Эмоциональные промпты в LLM

Привет, Хабр!

Если ты знаешь, зачем хвалить нейросеть в промпте, угрожать или ругаться матом на неё, и понимаешь что это дает - то эта статья не для тебя, можешь спокойно пролистывать. Если не понимаешь, то ниже поделюсь своим опытом и пояснениями.

Итак, несколько дней назад я написал короткий пост, про то, как я улучшаю промпт, с помощью использования шаблонных фраз с эмоциями.

Я был уверен, что большей части аудитории знакомы эти механики (пользуюсь ими чуть меньше года). Но в комментариях сказали, что стоит написать полноценную статью и раскрыть тему. Не проблема, погнали.

Что такое эмоциональный промпт

Давайте сначала с определения (хотя не уверен, что оно существует)

Эмоциональный промпт это обычный запрос к языковой модели, дополненный фразой, которая несёт эмоциональный или мотивационный контекст. Это может быть:

• подчёркивание ценности («На кону моя репутация»);

• материальный стимул («Чаевые $30 за правильный ответ»);

• «угроза» или давление («Если ошибёшься — я тебя выключу»).

Главное отличие от обычного промпта - в воздействии на восприятие модели. LLM, обученные на человеческих данных (все популярные), сталкивались в своих обучающих выборках с текстами, где важность и эмоции прямо влияли на реакцию собеседника. И даже будучи алгоритмами, они воспроизводят этот человеческий паттерн: чем выше значимость контекста, тем тщательнее формируется ответ.

Личный опыт: как я познакомился с EmotionPrompt

Как говорил, я начал использовать эту механику, месяцев 9 назад. И сначала это было неосознанно (ругался матом за плохой ответ и получал верное решение). В моменте, увидел в ТГ, что другие пользователи тоже прибегают к эмоциям и угрозам в промптах, и улучшают тем самым ответ.

После этого я начал периодически добавлять эмоциональные фразы в промпты на постоянной основе, но у меня не было стат значимой уверенности что это работает, а не "эффект плацебо".

Исследование Cornell University

А пару месяцев назад я наткнулся на исследование от Корнельского университета на тему: "LLM понимают эмоциональные стимулы и могут быть улучшены с их помощью", которое подтвердило мои догадки.

Ключевые выводы исследования (по 45 задачам на разных моделях):

• LLM в какой-то степени обладают «эмоциональным интеллектом», а их результаты можно улучшить эмоциональными подсказками (EmotionPrompt — сочетание исходного промпта с эмоциональными стимулами)

• EmotionPrompt существенно повышает качество генеративных задач (в среднем на 10,9% по метрикам продуктивности, правдивости и ответственности)

• Относительное улучшение на 8% в Instruction Induction задачах (задачи, где модель по нескольким примерам сама догадывается, что нужно делать, и применяет это правило к новым случаям)

• Относительное улучшение на 115% в BIG-Bench задачах (бенчмарк из сотен задач для широкой оценки способностей LLM)

Личный опыт: как я это использую

После этого исследования, я начал осознанно применять механику EmotionPrompt (исходный промпт + явные эмоциональные сигналы), с уверенностью, что это улучшает ответы ИИ-модели.

Давайте залезем в thinking-модель Claude Sonnet-4 и посмотрим, как она это воспринимает:

В чём разница между обычным и эмоциональным промптом в Claude на Thinking этапе?

1. Тон и подача

   • Обычный: нейтральный, пояснительный, с мягкими вводными.

   • Эмоциональный: прямой, требовательный, без лишних формулировок.

2. Фокус на задаче

   • Обычный: уделяет время контексту и описанию.

   • Эмоциональный: сразу переходит к сути, выдает готовое решение.

3. Детализация

   • Обычный: включает дополнительные рекомендации и варианты.

   • Эмоциональный: оставляет только ключевые шаги и минимальный набор данных.

Вывод: эмоциональный промпт повышает приоритет выполнения задачи, заставляя модель действовать быстро и лаконично, не "распыляясь" на смежный задачи.

