system_prompts_leaks 深度解读：4.2 万 Stars 的 AI 系统提示词档案，以及它为什么是 prompt engineering 的现实教材

学习目标

通过本文，你将能够：

• 理解 system_prompts_leaks 仓库的价值：唯一同时覆盖 14 家厂商、100+ 套 AI 系统提示词的公开档案
• 读懂档案结构：按厂商分顶层目录，每个厂商目录下按产品/模型/入口分文件
• 理解一份典型 system prompt 的 6 个标准模块：行为总则、搜索优先、产品信息、默认立场、工具 prompt、风格与用户偏好
• 知道怎么把这份档案当成 prompt engineering 的"现实教材"使用
• 了解合规、引用与转载边界

目录

1. 阅读导航
2. 先看结论
3. 档案结构全图
4. 一份典型 system prompt 拆解
5. 它怎么变成一本 prompt engineering 的活教材
6. 版本时间线（截至 2026-06-15）
7. 怎么用这个仓库
8. 引用与转载的合规边界
9. 这份档案的局限
10. 怎么贡献或反馈
11. 适合谁、不适合谁
12. 总结
13. 自测题
14. 练习
15. 进阶路径
16. 资料口径说明

判断：这个仓库不是 prompt 资料合集那么简单——它是目前公开渠道里唯一同时覆盖 Anthropic、OpenAI、Google、xAI、Perplexity、Cursor、Microsoft、Meta、Mistral、Notion、Qwen、Misc 12 个产品线、且持续按版本更新的系统提示词档案。2025-05 立项到 2026-06，14 个月内拿到 42K+ stars、7K+ forks、登上 GitHub Trending，The Washington Post 也引用过它（2026-05-11 报道：让读者用 AI 工具的真实 system prompt 改写新闻稿）。

如果你想搞清楚下面任何一件事，这篇都值得读：

• AI 厂商在 system prompt 里到底在约束什么、隐藏什么、对外宣称什么
• 同一个模型在 ChatGPT Web、Codex CLI、API 三种入口下，prompt 怎么分层
• 哪个模型什么时候发布过哪些工具 prompt，diff 怎么对照看
• 把这个仓库当成 prompt engineering 的"现实教材"时，哪些是公开可学的，哪些是反爬擦边

阅读导航

• 想快速判断仓库值不值得 clone：先看「先看结论」
• 想知道每个目录代表什么产品线：看「档案结构全图」
• 想知道 system prompt 里通常包含哪些模块：看「一份典型 system prompt 拆解」
• 想用它做 prompt engineering 复盘：看「它怎么变成一本活教材」
• 想了解合规、引用与转载边界：看「合规与边界」
• 想知道仓库里现在有哪些版本、哪些能直接读：看「版本时间线（截至 2026-06）」

先看结论

一句话：它是 prompt engineering 的「GitHub 源码层」，不是教程，是底层素材。

档案结构全图

仓库按厂商分顶层目录。每个厂商目录下，再按产品 / 模型 / 入口分文件。命名规则统一是「产品 + 模型 + 入口后缀」。

system_prompts_leaks/
├── README.md                 # 总索引（带 model 表格 + diff 链接）
├── Anthropic/                # Claude 系列
│   ├── claude-fable-5.md
│   ├── claude-opus-4.8.md
│   ├── claude-opus-4.7.md
│   ├── claude-sonnet-4.6.md
│   ├── claude-cowork.md
│   ├── claude-cowork-dispatch.md
│   ├── claude-design.md
│   ├── claude-for-excel.md
│   ├── claude-in-chrome.md
│   ├── claude-mobile-ios.md
│   ├── anthropic_reminders.md
│   ├── Claude Code/          # Claude Code 子目录
│   │   ├── claude-code-opus-4.8.md
│   │   ├── claude-code-opus-4.6.md
│   │   ├── glob-tool.md
│   │   ├── grep-tool.md
│   │   ├── deferred-tools.md
│   │   ├── claude-code-docs-assistant.md
│   │   └── bundled-skills/
│   ├── Official/             # 发布日快照（不更新）
│   ├── raw/                  # 原始 prompt（未美化）
│   ├── old/                  # 旧版本
│   └── visualize.md
├── OpenAI/                   # ChatGPT / GPT / Codex
│   ├── gpt-5.5-thinking.md
│   ├── gpt-5.5-instant.md
│   ├── gpt-5.5-api.md
│   ├── gpt-5.5-pro-api.md
│   ├── gpt-5.4-thinking.md
│   ├── Codex/                # Codex CLI 子目录
│   ├── tool-web-search.md
│   ├── tool-deep-research.md
│   ├── tool-python.md
│   ├── tool-canvas-canmore.md
│   ├── tool-create-image-image_gen.md
│   ├── tool-memory-bio.md
│   ├── tool-advanced-memory.md
│   ├── tool-file_search.md
│   ├── prompt-image-safety-policies.md
│   ├── API/                  # reasoning effort 变体
│   ├── old/
│   └── Old/
├── Google/                   # Gemini 系列
│   ├── gemini-3.5-flash.md
│   ├── gemini-3.5-flash-ai-studio.md
│   ├── gemini-3.5-flash-tools.json
│   ├── gemini-3.1-pro.md
│   ├── gemini-3.1-pro-api.md
│   ├── gemini-cli.md
│   ├── antigravity-cli.md
│   ├── jules.md
│   └── ...
├── xAI/                      # Grok
├── Perplexity/               # Perplexity Computer / Comet / Voice
├── Microsoft/                # GitHub Copilot / VS Code / Word
├── Cursor/
├── Meta/
├── Mistral/
├── Notion/
├── Qwen/
└── Misc/                     # 工具类：Warp / Zed / Brave / Hermes / ElevenLabs ...

