Um Novo Repositório de Código Aberto Permite Comparar Prompts de Sistema em 45 Modelos de IA

Um repositório do GitHub recém-publicado, avistado há pouco mais de uma hora, pretende revelar uma das camadas menos visíveis da IA generativa: o prompt de sistema. Chamado de System-Prompt-Open, o projeto reúne mais de 45 prompts de sistema de modelos e ferramentas, incluindo Cursor, Lovable, Perplexity, v0 e Trae, oferecendo uma galeria ao vivo, um artigo de pesquisa complementar e um conjunto de dados aberto criado especificamente para análise de prompts, pesquisa de segurança e red-teaming.

O repositório, criado sob o nome de usuário pinchhitterequatorialcurrent101, tem apenas uma única estrela no momento em que este texto é escrito. Mas seu escopo é ambicioso: aborda engenharia de prompts, extração de prompts, fusão de prompts, comportamento de sistemas multiagentes e segurança de LLMs — todos tópicos que estão no centro de como as aplicações de IA em produção são construídas e quebradas atualmente.

O Que o Repositório Realmente Contém

Com base em sua descrição publicada e nos tópicos marcados, o projeto está estruturado em torno de três ativos principais:

• Uma galeria ao vivo que permite aos visitantes navegar e comparar prompts de sistema em dezenas de modelos lado a lado — sem necessidade de configuração local.
• Um artigo de pesquisa complementar que parece enquadrar as descobertas academicamente, embora sua metodologia e o status de revisão por pares ainda não estejam detalhados nos metadados do repositório.
• Um conjunto de dados aberto destinado à reutilização em análises de prompts, experimentos de extração e fluxos de trabalho de testes de segurança.

O repositório é escrito principalmente em HTML, o que sugere que a própria galeria ao vivo pode ser uma interface web estática, em vez de uma pilha de aplicação pesada. As etiquetas de tópicos revelam as áreas específicas de foco: agentes, sistemas-multiagentes, segurança-de-llm, engenharia-de-prompt, extração-de-prompt, fusão-de-prompt e red-teaming, juntamente com etiquetas específicas para ferramentas como Cursor, Lovable, Perplexity, v0, Trae e Cluely.

Por Que a Comparação de Prompts de Sistema é Importante Neste Momento

Os prompts de sistema são as instruções ocultas que moldam o comportamento de um modelo de IA antes mesmo de o usuário digitar uma palavra. Eles definem o tom, restringem as saídas, estabelecem regras de uso de ferramentas e, cada vez mais, governam fluxos de trabalho agentivos. No entanto, quase nunca são divulgados pelas empresas que lançam esses produtos. Essa opacidade cria problemas reais a jusante:

• Pontos cegos de segurança. Sem saber quais barreiras de proteção existem, as equipes de red team e os pesquisadores de segurança precisam fazer engenharia reversa do comportamento a partir do exterior, o que é lento e propenso a erros.
• Dependência de fornecedor por obscuridade. Quando o prompt de sistema de uma ferramenta contém lógica proprietária de orquestração, migrar para outro modelo ou plataforma torna-se mais difícil porque o contrato comportamental não está documentado.
• Avaliação inconsistente. Se dois modelos respondem à mesma pergunta de forma diferente, a diferença está no modelo base, no prompt de sistema ou na estrutura de uso de ferramentas? Sem transparência de prompt, a atribuição é mera especulação.

Um conjunto de dados de comparação centralizado e aberto — mesmo que em estágio inicial — poderia ajudar desenvolvedores e pesquisadores a isolar essas variáveis. Essa é a lacuna prática que este repositório está tentando preencher.

Quem Deve Prestar Atenção

Este projeto não é o lançamento de um produto refinado. É um recurso alinhado à pesquisa que terá mais ressonância com um público específico:

• Fundadores de IA e construtores de produtos que precisam entender como os modelos dos concorrentes orientam o comportamento internamente, especialmente ao construir fluxos de trabalho agentivos ou multimodelos.
• Engenheiros de prompt e profissionais de operações de LLM que desejam uma biblioteca de referência com padrões reais de prompts de sistema, em vez de exemplos sintéticos da documentação.
• Pesquisadores de segurança e equipes de red team que procuram um conjunto de dados estruturado para testar técnicas de injeção, extração e jailbreak de prompts contra padrões conhecidos de barreiras de proteção.
• Criadores de ferramentas para desenvolvedores que avaliam como IDEs e assistentes de codificação (Cursor, Trae, Lovable) estruturam suas instruções em nível de sistema para moldar o comportamento de geração de código.

Para profissionais de marketing e estrategistas de conteúdo focados em SEO, o repositório também oferece uma visão rara de como diferentes ferramentas de IA se posicionam por meio de sua camada instrucional oculta — o que pode informar a análise competitiva de conteúdo.

