliza.

Para un usuario general, el beneficio de estudiarlo es limitado. Para un Prompt Engineer o un desarrollador de AI Agents, en cambio, puede convertirse en una colección de casos muy valiosa.

Si tu objetivo es aprender sobre System Prompts, Prompt Engineering y diseño de AI Agents, CL4R1T4S merece la pena. Si simplemente buscas una biblioteca de Prompts que puedas copiar para “hacer más potente” otro modelo, probablemente no sea el recurso más adecuado.