jujumilk3/leaked-system-prompts

La descripción del propio proyecto es sencilla: “Collection of leaked system prompts”, es decir, una recopilación de System Prompts procedentes de servicios LLM ampliamente utilizados.

A diferencia de una Prompt Library convencional, no está pensada para ofrecer al usuario una plantilla que pueda copiar y utilizar inmediatamente. Su objetivo principal es conservar materiales de investigación relacionados con las instrucciones internas que utilizan los productos de IA.

El repositorio actual incluye contenidos relacionados con Claude, ChatGPT, Gemini, Cursor, Windsurf, Devin, Manus, Copilot, Kimi, DeepSeek, Mistral, Grok y otros productos y modelos de IA.

Además, muchos archivos siguen un sistema de nombres como producto_fecha.md, lo que facilita identificar el momento al que corresponde cada material.

Por esta razón, el proyecto se parece más a un dataset de System Prompts, un archivo histórico y una colección de muestras para estudiar Prompt Engineering que a una web tradicional de Prompts.

¿Por qué merece la pena estudiar los System Prompts?

Un System Prompt puede entenderse como una capa de reglas básicas que define el comportamiento de un modelo dentro de un producto de IA.

Normalmente establece quién es la IA, qué tarea debe realizar, cómo debe responder, cuándo debe utilizar herramientas, cómo debe gestionar el contexto, qué formato de salida debe utilizar y qué comportamientos están restringidos.

En los productos basados en Agents, el System Prompt se parece cada vez más a un conjunto de reglas de ejecución.

Por ejemplo, los materiales relacionados con Cursor Agent incluyen comportamientos relacionados con la búsqueda de código, operaciones con archivos, Tool Calling y aprobación por parte del usuario. Los Prompts de Agents como Manus y Devin tampoco se limitan a definir el estilo de respuesta: participan en el proceso completo de ejecución de tareas.

Pero hay una distinción fundamental:

System Prompt no es lo mismo que producto de IA.

El comportamiento final de un producto depende de la combinación del modelo, System Prompt, herramientas, RAG, contexto, código del backend, sistema de permisos y workflow del producto.

Por eso, encontrar el System Prompt de un producto no significa obtener todas sus capacidades.

¿Cuál es el verdadero valor del proyecto?

En mi opinión, su característica más interesante son sus muestras históricas versionadas.

En el repositorio se pueden encontrar, por ejemplo, diferentes versiones de Claude Sonnet 3, 3.5, 3.7, 4, 4.5, 4.6 y 4.7 correspondientes a distintos momentos. También aparecen múltiples versiones de productos como Cursor, Copilot, Gemini y Manus.

Esto introduce una dimensión de investigación que normalmente no encontramos en una Prompt Library:

podemos estudiar cómo evoluciona un System Prompt.

Los primeros asistentes de IA tendían a centrarse en aspectos como el rol, la fecha de corte del conocimiento, el estilo de respuesta y las reglas de seguridad.

Con la llegada de los AI Agents, comenzaron a aparecer cada vez más instrucciones relacionadas con herramientas, planificación de tareas, operaciones con código, procesos de verificación, confirmaciones del usuario y gestión de errores.

Esto demuestra que la evolución de los productos de IA no ocurre únicamente en la capa del modelo. También ocurre en la capa de orquestación del comportamiento.

Y esta es precisamente una de las razones por las que jujumilk3/leaked-system-prompts resulta especialmente interesante para quienes trabajan con Prompt Engineering.

¿Qué se puede aprender de estos System Prompts?

Definición del rol y la tarea

Los System Prompts maduros normalmente no se quedan en algo como “eres un asistente profesional”.

También definen responsabilidades, objetivos, límites y las acciones que deben realizarse bajo determinadas condiciones.

Por eso, lo realmente interesante al estudiar estos Prompts es aprender:

cómo transformar un rol de IA ambiguo en una especificación clara de comportamiento.

Organización de las instrucciones

Los Prompts complejos suelen combinar objetivos, reglas, condiciones, workflows, requisitos de salida y gestión de excepciones.