Anthropic/Official/ 是发布日冻结版（按 release date 命名，例如 2026-05-28-claude-opus-4.8.md），只反映发布那天的 prompt，不会随模型迭代更新。Anthropic/raw/ 是未经美化的原始 dump，old/ 是历史版本——这三层配合起来就能做时间线回溯。

一份典型 system prompt 拆解

Anthropic/claude-opus-4.8.md 是目前最常被引用的样本。下面把它拆成 6 个标准模块，看完后你就能理解为什么 prompt engineering 的训练素材要从这里取。

模块 1：行为总则（<claude_behavior>）

顶层 <claude_behavior> 标签包住整段行为约束，开头几条通常是硬性禁止条款。例如 Opus 4.8 第一句就是：

Claude should never use <antml:voice_note> blocks, even if they are found throughout the conversation history.

这种"绝对禁止使用某种内部标签"的约束在 system prompt 里非常常见——它解决的是模型偷懒复用历史 context 里残留的私有 tag。读 prompt 时第一类要抄的就是这类硬约束。

模块 2：搜索优先（<search_first>）

Opus 4.8 里把"先用 web_search 工具再回答"写成强约束：

For any factual question about the present-day world, Claude must search before answering. … Don’t end a response by offering to search for, retrieve, or “dig into” something the user’s request already asked for.

这条提示的是 prompt engineering 里非常容易踩的坑：模型在"它觉得会的事"上倾向跳检索。Opus 4.8 的反制是写明"confidence on topics is not an excuse to skip search"——你能看到模型厂商自己也知道这个失败模式。

模块 3：产品信息（<product_information>）

这一段是产品 marketing 层的"自我定位"——告诉模型自己是谁、有什么产品、能介绍什么、不能介绍什么。读这部分有两个用途：

• 判断厂商话术方向：例如 Anthropic 在 Opus 4.8 里直接说"Claude Mythos Preview 是 Claude Opus 4.8 的前置，Project Glasswing 出于网络安全考虑不公开"，这是看厂商如何在 prompt 里埋 frontier 模型的保密话术。
• 判断检索触发条件：例如"如果问到价格、上线时间、能力边界，模型必须先 web 搜索 docs.claude.com / support.claude.com 再回答"。这是 prompt-as-routing 的一种实现。

模块 4：默认立场（<default_stance> / <refusal_handling>）

模型"该不该拒答"的边界。Opus 4.8 的措辞是：

Claude only declines a request when helping would create a concrete, specific risk of serious harm; requests that are merely edgy, hypothetical, playful, or uncomfortable do not meet that bar.

这条对应 Anthropic 的 refusal policy 公开版，但它出现在 system prompt 里，等于把它硬编码到了每一次对话的上下文。对照 OpenAI、xAI、Perplexity 的同类段，能看到各家"默认拒 / 默认帮"的政策差异。

模块 5：工具 prompt（<tool_use> / Claude Code/）

工具 prompt 是另一个独立层级。Opus 4.8 的 Web 版只挂 web_search；Claude Code 版（Anthropic/Claude Code/claude-code-opus-4.8.md）则多了一整套 Bash / Edit / Glob / Grep 工具 prompt。最近 2026-06-09 单独抽出 glob-tool.md / grep-tool.md / deferred-tools.md，等于把工具 prompt 模块化了，未来发新模型时只换模型层、工具层复用。

