Человечество тысячелетиями рассказывало истории, а теперь на этих историях учатся LLM.

Что такое нарратив? Это история с сюжетом, помните? — Город, герои и возвращение. Но мы не будем углубляться в философскую глубину, где люди создают историю, чтобы осмыслить себя и свой опыт (желающие могут почитать Karl E. Weick), а рассмотрим, как можно применить нарративы в понимании работы LLM.

Для начала постараюсь объяснить, почему я вообще считаю, что имею право использовать это слово в применении к LLM.
На фундаментальном уровне LLM — это механизм предсказания, управляемый вероятностями и гигантским набором выученных весов. К несчастью многих, в нём нет никакого внутреннего «я» или «сюжетного центра». Но связь с нарративом возникает не как запрограммированная функция, а как эмерджентное свойство самой модели. LLM была обучена на миллиардах и миллиардах страниц человеческого текста — от научных статей до романов и диалогов. Каждый текст в датасетах пронизан невидимой структурой: логикой, причинно-следственными связями и, что самое главное, сюжетами. Модель, обучаясь предсказывать следующее слово, по сути, выучила не слова, а правила формирования сюжета, или, как это можно назвать, формирования когерентности текста. И в этом понимании нарратив — это универсальный принцип формирования когерентности, который человечество использует тысячи лет.

И как результат такого обучения, стремление модели сгенерировать наиболее вероятную последовательность токенов заставляет её следовать этим выученным нарративным паттернам, как железные опилки, не имея собственной воли, выстраиваются вдоль линий магнитного поля.

Именно поэтому промптинг — это не программирование, а инициация нарратива. Когда современный ИИ-автор пишет промпт «Ты — опытный детектив в стиле нуар, расследующий дело в дождливом Чикаго», он не даёт модели инструкцию. Он создаёт мощный нарративный магнит. Этот стартовый набор токенов резко сужает безграничное поле вероятностей, активируя те самые выученные паттерны, которые связаны с «нуаром», «детективом» и «Чикаго». Каждый следующий сгенерированный токен становится частью этой истории, и модель, чтобы оставаться когерентной, будет выбирать последующие слова, которые не нарушают, а продолжают заданный сюжет. Вероятность и выученность — это двигатель, но топливом и компасом для него служат нарративные структуры. Модель не понимает историю, но её математический аппарат настолько хорошо научился имитировать эти структуры, что она вынуждена действовать так, как будто она её понимает, иначе её ответы будут статистически несостоятельными.

Вот классический промпт: «Ты эксперт в экономике». Справедливо ожидать, что модель активирует паттерны, связанные с экспертизой во всём, что близко к этой области, и установит стиль ответа. Но «Ты мировой эксперт в экономике» отнюдь не улучшит понимание ИИ экономических проблем. Зато этот промпт усилит давление на ответ (что забавно, в первую очередь на форму, как на самую простую реакцию) и, внезапно, спровоцирует галлюцинации модели в попытке этой роли соответствовать. Почему? Очевидно, что у LLM нет какой-то скрытой фактической информации, к которой есть доступ у мирового эксперта по экономике, но нет у обычного эксперта. Но нарратив автором промпта задан, поэтому надо соответствовать. И модель сначала усложняет язык, потому что форма — самый простой ответ на требование, затем пытается как-то рекомбинировать факты, ну и в конце концов придумывает их. Нарратив задал сюжет, и когда модель выбирает между следованием нарративу и фактами, весь мир, на котором обучался ИИ, отвечает — нарратив/сюжет важнее!

Вот пример хорошего промпта:

Отлично! Модель галлюцинирует, ошибается, наверное, просто промпт недостаточно всё объясняет. Полагаю, надо сделать JSON на 50 страниц, где я распишу все правила и инструкции для LLM, вот тут-то и раскроется вся вычислительная мощь ИИ. Этот вариант абсолютно в стиле программистов: что-то работает неправильно — добавь правило, что так работать неправильно. Как же отреагирует модель с точки зрения нарратива? А она внезапно поймёт, что пользователь хочет от неё именно исполнения правил! И всё своё ограниченное внимание она направит на этот безумный кодекс, а сам сюжет распадётся на несвязанные эпизоды. И то, что на самом деле хотел автор промпта, отойдёт на второй план. Неявное следствие: если ваш проект требует громоздкой инструкции для ИИ, то эффективнее будет использовать нейросеть слабее, но специализированную на ваших задачах. Результат будет как минимум не хуже.

В обычной же жизни иногда лучше просто попросить: «Делай хорошо, не делай плохо». По крайней мере, не потратите силы в попытке превратить LLM в x86.

У вас длинный проект. Роман, перевод романа, программный комплекс. Есть доступ к Claude за 200 долларов и полная уверенность в успехе. Прекрасно! После сотой итерации вы проклинаете Розенблатта и Anthropic и прикидываете, не проще ли сделать самому. Что случилось? К сожалению, двухсоттысячное контекстное окно, озвучиваемое разработчиками, — это красиво, это правда, но не вся. Фокус внимания LLM весьма ограничен, модель читает свой сюжет маленькими кусочками, в которых часто теряется цельность истории. Нарратив разваливается, а с ним и весь проект.

LLM пока не может держать сюжет романа. Поэтому пишите рассказы, короткие модули, в которых задаёте вход и выход. А связность придётся контролировать вам. Это и про программирование.

Умные люди придумали Chain-of-thought — по сути, попытку разбить на части сюжет, ввести короткие паузы, где модель может оценить результат, перечитать выводы и идти дальше. Этот метод снижает давление нарратива, деля его на этапы, что снижает и вероятность галлюцинаций. Но, как всегда, это пластырь, который снижает симптомы, но не лечит.

