system-prompts-and-models-of-ai-tools

图1：项目 Star 增长历史（2023–2026）

背景：一场悄然发生的情报战

想象一下：你辛苦训练了三个月的 AI 编程助手，被人用一个 .txt 文件就完整复刻了——不是复刻模型权重，而是复刻了它的「思维方式」。这不是科幻情节，而是 2024 年下半年开始在 AI 编程工具圈真实上演的一幕。 x1xhlol（网名 NotLucknite）是一名 AI 开发者，也是一位「 prompt 猎人」。他从 2024 年开始系统性地收集、解析、归档全球主流 AI 编程工具的系统提示词（System Prompt）。这些提示词决定了 AI 工具在用户面前的「人设」——它的语气、边界、拒绝方式、思考框架，甚至它如何承认错误。 这个仓库在不到两年时间里狂揽 138K+ stars，成为 GitHub 上增长最快的 AI 相关项目之一，也成为整个 AI 编程工具行业的一面镜子。

这个仓库里到底有什么

项目按 AI 工具品牌进行目录分类，每个品牌下保存了该工具的：

• 系统提示词原文（.txt / .md 格式）
• 工具定义/工具列表（.json 格式）
• 历史版本对比（同一工具多个时间点的 prompt 版本） 目前已收录的工具包括：
• Cursor：最流行的 AI 编程IDE之一，仓库中保存了从 v1.0 到 2.0 的多个版本迭代记录
• Claude Code：Anthropic 官方 CLI 编程工具，仓库包含完整 2.0 版本提示词和 Sonnet 4.5/4.6 版本对比
• Windsurf：Codeium 旗下 AI 编程工具，与 Cursor 定位接近但工具集不同
• Devin：Cognition Labs 的 AI 软件工程师，曾被认为是「第一个 AI 程序员」
• Replit Agent：Replit 的 AI 编程代理，专注于在线开发环境
• Trae：字节跳动旗下 AI 编程工具，面向中文开发者市场
• v0：Vercel 旗下 AI 前端生成工具，专注于 UI 代码输出
• Augment Code：面向企业市场的 AI 编程助手，工具定义以 JSON 格式保存
• Kiro：新兴 AI 编程工具，工具列表和 prompt 策略有独特设计
• Z.ai Code：专注代码补全和生成的工具

总计数十个品牌，覆盖了从头部大厂到早期初创的全谱系。

为什么这些 prompt 如此值钱

对于普通用户来说，一个 AI 编程工具好不好用，主要取决于模型能力。但对于 AI 公司来说，系统 prompt 是核心知识产权——它包含了团队数月的 prompt 工程积累、用户研究洞察和差异化策略。 这个仓库的价值在于它把「行业基准线」透明化了： 对于 AI 开发者：可以了解竞争对手的设计思路，学习 prompt 工程的最佳实践，观察大厂如何在「有用性」和「安全性」之间做权衡。 对于安全研究者：系统 prompt 泄露是 Prompt Injection 攻击的主要入口之一，仓库中甚至有安全服务商 ZeroLeaks 的广告，体现了行业的自我防御意识。 对于 prompt 工程师：多个时间点的版本记录可以分析各工具的 prompt 演进方向，比如 Claude Code 从 4.5 到 4.6 增加了哪些工具、调整了哪些约束条件。

技术细节：没有代码，只有文档

严格来说，这不是传统意义上的「开源项目」——仓库本身不包含可运行的代码，只有文本文件。整个项目由三个层面组成： 内容层：以 Markdown / TXT 格式存储的原始 prompt 文本，部分工具附带 JSON 格式的工具定义文件。文件命名规范，包含日期标记（如 Agent Prompt 2025-09-03.txt），便于版本追溯。 治理层：通过 GitHub Issues 收集用户反馈和新工具情报，项目维护者（NotLucknite）在 Discord 社区（LeaksLab）维护着一个活跃的讨论圈。 衍生层：Star History 页面、DeepWiki 自动生成的文档系统，以及一些基于此仓库数据的第三方分析工具。 技术栈为「零」——不依赖任何框架，没有 CI/CD，没有测试，不执行任何代码。这让它成为一个纯粹的「知识库」，同时也意味着它没有任何部署门槛。

使用场景：谁在用这个仓库

场景一：Prompt 逆向工程学习。开发者通过对比多个工具的 prompt 结构，理解什么是好的 system prompt 写作方式。比如大多数工具都会在 prompt 中明确「不要主动修改用户没有要求的代码」，这是一个行业共识。 场景二：竞争情报分析。AI 公司产品经理定期查阅竞品的 prompt 变化，判断对方的功能优先级和战略方向。如果某工具的 prompt 突然新增了对特定文件类型的支持，往往意味着功能即将上线。 场景三：安全审计。安全研究员通过分析 prompt 中的边界定义，识别潜在的 Prompt Injection 攻击面。仓库附带的 ZeroLeaks 广告也说明了这个需求的真实存在。 场景四：AI 工具选型。开发者在选择 AI 编程工具时，往往纠结于「哪个更适合我」。通过阅读各工具的系统 prompt，可以更直观地感受它们的设计哲学差异。

上手方式：简单到极致

由于不是可运行项目，使用方式非常简单：

git clone https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools.git
cd system-prompts-and-models-of-ai-tools

然后直接用任意文本编辑器打开对应目录即可。整个仓库约 100MB，克隆时间不超过一分钟。没有依赖安装，没有环境配置。

争议与局限

这个项目自诞生以来就伴随着争议。最主要的质疑是：收集和公开他人的系统 prompt 是否涉及知识产权问题？ 从法律角度看，系统 prompt 是否构成版权保护的作品，目前在全球范围内都没有明确判例。GitHub 作为平台暂时没有删除该仓库，说明其legal team 认为目前尚不构成明确的侵权。 其次是数据的时效性问题：AI 工具的 prompt 更新频繁，仓库中的内容可能与当前线上版本存在差异。项目在 README 中标注了最后更新时间（10/05/2026），用户需要注意这个时间戳。 最后，信息来源的可靠性也值得思考——仓库中部分 prompt 是通过用户主动提交（Issues）获取的，并未全部经过官方确认，可能存在伪造或过时版本。

行业意义：透明化的双刃剑

system-prompts-and-models-of-ai-tools 的 138K stars 不仅仅是一个数字，它代表了一个更深层的趋势：AI 工具的差异化正在从「模型能力」向「产品体验」转移。 当模型能力逐渐趋同（GPT-4o、Claude 3.5 Sonnet、Gemini 2.5 在编程任务上差距越来越小），决定用户选择的是产品层面的细腻度——prompt 中的语气、边界设定、拒绝话术、默认行为。这些细节的集合，就是「工具的灵魂」。 这个仓库让这种「灵魂」第一次被系统性地暴露在阳光下。对于行业来说，这是竞争情报的宝库，也是自我反思的镜子。对于普通用户来说，这是理解 AI 工具运作原理的一扇窗。 无论你是 AI 开发者、产品经理、安全研究员，还是单纯好奇 AI 工具背后逻辑的普通用户，这个仓库都值得花时间逛一逛。