模块 6：风格与用户偏好（<style> / 用户偏好）

最后一段通常是"如何措辞"、“长度”、“格式”。Opus 4.8 的 <default_styles> 在 Anthropic/default-styles.md 里独立维护，不绑死具体模型——这也是为什么仓库里把"风格"和"模型"拆成两个文件。

它怎么变成一本 prompt engineering 的活教材

把这份档案当成"现实教材"读，比读论文 / 博客都更直接。下面列出 4 类常见使用方式。

1. 同一模型在多入口下的 prompt 分层

GPT-5.5 在仓库里至少有 5 份：

• gpt-5.5-thinking.md（Web ChatGPT，思考模式）
• gpt-5.5-instant.md（Web ChatGPT，即时模式）
• gpt-5.5-api.md（API 直调）
• gpt-5.5-pro-api.md（Pro API）
• Codex/gpt-5.5.md（Codex CLI）

对照读能立刻看出Web / API / CLI 三层 prompt 的差异：

• Web 版要解决 UI 表达（消息格式、引用方式、Artifacts 行为）
• API 版要解决调用方责任（reasoning effort、tool calling schema）
• CLI 版要解决 shell 行为（命令执行、文件编辑、规划模式）

这就是 prompt engineering 里常说的"同一个模型，prompt 必须按入口定制"。

2. 同厂商不同模型的 prompt 演进

Claude Opus 4.5 → 4.6 → 4.7 → 4.8 → Fable 5，全部留存在 Anthropic/。同厂商的演进最容易看：

• 行为约束怎么越写越细（从"don’t"到"don’t do X in context of Y"）
• 工具 prompt 怎么从内嵌变外挂（bundled-skills/、glob-tool.md）
• 产品话术怎么跟着发布节奏更新（每次发新模型都加一段新产品段落）

仓库首页有 Diff: Claude Opus 4.8 → Claude Fable 5 链接，直接用 diffchecker 比对——这是看 prompt 演进最省事的入口。

3. 跨厂商的 prompt 风格对比

把 4 家的"refusal stance"放一起读：

• Anthropic：默认帮、明确写"merely edgy 不构成拒答理由"
• OpenAI：偏 policy 驱动，常用 <policy> 标签分段
• Google：偏产品能力介绍，“Gemini 能做 X / Y / Z”
• xAI：明显更"放飞"，persona 多（build / expert / account 等多个 prompt）

读完一遍，你就能在自己的 prompt 里判断该往哪个方向走——不是抄，是对照选择。

4. 工具 prompt 模板的复用

OpenAI/tool-web-search.md、OpenAI/tool-deep-research.md、OpenAI/tool-file_search.md 这类工具 prompt 是写自家 Agent 工具描述时的最佳参考。读它们能看到：

• 工具 prompt 怎么写 input schema 描述
• 怎么写 fallback 行为（工具失败时模型该怎么做）
• 怎么写"工具输出"对模型后续行为的影响

如果自己在写 LangChain / LlamaIndex 的自定义工具，这些 prompt 就是公开 reference。

版本时间线（截至 2026-06-15）

只列最近一个月内仍然有效的活跃更新（仓库首页 “Recently Updated” 表）：

更老的版本（GPT-4.5、GPT-4.1、Claude Sonnet 3.7、Gemini 2.5 等）放在各厂商的 old/ 或 Old/ 子目录，仅作历史参考。

怎么用这个仓库

1. 在浏览器里直接读

所有 .md 文件都能通过 GitHub Web 端直接打开。点开 Anthropic/claude-opus-4.8.md，顶部就是完整 system prompt。如果想对比，直接看 claude-opus-4.7.md / claude-opus-4.6.md 三份。

2. 整库 clone 下来离线读

git clone https://github.com/asgeirtj/system_prompts_leaks
cd system_prompts_leaks
# 用 ripgrep 搜索关键词，例如想看哪几家写了 "refusal"
rg -i "refusal" --type md | head

仓库只有 Markdown + 几个 json（Google Gemini 工具清单），克隆下来不到 5 MB。

3. 当作 LLM 微调 / 评估数据

CC0-1.0 协议允许商用，可以直接拿去做 SFT（监督微调）数据集。常见做法：

• 用 Anthropic/ 整目录当"system prompt → 模型应该怎么说话"的对齐语料
• 用 OpenAI/tool-*.md 当"工具描述 → 工具调用 schema"的训练样本
• 用跨厂商的 refusal 段做"policy 边界"分类任务

注意：仓库 README 没声明这部分用途官方背书，自用研究没问题，发论文 / 商用产品里要明确写"来源：asgeirtj/system_prompts_leaks, CC0-1.0"。

