Un nuevo repositorio de código abierto permite comparar los prompts de sistema de 45 modelos de IA

Un repositorio de GitHub recién publicado, detectado hace apenas una hora, pretende descorrer el telón de una de las capas menos visibles de la IA generativa: el prompt de sistema. Bautizado como System-Prompt-Open, el proyecto reúne más de 45 prompts de sistema de modelos y herramientas como Cursor, Lovable, Perplexity, v0 y Trae, ofreciendo una galería interactiva, un artículo de investigación complementario y un conjunto de datos abierto creado específicamente para el análisis de prompts, la investigación en seguridad y las pruebas de red teaming.

El repositorio, creado bajo el alias pinchhitterequatorialcurrent101, cuenta con una única estrella en el momento de redactar este artículo. Pero su alcance es ambicioso: abarca la ingeniería de prompts, la extracción de prompts, la fusión de prompts, el comportamiento de sistemas multiagente y la seguridad de los LLM — todos ellos temas que se sitúan en el centro de cómo se construyen y vulneran hoy las aplicaciones de IA en producción.

Qué contiene realmente el repositorio

Según su descripción publicada y los temas etiquetados, el proyecto se estructura en torno a tres activos principales:

• Una galería interactiva que permite a los visitantes explorar y comparar los prompts de sistema de docenas de modelos simultáneamente — sin necesidad de configuración local.
• Un artículo de investigación complementario que parece enmarcar los hallazgos académicamente, aunque su metodología y estado de revisión por pares aún no se detallan en los metadatos del repositorio.
• Un conjunto de datos abierto destinado a la reutilización en análisis de prompts posteriores, experimentos de extracción y flujos de trabajo de pruebas de seguridad.

El repositorio está escrito principalmente en HTML, lo que sugiere que la galería interactiva en sí puede ser una interfaz web estática en lugar de una pila de aplicaciones pesada. Las etiquetas temáticas revelan las áreas de enfoque específicas: agentes, sistemas-multiagente, seguridad-llm, ingeniería-de-prompts, extracción-de-prompts, fusión-de-prompts y red-teaming, junto con etiquetas específicas de herramientas para Cursor, Lovable, Perplexity, v0, Trae y Cluely.

Por qué la comparación de prompts de sistema es importante ahora mismo

Los prompts de sistema son las instrucciones ocultas que moldean el comportamiento de un modelo de IA antes de que el usuario escriba una sola palabra. Establecen el tono, restringen las salidas, definen las reglas de uso de herramientas y, cada vez más, gobiernan los flujos de trabajo agentivos. Sin embargo, casi nunca son divulgados por las empresas que lanzan estos productos. Esa opacidad genera problemas reales posteriores:

• Puntos ciegos de seguridad. Sin conocer qué barreras de protección existen, los equipos de red team y los investigadores de seguridad deben aplicar ingeniería inversa al comportamiento desde fuera, lo cual es lento y propenso a errores.
• Dependencia del proveedor por opacidad. Cuando el prompt de sistema de una herramienta contiene lógica de orquestación propietaria, migrar a otro modelo o plataforma se vuelve más difícil porque el contrato conductual no está documentado.
• Evaluación inconsistente. Si dos modelos responden a la misma pregunta de manera diferente, ¿se debe al modelo base, al prompt de sistema o a la estructura de uso de herramientas? Sin transparencia en los prompts, la atribución es mera especulación.

Un conjunto de datos de comparación centralizado y abierto — incluso en una etapa temprana — podría ayudar a los desarrolladores e investigadores a aislar estas variables. Esa es la brecha práctica que este repositorio intenta cubrir.

Quién debería prestar atención

Este proyecto no es un lanzamiento de producto pulido. Es un recurso orientado a la investigación que resonará más con un público específico:

• Fundadores de IA y creadores de productos que necesitan comprender cómo los modelos de la competencia dirigen el comportamiento bajo el capó, especialmente al construir flujos de trabajo agentivos o multimodelo.
• Ingenieros de prompts y profesionales de operaciones de LLM que desean una biblioteca de referencia de patrones reales de prompts de sistema del mundo real en lugar de ejemplos sintéticos de documentación.
• Investigadores de seguridad y equipos de red team que buscan un conjunto de datos estructurado para probar técnicas de inyección de prompts, extracción y jailbreak contra patrones de protección conocidos.
• Creadores de herramientas para desarrolladores que evalúan cómo los IDE y asistentes de codificación (Cursor, Trae, Lovable) enmarcan sus instrucciones a nivel de sistema para moldear el comportamiento de generación de código.

Para los especialistas en marketing y estrategas de contenido conscientes del SEO, el repositorio también ofrece una mirada poco común a cómo diferentes herramientas de IA se posicionan a través de su capa instruccional oculta — lo que puede informar el análisis competitivo de contenido.

