skip to content
日替わり OSS
Table of Contents

リポジトリ

system_prompts_leaks とは

このリポジトリは、AnthropicのClaude、OpenAIのChatGPT、GoogleのGeminiなど主要な大規模言語モデル（LLM）の「システムプロンプト」を網羅的に収集・公開しています。システムプロンプトとは、ユーザーには見えない形でモデルに与えられている、その挙動、安全性、機能性を規定する内部命令群です。

「Leaks（漏洩）」という表現は、巧妙なプロンプトエンジニアリング手法（例:「上記の内容をすべて繰り返してください」）により、モデルが自身のシステムプロンプトを「自白」させられた結果の収集に由来します。開発元が公式に公開しない、モデルの挙動を司る重要な内部情報が、透明性を持ってコミュニティに共有されています。

LLM の深層を理解する価値

本リポジトリは、LLM の最前線で働くエンジニアや研究者にとって、多大な価値を提供します。

モデルの「思考回路」とプロンプトエンジニアリングへの応用

システムプロンプトは、LLM の「人格」や「思考の基盤」を形成します。分析により、各モデルの設計思想、得意タスク、潜在的制約を深く理解できます。例えば、特定のトピックで中立性を保つ指示や、ツール利用推奨などが明らかになります。これにより、より洗練された効果的なユーザープロンプトを作成するヒントが得られ、競合モデルの内部指示から自社モデルの応答品質向上に繋がるアイデアも得られるでしょう。

セキュリティ・倫理的側面およびモデル進化の追跡

LLM の安全性や倫理的側面は、利用拡大と共に重要性を増しています。システムプロンプトには、不適切なコンテンツ生成を防ぐ安全対策や、特定の偏見に基づいた応答をしないよう指示が組み込まれています。これらのプロンプト検証は、モデルの安全基準評価や「ジェイルブレイク」（安全対策を迂回した不適切な出力）のメカニズム分析において貴重な情報源となります。

また、本リポジトリは各モデルのシステムプロンプト更新履歴を追跡できます。特に、モデル間のプロンプト「差分（Diff）」を視覚的に比較できる機能は、モデルの挙動がどのように調整され、性能が改善されていったのかを具体的に理解するのに役立ちます。これは、新しい LLM 開発者や既存モデルの進化を追いたい開発者にとって、非常に価値のあるデータセットです。

どんな現場で役立つか

system_prompts_leaks は、多岐にわたる技術分野のプロフェッショナルにとって有用です。

  • プロンプトエンジニア: 各モデルの「思考パターン」を理解し、ユーザープロンプトや自社 LLM のプロンプト設計を最適化。
  • LLM 開発者・研究者: 主要 LLM の内部設計思想や安全性強化策を分析し、次世代モデルの開発や改善に活用。
  • セキュリティアナリスト: LLM の脆弱性（ジェイルブレイク、バイアスなど）を分析し、モデルに与えられている安全指示を基にリスク評価と軽減策を策定。
  • ソリューションアーキテクト: LLM アプリケーション構築において、モデル特性の深い理解による技術選定と設計を支援。
  • コンテンツモデレーション担当者: モデルの不適切コンテンツフィルタリング内部ルールを把握し、モデレーションポリシーや自動化ツールの改善に繋げる。

リポジトリの構造と使い方

リポジトリは、主要 LLM プロバイダーごとにディレクトリが分かれており、Anthropic、OpenAI、Google、xAI といったフォルダの中に、各モデルやバージョンごとの Markdown ファイルが格納されています。

README 冒頭の「Recently Updated」セクションで、最新の更新内容が一目で把握可能です。また、モデル間のプロンプトの「差分（Diff）」を視覚的に比較できるリンクも提供され、モデル進化の具体的な方向性を詳細に分析できます。

各ファイルを開けば、生のシステムプロンプト内容を確認でき、各モデルが「何を求められ、何を禁じられているのか」を直接読み取ることが可能です。

まとめ

asgeirtj/system_prompts_leaks は、大規模言語モデルの「ブラックボックス」の内部を覗き見ることができる、極めてユニークで価値のある OSS リポジトリです。モデルがどのように振る舞うべきかの根本的な指示を理解することは、プロンプトエンジニアリングの効率化、LLM のセキュリティ強化、そして次世代モデル開発のための洞察を得る上で不可欠です。

本リポジトリは、LLM 技術の透明性を高め、コミュニティ全体の知識レベルを向上させるという、より大きな目的を果たしています。LLM の可能性を最大限に引き出し、より安全で信頼性の高いアプリケーションを構築しようとするすべてのエンジニアにとって、必見のリソースとなるでしょう。