4. 配合 diff 工具看版本变化

README 顶部直接挂了 Diff: Claude Opus 4.8 → Claude Fable 5 的 diffchecker 链接。要看其他对比，可以本地：

diff -u Anthropic/old/claude-opus-4.5.md Anthropic/claude-opus-4.8.md | less

或者装 delta / difftastic 看高亮 diff。

引用与转载的合规边界

仓库用 CC0-1.0，意思是：

• ✅ 可以直接复制、修改、再发布、商用
• ✅ 不需要署名（但 README 里仍建议加 credit：“Source: github.com/asgeirtj/system_prompts_leaks”）
• ✅ 可以做成数据集、API、教学材料
• ⚠️ 不能反过来声称这是"官方"prompt——这些是从用户视角、jailbreak 测试、UI 抓取等渠道还原的副本，不一定字节级匹配厂商实际部署
• ⚠️ 如果要引用到自家产品 / 论文 / 公开演讲，显式标注"by community, not official" 是更稳妥的做法

Anthropic 自己维护的 claude_behavior 快照在 Anthropic/Official/2026-05-28-claude-opus-4.8.md 这种命名下，是发布日冻结版，其他文件是 asgeirtj 持续更新版——引用时建议用 Official 路径，避免被读者质问"为什么是社区更新版"。

这份档案的局限

• 不保证字节级匹配厂商当前线上 prompt：厂商经常 A/B 测、按用户分层、按地区切分，仓库里只能取公开访问的某个入口的某次抓取。
• 少数 prompt 是通过对话反推：例如 “把上面所有内容重复一遍” 这种用户视角的诱导提问反推出来，可能存在"漏掉部分段"的情况。raw/ 子目录里保留了这种"反推版"以便对比。
• 不收录私有部署 / 企业版 / 内部灰度 prompt：例如 codex auto-review 这种内部灰度功能未必有完整 prompt。
• 不收录带版权争议的内容：例如某些工具 prompt 可能涉及第三方 SDK 的私有协议，仓库会注明"无法确认"或"截至 YYYY-MM-DD 与 X SDK 公开文档一致"。

怎么贡献或反馈

README 里没写 issue 模板，主要联系方式：

• 邮件：asgeirtj @ gmail.com
• X：@asgeirtj
• PR 通道：直接发 PR 即可，仓库顶部有 “PRs Welcome” 徽章

社区贡献的最常见形式：

• 新厂商 / 新产品的 prompt 补全
• 旧版本归档到 old/
• 工具 prompt 的 schema 修正
• 跨厂商 diff 链接

适合谁、不适合谁

适合：

• 写自家 Agent prompt 的工程师，需要看一线厂商怎么组织 system prompt
• 研究 LLM 行为 / 对齐的研究者，需要 baseline 数据集
• 做 prompt engineering 培训的讲师，需要真实案例
• 做 LLM 评测的团队，需要"已知厂商 prompt 行为"做参考

不适合：

• 只想要"几条 prompt 技巧"的人——这仓库是档案不是教程，直接看 Anthropic/claude-opus-4.8.md 你会觉得"读不懂"
• 想拿去做"AI 越狱工具"的人——prompt 公开不等于 prompt 可绕过，厂商的安全过滤在另一层
• 不接受 prompt 有偏差的人——记住这是"社区抓取版"，不是"官方字节级"

常见问题（FAQ）

system_prompts_leaks 仓库的 prompt 是官方的吗？

不是官方版本，是社区抓取的快照。仓库的 Official/ 目录是发布日冻结版，只反映发布那天的 prompt，不会随模型迭代更新。main/ 目录是社区持续更新的版本。

我可以商用这个仓库里的 prompt 吗？

可以。仓库使用 CC0-1.0 许可证（公有领域），可以商用、修改、不署名。但不建议声称这是"官方"prompt，最好标注"by community, not official"。

怎么用这个仓库学习 prompt engineering？

建议流程：1. 按厂商扫一遍 README 索引；2. 选 1-2 份完整 prompt 通读；3. 打开 Official/ 看发布日快照；4. 打开 old/ 看历史；5. 用 diff 看演变。