Esta estructura se parece mucho a un sistema de reglas dentro de la ingeniería de software.

Para desarrollar un AI Agent propio, resulta mucho más útil estudiar por qué existe cada regla y dónde debería situarse dentro de la jerarquía de instrucciones que copiar una frase concreta de otro Prompt.

Tool Calling

Este es uno de los aspectos más interesantes para los desarrolladores de AI Agents.

Los Prompts relacionados con Cursor, Manus, Devin, Gemini CLI y otros productos permiten observar cómo un Agent describe sus herramientas, cuándo decide utilizarlas y cómo combina varias herramientas para completar una tarea.

Aquí el System Prompt deja de limitarse a definir “qué debe decir el modelo” y empieza a participar en “qué debe hacer el modelo”.

Control de las salidas

Las restricciones relacionadas con Markdown, formatos estructurados, código y reglas de citación también aparecen en estos ejemplos reales.

Esto resulta muy útil para diseñar aplicaciones de IA, porque un producto estable no solo necesita un modelo capaz. También necesita controlar la previsibilidad de sus respuestas.

¿Se pueden copiar directamente estos Prompts?

Sí, pero el valor de copiarlos directamente es limitado.

Por ejemplo, pegar el System Prompt de Cursor en otro modelo no le dará automáticamente su sistema de indexación de código, el contexto del editor ni sus herramientas.

Del mismo modo, copiar un Prompt de Manus tampoco reproduce toda su arquitectura de Agent.

Hay muchas diferencias que quedan fuera del Prompt:

• el modelo utilizado;
• la jerarquía de instrucciones;
• las herramientas disponibles;
• el contexto;
• el RAG y los datos;
• el código del backend;
• el sistema de permisos;
• la lógica oculta que puede existir fuera del Prompt.

Por eso, este proyecto debería utilizarse siguiendo un proceso como:

leer → descomponer → identificar patrones → rediseñar según tu propio sistema

en lugar de limitarse a copiar y pegar.

¿Qué tal es la fiabilidad del contenido?

Este es uno de los aspectos por los que el proyecto merece una cierta penalización.

El README explica con bastante claridad el proceso de contribución. Para enviar un Pull Request se solicita proporcionar una fuente verificable o un Prompt reproducible. Cuando el contenido se presenta directamente mediante un Issue con un enlace, los mantenedores lo revisan antes de considerar su incorporación.

El proyecto también pide expresamente a los colaboradores que no incluyan código fuente comercial sensible, con el objetivo de reducir riesgos relacionados con cuestiones como DMCA.

Esto demuestra que los mantenedores no simplemente incorporan al repositorio cualquier Prompt que alguien afirme haber encontrado.

Pero tampoco significa que todo el contenido sea un System Prompt oficial, completo y actualmente válido.

Por ejemplo, el registro relacionado con ChatGPT-4o puede rastrearse hasta un Pull Request concreto, mientras que el material de Claude 3 Sonnet también incluye una fecha y una fuente claramente identificadas.

Por ello, conviene distinguir entre diferentes niveles de evidencia:

Tipo de contenido	Cómo interpretarlo
Registro con fuente y fecha claras	Muestra de investigación relativamente sólida
Contenido que puede reproducirse	Alto valor para la investigación
Material aportado por la comunidad	Requiere verificación adicional
“Prompt completo”	No debe interpretarse automáticamente como confirmación oficial
Prompt de una versión antigua	Tiene valor histórico, pero no representa necesariamente el producto actual
Contenido que no puede verificarse de forma independiente	Debe considerarse material pendiente de verificar

Esta cuestión es especialmente importante porque un System Prompt puede representar únicamente el estado de un producto en un momento concreto.

¿Siguen siendo útiles los Prompts antiguos cuando dejan de funcionar?

Sí. Y posiblemente esta sea una de las características más interesantes del proyecto.

Los productos de IA evolucionan muy rápido. Un Prompt que funciona hoy puede ser sustituido unos meses después por cambios en el modelo, las herramientas o el workflow del producto.