Casos de uso prácticos para el conjunto de datos

Si el conjunto de datos publicado está bien estructurado, podría servir para varios flujos de trabajo concretos:

• Comparar prompts de sistema entre versiones de modelos. Rastrear cómo una herramienta como Cursor o Perplexity modifica sus instrucciones de comportamiento a lo largo del tiempo, lo que puede correlacionarse con cambios de funcionalidades o incidentes de seguridad.
• Construir detectores de extracción de prompts. Utilizar los prompts conocidos como referencia para entrenar o evaluar herramientas que detecten cuándo el prompt de sistema de un modelo ha sido exfiltrado con éxito.
• Evaluar comparativamente el comportamiento de agentes. Al evaluar marcos multiagente, comparar los prompts de sistema utilizados por diferentes orquestadores para comprender cómo dividen la responsabilidad entre agentes.
• Informar tu propio diseño de prompts de sistema. Para equipos que construyen sobre APIs como la de OpenAI API o despliegan agentes a través del SDK de Agentes de OpenAI, estudiar cómo las herramientas en producción estructuran sus instrucciones puede revelar patrones que vale la pena adoptar o evitar deliberadamente.

Limitaciones y riesgos a tener en cuenta

El potencial del repositorio es real, pero varias señales de precaución son visibles a partir de sus metadatos actuales:

• Completamente nuevo y no verificado. Con solo una estrella y una aparición hace aproximadamente una hora, no ha habido tiempo para la revisión de la comunidad, la replicación o la validación de la autenticidad de los prompts.
• Metodología de extracción desconocida. Las etiquetas temáticas del repositorio incluyen extracción-de-prompts, lo que implica que estos prompts de sistema fueron recuperados en lugar de divulgados oficialmente. La legalidad y fiabilidad de las colecciones basadas en extracción varían según la jurisdicción y la técnica.
• Sin indicios de compromiso de mantenimiento. Los repositorios con un solo colaborador y encuadre académico a veces quedan inactivos después de publicar el artículo asociado. La utilidad a largo plazo depende de actualizaciones a medida que los modelos evolucionan.
• Potencial de prompts obsoletos o alucinados. Sin confirmación de los proveedores originales de los modelos, algunos prompts en el conjunto de datos pueden estar incompletos, desactualizados o atribuidos incorrectamente.

Cualquiera que utilice este conjunto de datos para decisiones en producción debería verificar independientemente los prompts con sus propias pruebas antes de confiar en ellos.

Cómo evaluar herramientas de IA a través de una lente de conciencia de prompts

Independientemente de si este repositorio específico se convierte en un recurso duradero, pone de relieve una capacidad cada vez más importante al evaluar herramientas de IA para tu stack: la transparencia de prompts. Aquí hay preguntas que debes hacer sobre cualquier producto de IA que estés considerando:

• ¿El prompt de sistema está divulgado o documentado? Algunas plataformas, como los GPT personalizados creados a través de GPTs de OpenAI, permiten a los creadores compartir sus instrucciones — pero la mayoría de las herramientas comerciales no lo hacen.
• ¿Puedes inspeccionar o anular el prompt de sistema a través de la API? Herramientas como la API de OpenAI dan a los desarrolladores control total sobre el campo de mensaje del sistema, lo cual es esencial para la reproducibilidad y la auditoría de seguridad.
• ¿Qué sucede cuando el prompt de sistema entra en conflicto con la entrada del usuario? Probar este límite revela cuán rígidas o flexibles son las barreras de protección de una herramienta, lo que tiene implicaciones directas tanto para la seguridad como para la usabilidad.
• ¿Tiene el proveedor un historial de filtraciones de prompts o incidentes de extracción? Una herramienta cuyo prompt de sistema ha sido extraído y publicado puede tener un valor de seguridad reducido, ya que los atacantes pueden estudiar sus restricciones sin conexión.

Para los equipos que construyen sobre servicios de IA gestionados, la creciente disponibilidad de conjuntos de datos de comparación de prompts facilita la auditoría de qué instrucciones ocultas podrían estar ejecutándose dentro de los modelos de los que dependes — incluso cuando los proveedores no ofrecen voluntariamente esa información.

Preguntas frecuentes

¿Qué es un prompt de sistema?

Un prompt de sistema es un conjunto de instrucciones iniciales dadas a un modelo de lenguaje de gran escala que define su comportamiento, tono, restricciones y reglas de uso de herramientas. Opera entre bastidores y normalmente es invisible para los usuarios finales.

¿Por qué comparar los prompts de sistema entre diferentes modelos?

Comparar prompts de sistema ayuda a los investigadores a comprender cómo diferentes productos de IA dirigen el comportamiento del modelo, identificar patrones de seguridad y debilidades, y construir mejores prompts para sus propias aplicaciones.

¿El conjunto de datos de System-Prompt-Open está verificado o es oficial?

No. Los prompts parecen haber sido extraídos en lugar de publicados oficialmente por los proveedores de los modelos. Se recomienda encarecidamente la verificación independiente antes de usar los datos para cualquier propósito en producción.

¿Qué herramientas de IA están cubiertas en la comparación?

Las etiquetas del repositorio hacen referencia a Cursor, Lovable, Perplexity, v0, Trae y Cluely, entre otros. Se espera que la lista completa de más de 45 modelos esté disponible en la galería interactiva y en el conjunto de datos.

¿Podría este tipo de conjunto de datos plantear preocupaciones legales o éticas?

Sí. La extracción de prompts puede violar los términos de servicio de algunas plataformas, y la publicación de prompts extraídos puede ser objeto de controversia legal. Los investigadores y profesionales deben evaluar la procedencia y legalidad de cualquier conjunto de datos de prompts que utilicen.