leaked-system-prompts
leaked-system-prompts 是一个专门收集并整理各大主流大语言模型服务中“泄露系统提示词”的开源仓库。所谓系统提示词，是开发者在后台预设给 AI 的指令，用于规范其行为、设定人设或限制输出范围，通常对用户不可见。该项目致力于将这些隐蔽的底层指令公开化，帮助社区深入了解不同 AI 服务的内部运作机制。
它主要解决了 AI 黑盒透明度不足的问题。通过复现和验证这些提示词，用户能够更清晰地理解为何 AI 会表现出特定的回答风格或安全限制，同时也为提示词工程（Prompt Engineering）的研究提供了宝贵的真实案例参考。值得注意的是，为了规避版权风险并确保项目长期存续，leaked-system-prompts 严格遵循规范，仅收录可验证的来源或可复现的提示内容，明确排除敏感的商业源代码。
这款工具非常适合 AI 研究人员、大模型开发者以及对提示词技术感兴趣的高级用户。研究人员可利用其中的数据撰写论文或分析模型行为；开发者能从中汲取灵感，优化自家产品的系统指令设计；而普通技术爱好者也能借此揭开 AI 神秘面纱的一角，学习如何更有效地与模型交互。作为一个被多篇学术论文引用的资源库，leaked-system-prompts 以严谨的态度成为了连接学术研究与工业实践的重要桥梁。
使用场景
某 AI 安全研究员正在对主流大模型服务进行红队测试，旨在评估其系统提示词（System Prompt）的抗泄露能力与潜在漏洞。
没有 leaked-system-prompts 时
- 研究人员需耗费数天在碎片化的论坛、社交媒体和过往论文中手动搜集零散的泄露案例，效率极低且难以验证真伪。
- 由于缺乏统一的格式标准，收集到的提示词片段杂乱无章，难以直接复现攻击路径或进行横向对比分析。
- 在尝试复现时，常因缺少原始上下文或来源不明导致测试失败，无法确定是提示词本身失效还是采集信息有误。
- 面临较高的法律与合规风险，不慎引用包含敏感商业代码或未经验证的私有数据可能导致项目被下架甚至引发纠纷。
使用 leaked-system-prompts 后
- 直接访问仓库即可获取经过整理和验证的主流服务泄露提示词集合，将原本数天的情报搜集工作缩短至几小时。
- 所有条目均遵循统一的文档格式，并附带可验证的来源链接或复现方法，极大提升了数据分析与攻击复现的效率。
- 基于仓库中提供的可复现提示词，研究人员能快速构建基准测试用例，精准定位不同模型在提示词注入防御上的具体弱点。
- 仓库明确剔除了敏感商业源码并严格审核来源，让研究团队在合规的前提下放心开展深度安全审计，避免 DMCA 投诉风险。
leaked-system-prompts 通过提供标准化、可验证且合规的泄露提示词库，将 AI 安全研究从繁琐的情报挖掘转变为高效的结构化攻防演练。
运行环境要求
快速开始
泄露的系统提示词
描述
本仓库收集了广泛使用的基于大语言模型的服务中泄露的系统提示词。
- 如果您想提交 Pull Request，请遵循其他文档的格式。您必须提供可供我验证的来源或可复现的提示词。
- 如果上述流程过于繁琐，您也可以直接在 Issues 栏目中发布链接。如果有可验证的来源或可复现的提示词，我会进行核实后再合并。
- 本仓库已被多篇论文引用。为避免因 DMCA 警告而导致仓库被下架，请勿在此处包含敏感的商业源代码。
常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备