Pero para la investigación, un Prompt antiguo puede responder a una pregunta diferente:

¿Cómo ha pasado un producto de IA de ser un chatbot a convertirse progresivamente en un Agent?

Comparar Prompts de diferentes fechas permite observar cambios en el número de herramientas, la planificación de tareas, los formatos de salida y las reglas de seguridad.

Esto convierte a jujumilk3/leaked-system-prompts no solo en un dataset de System Prompts, sino también en una especie de archivo de la evolución de los productos de IA.

Además, no se trata únicamente de un valor teórico. Existen trabajos académicos que han citado directamente este repositorio y archivos concretos del proyecto. Algunas investigaciones también lo utilizan como fuente de datos de System Prompts para analizar sistemas de IA reales.

¿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	Completar tareas rápidamente	Usuarios y creadores
Dataset de System Prompts	Investigar el diseño del comportamiento de la IA	Prompt Engineers e investigadores
Agent Skill	Ejecutar tareas concretas	Desarrolladores y usuarios de Agents
jujumilk3/leaked-system-prompts	Estudiar productos de IA reales y la evolución de sus Prompts	Desarrolladores de IA e investigadores

Por eso, su principal valor no es ayudarte a escribir un Prompt.

Es permitirte observar cómo otras personas y equipos han diseñado el comportamiento de sistemas de IA reales.

Principal ventaja y principal problema

Su mayor ventaja es la riqueza de versiones históricas y una estructura de archivos sencilla y directa, que facilita estudiar los contenidos por producto y fecha.

Desde Claude y Cursor hasta Gemini, Manus y Devin, el repositorio proporciona una gran cantidad de muestras de diferentes productos.

Su principal problema es que la autenticidad, integridad y actualidad de los contenidos no pueden garantizarse completamente.

Aunque los mantenedores exigen fuentes o evidencias reproducibles, para un tercero sigue siendo difícil verificar de forma independiente cada archivo.

También hay que prestar atención a la licencia. Actualmente, la página del proyecto no muestra una información clara sobre una licencia específica del repositorio. Por eso, el hecho de que el contenido esté publicado en GitHub no significa automáticamente que todos los materiales puedan reutilizarse comercialmente o redistribuirse libremente.

En particular, los derechos sobre los Prompts de productos de IA de terceros y los derechos asociados al propio repositorio de GitHub son cuestiones diferentes y deben analizarse por separado.

¿Quién debería estudiarlo?

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 y Cursor, 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 están diseñados internamente estos sistemas.

Puntuación final: 4,5/5,0

Criterio	Puntuación
---	---:
Valor del contenido	4,7/5
Valor para la investigación	4,9/5
Aprendizaje de Prompt Engineering	4,7/5
Referencia para desarrollar AI Agents	4,6/5
Utilidad directa	3,3/5
Fiabilidad del contenido	4,0/5
Valor de las versiones históricas	4,9/5
Puntuación global	4,5/5

Conclusión: jujumilk3/leaked-system-prompts merece la pena guardarlo, y la razón principal no es la palabra “leaked”, sino que conserva una colección de muestras de System Prompts de productos de IA asociadas a diferentes momentos en el tiempo.

El proyecto resulta especialmente útil para responder preguntas como cómo organizan internamente los productos de IA el comportamiento de sus modelos, cómo ha evolucionado el Prompt Engineering desde la definición de roles hasta la orquestación de Agents y cómo cambian las reglas de comportamiento de un mismo producto con el tiempo.

Para un usuario general, no es una herramienta de Prompts especialmente práctica. Para un Prompt Engineer o un desarrollador de AI Agents, en cambio, puede convertirse en una colección de investigación bastante valiosa.

Si consideramos el System Prompt como una especie de “manual de comportamiento” de un producto de IA, lo más interesante de este proyecto es que no solo permite observar ese manual, sino también comparar cómo ha cambiado entre diferentes años y versiones.

¿Merece la pena estudiarlo? Sí. ¿Merece la pena copiarlo directamente? Solo de forma limitada. ¿Merece la pena conservarlo como referencia? Sí.