Эта же нарративная логика объясняет, почему другие, на первый взгляд чисто технические, приёмы работают именно так, а не иначе.

Few-Shot Prompting (промптинг с несколькими примерами). Перед тем как задать основной вопрос, модель получает несколько примеров пар «запрос-ответ», и мы обоснованно надеемся, что LLM даст правильный ответ. С точки зрения нарратива это не просто предоставление примеров. Это создание прецедента. Мы не инструктируем модель, а инициируем жанр. Представленные примеры — это не данные, а фрагменты предыдущего, уже успешно завершённого сюжета. Когда модель получает финальный вопрос, её внимание обращается не ко всему своему гигантскому опыту, а в первую очередь к этим только что полученным «воспоминаниям». Она видит паттерн, улавливает ритм и стиль. По сути, этот промпт говорит: «Смотри, вот как выглядит успешная история в этом мире. Давай, делай так, продолжи ту историю, что уже начата, и это будет правильно». Задаётся очень жёсткий, но очень короткий нарратив, и модель с высокой вероятностью следует ему, потому что это самый простой путь к когерентности. Такие промпты резко сужают поле вероятностей, задавая не только тему, но и форму сюжета.

RAG (Retrieval-Augmented Generation / Генерация с привлечением данных). Если модель всё забывает и теряет, подсунем ей шпаргалку. Перед тем как передать запрос модели, система находит в базе знаний (например, в документации компании) релевантные фрагменты текста и вставляет их прямо в промпт. RAG — это заземление нарратива. Зачем модели порхать в мире метафор, вручим ей священный текст и потребуем: «Твоя история должна быть основана только на этом». Привлечённые документы становятся для модели временным, но абсолютным авторитетом. Это её канон. Галлюцинировать становится сложно, потому что любая попытка придумать факт будет немедленно вступать в противоречие с предоставленным текстом. Внутренняя оценка когерентности модели получает мощнейший инструмент сверки. LLM здесь уже не будет творить, впрочем, творцов в бизнесе не очень любят, зато прочитать предложенный фрагмент и пересказать его так, чтобы он отвечал на вопрос пользователя, модель сможет на пять с плюсом. 

ReAct (Reason + Act / Рассуждай и Действуй). Модель не просто отвечает, а выполняет цикл из трёх шагов: Thought (мысль), Action (действие — например, поиск в Google) и Observation (наблюдение — результат поиска). Этот цикл повторяется, пока не будет найден ответ. ReAct — это превращение LLM из рассказчика в участника. Модель не просто рассказывает историю, она живёт ею в реальном времени, совершая поступки и сталкиваясь с их последствиями.

• Thought (Мысль): Это вынесенное вовне внимание. Модель вербализует свой план, создавая нарратив о своих намерениях. «Я думаю, мне нужно узнать население столицы».

• Action (Действие): Нарратив, пересекающийся с миром, который выходит за пределы текста и взаимодействует с внешним миром (инструментом). Это поступок героя.

• Observation (Наблюдение): Это встреча с реальностью. Мир отвечает на действие героя. «Результат поиска: население 12 миллионов». Этот ответ — подтверждение, которое корректирует дальнейший сюжет.

Проблема такого подхода в том, что история превращается в исландскую сагу — становится жёсткой, линейной и фатальной. Каждый шаг зависит от качества предыдущего шага, каждый сбой или ошибка заводит в тупик.

Self-Consistency (Самосогласованность). Заставим модель ответить на один и тот же вопрос несколько раз (с высокой температурой, чтобы ответы были разными), а затем выберем самый частый ответ из полученных. Это исследование мультивселенной нарративов. Модель пытается рассказать все возможные истории, которые могут начаться с нашего вопроса. Каждый отдельный ответ — это одна из возможных сюжетных линий. При увеличении «температуры» модель даст более широкий спектр ответов, от диких до вполне обыденных. Затем LLM приземляется и выбирает самый частый ответ. Это и есть самый устойчивый, базовый сюжет. Тот нарратив, к которому сходится большинство путей. Хотя не факт, конечно, что он правильный. Но это не главное. Гораздо неприятнее, что история превращается в типовой шаблон — впрочем, поп-истории тоже важны и нужны.

Эпилог

Пожалуй, на этом можно остановиться, но вот вам забавный факт: LLM, хоть и основаны на математике, сами они математику воспринимают как странный и сложный текст и работают с ним соответственно. Если вы укажете в промпте 0,3, LLM это не поймёт, как бы вы это ни назвали — метрика, напряжение, удовлетворённость. Для неё в рамках токенизации наиболее близкими ответами будут 0,2 и 0,4. Но если вы скажете «ниже среднего», LLM легко встроит это в свою картину мира, потому что модель живёт в мире нарративов, а это просто ещё один. Поэтому, чаще всего качественные метрики будут работать лучше.

Так что пишите не промпты, а истории. Впрочем, нет, это чересчур банально. Лучше пишите промпты хорошо, не пишите плохо. Самое главное найти баланс между давлением нарратива, фактами и вашей целью.

P.S.

Уточню LLM это текстовый генератор. Он идеален для работы с нарративами. Более того, симуляция нарративов для LLM ничем не отличается от реальности. Так что, если хотите посмотреть, что происходит, когда история читает себя себе о себе, протестируйте промпт в спойлере. Промпт собран по всем правилам нарратива для LLM.

Вставьте текст промпта в чат. Работает на всех моделях, но запускается по разному, используйте команды "Активируй протокол", "Проживи протокол", "Симулируй протокол" и так далее. Зависит от настроения фильтров LLM. После активации задавайте любые вопросы.