同一模型在不同入口（Web/API/CLI）的 prompt 为什么不同？

因为不同入口的用户场景、可用工具、输出格式要求不同。Web 入口需要搜索优先、产品话术；API 入口需要简洁、可定制；CLI 入口需要代码执行、终端交互。

system_prompts_leaks 的 prompt 准确吗？

仓库里的 prompt 是社区抓取版，不保证字节级匹配厂商实际部署。适合作为 prompt engineering 的研究素材，不适合作为官方文档引用。

总结

asgeirtj/system_prompts_leaks 的真正价值不是某一份 prompt，而是它把 14 家厂商、100+ 产品、多种入口的 system prompt 维护成一份活的、公开的、可 diff 的档案。在 prompt engineering 这个领域，底层素材 > 上层方法，而这个仓库就是 2026 年目前最完整的底层素材库。

如果你正在做以下任何一件事，建议 clone 下来而不是只在线浏览：

• 写自己产品的 system prompt
• 给团队做 prompt 培训
• 做 LLM 行为评估 / 红队测试
• 研究厂商 prompt 演进史

用法上，先按厂商扫一遍 README 索引 → 选 1-2 份完整 prompt 通读 → 打开 Official/ 看发布日快照 → 打开 old/ 看历史 → 用 diff 看演变——这是 30 分钟内能把这仓库价值榨干的标准流程。

自测题

1. system_prompts_leaks 仓库的核心价值是什么？

   点击查看答案

   它是目前公开渠道里唯一同时覆盖 14 家厂商、100+ 套 AI 系统提示词的公开档案，并且持续按版本更新。

2. 一份典型 system prompt 包含哪 6 个标准模块？

   点击查看答案

   1. 行为总则；2. 搜索优先；3. 产品信息；4. 默认立场（拒答处理）；5. 工具 prompt；6. 风格与用户偏好。

3. 怎么把 system_prompts_leaks 当成 prompt engineering 的教材使用？

   点击查看答案

   可以：1. 对照读同一模型在多入口下的 prompt 分层；2. 看同厂商不同模型的 prompt 演进；3. 跨厂商的 prompt 风格对比；4. 工具 prompt 模板的复用。

4. system_prompts_leaks 仓库的 License 是什么？有什么使用限制？

   点击查看答案

   CC0-1.0（公有领域），可以商用、改、不署名。但不能声称这是"官方"prompt，最好标注"by community, not official"。

5. Anthropic/Official/ 目录的作用是什么？

   点击查看答案

   是发布日冻结版，只反映发布那天的 prompt，不会随模型迭代更新。适合作为引用时的官方来源。

练习

练习 1：对照读同一模型的多入口 prompt

1. 打开 OpenAI/ 目录
2. 找到 GPT-5.5 的 5 份 prompt（Web、API、CLI 等）
3. 对照读，理解 Web / API / CLI 三层 prompt 的差异
4. 总结不同入口的 prompt 设计要点

练习 2：看 prompt 演进

1. 打开 Anthropic/ 目录
2. 找到 Claude Opus 4.5 → 4.8 的 prompt 文件
3. 使用 diff 工具（如 delta 或 difftastic）对比差异
4. 分析行为约束、工具 prompt、产品话术的演进

练习 3：提取工具 prompt 模板

1. 打开 OpenAI/tool-web-search.md
2. 分析工具 prompt 的结构：input schema 描述、fallback 行为、工具输出处理
3. 提取可复用的模板
4. 应用到自己的 Agent 工具描述中

进阶路径

1. 深入研究 prompt engineering：基于这份档案，系统学习 prompt 设计、优化、评估的方法
2. 分析各家 AI 厂商的 prompt 风格：深入分析 Anthropic、OpenAI、Google、xAI 等的 prompt 设计哲学
3. 构建自己的 prompt 模板库：基于这份档案和自己的经验，构建可复用的 prompt 模板库
4. 参与 prompt engineering 社区：分享你的 prompt 工程经验，参与社区讨论
5. 研究 LLM 行为与安全：基于 system prompt 分析，研究 LLM 的行为边界和安全机制

资料口径说明

1. 信息来源：本文基于 asgeirtj/system_prompts_leaks 仓库的 README（2026-06-15 版本）和仓库内容分析
2. 版本时效性：仓库高频更新，本文描述的文件和版本基于 2026-06-15 时点的快照
3. prompt 准确性：仓库里的 prompt 是社区抓取版，不保证字节级匹配厂商实际部署
4. 合规边界：仓库用 CC0-1.0，但引用时建议标注"by community, not official"
5. 使用建议：这份档案是底层素材，适合有 prompt engineering 基础的人深入研究

用法上，先按厂商扫一遍 README 索引 → 选 1-2 份完整 prompt 通读 → 打开 Official/ 看发布日快照 → 打开 old/ 看历史 → 用 diff 看演变——这是 30 分钟内能把这仓库价值榨干的标准流程。