Casos de Uso Práticos para o Conjunto de Dados

Se o conjunto de dados publicado for bem estruturado, ele poderá atender a vários fluxos de trabalho concretos:

• Comparar prompts de sistema entre versões de modelos. Acompanhar como uma ferramenta como o Cursor ou o Perplexity altera suas instruções comportamentais ao longo do tempo, o que pode estar correlacionado com mudanças de funcionalidades ou incidentes de segurança.
• Construir detectores de extração de prompts. Usar os prompts conhecidos como referência para treinar ou avaliar ferramentas que detectam quando o prompt de sistema de um modelo foi exfiltrado com sucesso.
• Referência para comportamento de agentes. Ao avaliar frameworks multiagentes, comparar os prompts de sistema usados por diferentes orquestradores para entender como eles dividem a responsabilidade entre os agentes.
• Informar o design do seu próprio prompt de sistema. Para equipes que desenvolvem em APIs como a OpenAI API ou implantam agentes por meio do OpenAI Agents SDK, estudar como as ferramentas de produção estruturam suas instruções pode revelar padrões que vale a pena adotar ou evitar deliberadamente.

Limitações e Riscos a Ter em Mente

O potencial do repositório é real, mas várias bandeiras de cautela são visíveis a partir de seus metadados atuais:

• Novo em folha e não verificado. Com apenas uma estrela e tendo surgido há cerca de uma hora, não houve tempo para revisão da comunidade, replicação ou validação da autenticidade dos prompts.
• Metodologia de extração desconhecida. As etiquetas de tópicos do repositório incluem extração-de-prompt, o que implica que esses prompts de sistema foram recuperados em vez de divulgados oficialmente. A legalidade e a confiabilidade de coleções baseadas em extração variam conforme a jurisdição e a técnica.
• Nenhuma indicação de compromisso de manutenção. Repositórios com um único contribuidor e enquadramento acadêmico às vezes ficam inativos após a publicação do artigo associado. A utilidade a longo prazo depende de atualizações à medida que os modelos evoluem.
• Potencial para prompts desatualizados ou alucinados. Sem confirmação dos provedores originais dos modelos, alguns prompts no conjunto de dados podem estar incompletos, desatualizados ou atribuídos incorretamente.

Qualquer pessoa que utilize este conjunto de dados para decisões em produção deve verificar independentemente os prompts por meio de seus próprios testes antes de confiar neles.

Como Avaliar Ferramentas de IA Através de uma Lente de Consciência de Prompt

Independentemente de este repositório específico se tornar um recurso duradouro, ele destaca uma capacidade que é cada vez mais importante ao avaliar ferramentas de IA para sua pilha tecnológica: a transparência de prompt. Aqui estão perguntas a fazer sobre qualquer produto de IA que você esteja considerando:

• O prompt de sistema é divulgado ou documentado? Algumas plataformas, como GPTs personalizados criados via GPTs by OpenAI, permitem que os criadores compartilhem suas instruções — mas a maioria das ferramentas comerciais não o faz.
• Você pode inspecionar ou substituir o prompt de sistema via API? Ferramentas como a OpenAI API dão aos desenvolvedores controle total sobre o campo de mensagem do sistema, o que é essencial para reprodutibilidade e auditoria de segurança.
• O que acontece quando o prompt de sistema entra em conflito com a entrada do usuário? Testar esse limite revela quão rígidas ou flexíveis são as barreiras de proteção de uma ferramenta, o que tem implicações diretas tanto para a segurança quanto para a usabilidade.
• O provedor tem um histórico de vazamentos de prompts ou incidentes de extração? Uma ferramenta cujo prompt de sistema foi extraído e publicado pode ter um valor de segurança reduzido, já que os atacantes podem estudar suas restrições offline.

Para equipes que desenvolvem em serviços de IA gerenciados, a crescente disponibilidade de conjuntos de dados de comparação de prompts torna mais fácil auditar quais instruções ocultas podem estar em execução dentro dos modelos dos quais você depende — mesmo quando os fornecedores não divulgam voluntariamente essas informações.

Perguntas Frequentes

O que é um prompt de sistema?

Um prompt de sistema é um conjunto de instruções iniciais fornecidas a um modelo de linguagem de grande escala que define seu comportamento, tom, restrições e regras de uso de ferramentas. Ele opera nos bastidores e é tipicamente invisível para os usuários finais.

Por que comparar prompts de sistema entre diferentes modelos?

Comparar prompts de sistema ajuda os pesquisadores a entender como diferentes produtos de IA orientam o comportamento do modelo, identificar padrões e fraquezas de segurança e construir melhores prompts para suas próprias aplicações.

O conjunto de dados System-Prompt-Open é verificado ou oficial?

Não. Os prompts parecem ter sido extraídos em vez de oficialmente divulgados pelos provedores dos modelos. A verificação independente é fortemente recomendada antes de usar os dados para qualquer finalidade em produção.

Quais ferramentas de IA estão incluídas na comparação?

As etiquetas do repositório fazem referência ao Cursor, Lovable, Perplexity, v0, Trae e Cluely, entre outros. Espera-se que a lista completa de mais de 45 modelos esteja disponível na galeria ao vivo e no conjunto de dados.

Esse tipo de conjunto de dados poderia levantar preocupações legais ou éticas?

Sim. A extração de prompts pode violar os termos de serviço de algumas plataformas, e a publicação de prompts extraídos pode ser contestada legalmente. Pesquisadores e profissionais devem avaliar a procedência e a legalidade de qualquer conjunto de dados de prompts que utilizarem.