45種類のAIモデルのシステムプロンプトを比較できる新しいオープンソースリポジトリ

公開されたばかりのGitHubリポジトリが、ほんの1時間ほど前に見つかりました。これは、生成AIの最も見えにくい層の1つであるシステムプロンプトのベールを剥がそうとするものです。System-Prompt-Openと名付けられたこのプロジェクトは、Cursor、Lovable、Perplexity、v0、Traeを含むモデルやツールから45以上のシステムプロンプトをまとめ、ライブギャラリー、関連研究論文、プロンプト分析、セキュリティ研究、レッドチーミング用に構築されたオープンデータセットを提供します。

このリポジトリは、pinchhitterequatorialcurrent101というハンドルネームで公開され、本稿執筆時点では控えめな1つのスターしか付いていません。しかし、その範囲は野心的で、プロンプトエンジニアリング、プロンプト抽出、プロンプト融合、マルチエージェントシステムの動作、LLMセキュリティなど、今日の本番環境のAIアプリケーションがどのように構築され、どのように壊されるかの中核をなすトピックすべてに触れています。

リポジトリに実際に含まれているもの

公開された説明とタグ付けされたトピックに基づくと、このプロジェクトは3つの主要なアセットを中心に構成されています。

• ライブギャラリー：訪問者が数十のモデルのシステムプロンプトを並べて閲覧・比較でき、ローカル環境のセットアップは不要です。
• 付属の研究論文：発見を学術的に位置づけているようですが、その方法論や査読状況はリポジトリのメタデータにはまだ詳しく記載されていません。
• オープンデータセット：下流のプロンプト分析、抽出実験、セキュリティテストのワークフローでの再利用を目的としています。

リポジトリは主にHTMLで記述されており、ライブギャラリー自体が重厚なアプリケーションスタックではなく、静的なWebインターフェースである可能性を示唆しています。トピックタグからは、agents、multi-agent-systems、llm-security、prompt-engineering、prompt-extraction、prompt-fusion、red-teamingといった特定の焦点領域と、Cursor、Lovable、Perplexity、v0、Trae、Cluelyのツール固有タグが明らかになります。

なぜ今システムプロンプトの比較が重要なのか

システムプロンプトは、ユーザーが一言も入力する前にAIモデルの振る舞いを形作る隠れた指示です。口調を設定し、出力を制限し、ツール使用のルールを定義し、ますますエージェント的なワークフローを制御します。しかし、これらの製品を出荷する企業によってそれが開示されることはほとんどありません。この不透明さは、以下のような実際的な下流の問題を引き起こします。

• セキュリティの死角。どのようなガードレールが存在するかが分からないと、レッドチームやセキュリティ研究者は外部から動作をリバースエンジニアリングしなければならず、それは時間がかかりエラーも起こりやすいです。
• 不透明さによるベンダーロックイン。ツールのシステムプロンプトに独自のオーケストレーションロジックが含まれていると、動作の契約が文書化されていないため、別のモデルやプラットフォームへの移行が難しくなります。
• 一貫性のない評価。2つのモデルが同じ質問に異なる答えを返した場合、それはベースモデルなのか、システムプロンプトなのか、それともツール使用の足場なのか？プロンプトの透明性がなければ、原因の特定は推測の域を出ません。

一元化されたオープンな比較データセットは、初期段階のものであっても、開発者や研究者がこれらの変数を分離するのに役立ちます。それが、このリポジトリが埋めようとしている実際のギャップです。

注目すべき人々

このプロジェクトは、洗練された製品の発表ではありません。特定のオーディエンスに最も響く、研究志向のリソースです。

• 競合他社のモデルが内部でどのように動作を制御しているかを理解する必要があるAIファウンダーやプロダクトビルダー。特にエージェント的またはマルチモデルのワークフローを構築する際に重要です。
• ドキュメントの合成例ではなく、実際のシステムプロンプトパターンのリファレンスライブラリを求めるプロンプトエンジニアやLLM運用の実務者。
• 既知のガードレールパターンに対してプロンプトインジェクション、抽出、ジェイルブレイクのテクニックをテストするための構造化データセットを探しているセキュリティ研究者やレッドチーム。
• IDEやコーディングアシスタント（Cursor、Trae、Lovable）がコード生成の動作を形作るためにシステムレベルの指示をどのように構成しているかを評価する開発者ツールの製作者。

SEOを意識するマーケターやコンテンツストラテジストにとって、このリポジトリは、異なるAIツールが隠れた指示層を通じて自らをどのようにポジショニングしているかを垣間見る貴重な機会を提供し、競合コンテンツ分析にも役立ちます。

データセットの実践的なユースケース

公開されたデータセットが適切に構造化されていれば、以下のようないくつかの具体的なワークフローに役立つ可能性があります。

• モデルバージョン間でのシステムプロンプトの差分比較。CursorやPerplexityなどのツールが時間の経過とともに動作指示をどのように変更するかを追跡し、機能の変更や安全性に関するインシデントとの関連性を把握します。
• プロンプト抽出検出器の構築。既知のプロンプトを正解データとして使用し、モデルのシステムプロンプトが不正に抽出されたことを検出するツールのトレーニングや評価を行います。
• エージェントの動作のベンチマーク。マルチエージェントフレームワークを評価する際に、異なるオーケストレーターが使用するシステムプロンプトを比較し、エージェント間で責任がどのように分割されているかを理解します。
• 独自のシステムプロンプト設計への情報提供。OpenAI APIのようなAPI上で構築するチームや、OpenAI Agents SDKを通じてエージェントを展開するチームにとって、本番環境のツールが指示をどのように構成しているかを研究することで、採用する価値のあるパターンや意図的に避けるべきパターンが浮き彫りになります。

留意すべき制限とリスク

このリポジトリの可能性は本物ですが、現在のメタデータからはいくつかの注意点が見て取れます。

• 出来たばかりで未検証。スターは1つだけで、出現から約1時間しか経っていないため、コミュニティによるレビュー、再現、プロンプトの真正性の検証を行う時間はまだありません。
• 抽出方法が不明。リポジトリのトピックタグにはprompt-extractionが含まれており、これらのシステムプロンプトが公式に開示されたものではなく、復元されたものであることを示唆しています。抽出に基づくコレクションの合法性と信頼性は、管轄地域や手法によって異なります。
• メンテナンスのコミットメントが不明。学術的な枠組みを持つ単独貢献者のリポジトリは、関連論文のリリース後に休眠状態になることがあります。モデルの進化に合わせて更新されるかどうかが、長期的な有用性を左右します。
• 古い、または幻覚的なプロンプトの可能性。元のモデルプロバイダーからの確認がないため、データセット内の一部のプロンプトは不完全、古い、または誤って帰属されている可能性があります。