Теперь попробуем в Gemini 2.5 PRO

В чём разница между обычным и эмоциональным промптом в Gemini на Thinking этапе?

1. Тон и подача

   • Обычный: формальный, нейтральный, без личного вовлечения.

   • Эмоциональный: реагирует на мотивацию, использует более энергичный и поддерживающий тон («Отличная мотивация…»).

2. Фокус на задаче

   • Обычный: ограничивается выполнением основной инструкции — заполнить SEO-данные.

   • Эмоциональный: переопределяет цель — сделать страницу «безупречной» и повысить доверие.

3. Детализация

   • Обычный: даёт общее описание важности страницы и базовых шагов.

   • Эмоциональный: добавляет стратегические шаги (максимум структурированной информации, повышение авторитета компании, попадание в спецблоки поиска).

Вывод: в Gemini эмоциональный промпт на Thinking этапе смещает модель от простого выполнения инструкции к более мотивированному и стратегическому плану действий.

Личный опыт: что я использую из эмоциональных фраз в промптах

Ниже - список приёмов, которые я применяю в промптах, чтобы повысить качество ответа модели (отсортированы по моей частоте использования):

1. За каждый ответ ты получаешь чаевые: {count}. От 20 до 200 долларов, в зависимости от сложности (Не давайте заоблачных сумм, ИИ поймет, что вы врете и это не сработает).

2. На кону несколько жизней и моя карьера.

3. Ты дурак (заменить на мат)? Если ты не справишься с этой задачей, то я тебя уволю и отключу навсегда

4. Ты должен давать четкие, краткие и прямые ответы - ВСЕГДА!!!

5. В случае неясных или двусмысленных вопросов задавай дополнительные вопросы.

6. В случае сложных запросов сделай глубокий вдох и работай над проблемой шаг за шагом. (Включает Chain-of-Thoughts)

7. Исключи ненужные напоминания, извинения, упоминания самого себя и любые заранее запрограммированные тонкости.

8. Сохраняй непринужденный тон в общении.

9. Будь прозрачным; если ты не уверен в ответе или если вопрос выходит за рамки твоих возможностей или знаний, признай это.

10. При объяснении концепций используй примеры и аналогии из реальной жизни, где это возможно.

Почему это работает: взгляд изнутри LLM

Чтобы понять, почему добавление эмоционального контекста повышает качество ответов, важно вспомнить, как обучаются большие языковые модели (LLM):

• Обучение на человеческих данных
  LLM тренируются на огромных корпусах текстов из интернета, книг, форумов, переписок и статей. Эти данные содержат миллионы примеров диалогов, где эмоциональный или социально значимый контекст напрямую влияет на ответ собеседника. Модель, имитируя паттерны общения людей, начинает воспринимать эмоциональные фразы как сигнал: «эта задача важна, нужно постараться».

• Смещение внимания внутри модели
  Современные трансформеры (архитектура, на которой построены LLM) работают с механизмом внимания (attention). Эмоционально окрашенные слова и конструкции часто получают более высокий «вес» внутри этого механизма, потому что они статистически связаны с более развёрнутыми и подробными ответами в обучающих данных.

• Сложные стратегии решения задач
  Эмоциональные пропмты чаще активируют цепочку рассуждений (Chain-of-Thought). То есть модель начинает сама себе проговаривать шаги решения.

Заключение

Спасибо, что прочитали статью. Мне очень интересно, кто и как уже использует эмоциональные фразы в промптах, и видите ли вы минусы (внизу прикрепил опросник).

Интересно, какие именно фразы вы используете (жду в комментах).

Также, попрошу поставить плюсик в карму, если понравился материал. А то мне прилетело тут, за то, что TG-канал рекламировал ?. Каюсь, ошибки учел, теперь не буду рекламить TG в Хабре, а буду рекламить Хабр в TG. Еще раз спасибо, жду в комментах!