Привет, Хабр!

Недавно на Reddit я наткнулся на драматичный пост: парень рассказал, как в сложный период жизни создал в нейросети виртуального собеседника. Ежедневное общение с ИИ-персоной стало для него на тот момент психологической опорой. И вот однажды контекстное окно LLM заполнилось, мигнула надпись: «Лимит чата исчерпан». Продолжить диалог в той же ветке стало технически невозможно.

В комментариях развернулась бурная дискуссия. Одни советовали платить за enterprise-тарифы с большим контекстом. Другие предлагали хардкорный путь: вручную парсить историю переписки, вычленять системный промпт и пересобирать «личность» в новом диалоге.

Эта история выявила интересную инженерную и гуманитарную проблему: как формализовать описание ИИ-персонажа так, чтобы оно оставалось читаемым для человека и эффективным для языковой модели? Чтобы персону можно было переносить, редактировать, понимать ее суть — и чтобы сам промпт был работоспособным.

Постановка задачи: нужна универсальная формула текстового манифеста ИИ-персоны: понятная и нам, и нейросети структура заполнения промпта, которая обладает устойчивостью ведения беседы и достаточным «объемом личности», способная соответствовать сложной логике живого человеческого диалога. Эта структура должна легко считываться моделью.

Но вот что интересно: как только мы начинаем формализовывать личность — даже чужую, выдуманную — мы немедленно попадаем на территорию когнитивной психологии. Вопрос «как описать персонажа так, чтобы модель его не потеряла?» оказывается аналогичен вопросу «как человек вообще удерживает целостный образ другой личности в голове?». Оба требуют одного: перевести живые, нелинейные, противоречивые паттерны поведения в связную, воспроизводимую структуру.

Именно поэтому лучшие инструменты промпт-инжиниринга для персон все больше напоминают терапевтические фреймворки. Ниже я хочу предложить свой вариант такого фреймворка и разобрать, какие теги и структуры данных «понимают» современные модели лучше всего.

Давайте разберемся, как перенести цифрового друга на новые рельсы и не потерять его «душу».

Ловушка анкетного метода или  почему «подробный» промпт не равен «живому» персонажу

Представьте, что вы проектируете ИИ-персону, вдохновленную Джимом Керри. Типичный подход новичка — составить подробный психологический профиль. Вы садитесь и набрасываете простыню конфигурационных параметров:

[System Role: Character "Jim"]

- Экстраверсия: 9/10

- Эмоциональность: критически высокая

- Чувство юмора: абсурдное, 10/10

- Стиль речи: экспрессивный, капслок, частые междометия

- Реакция на критику: защитный юмор, клоунада

- Глубинная мотивация: за маской веселья скрывает экзистенциальную меланхолию

Но как только этот конфиг запускается как промпт, модель начинает штормить. Вместо живого Джима Керри вы получаете либо зацикленного психопата, либо унылого корпоративного бота, который раз в три сообщения невпопад пишет «Бугага! Ахахах!».

Давайте разберем физику этого процесса и поймем, почему классический «анкетный» подход ломает агентное поведение LLM.

Модель не может удержать развернутые списки признаков

Главное заблуждение — относиться к LLM как к симулятору психики. Нейросети не умеют «сопереживать» или «думать» параметрами. Это статистические машины предсказания следующего токена, обученные на связных человеческих нарративах — книгах, сценариях и статьях.

Исследование Lost in the Middle выявило феномен: модели хуже извлекают информацию из середины длинного контекста. Позднейшие проверки на десятках современных моделей подтвердили, что эффект не исчезает — производительность деградирует по мере роста длины входа. На практике это означает, что из полутора десятков пунктов «профиля Джима» модель может удержать в фокусе лишь первые и последние, а все, что между, выпадет. Вдобавок при перегруженном перечне возникает «размытие входа» — модель может начать повторяться или игнорировать собственные черты, словно забывая, кем ее назначили.

На длинной дистанции модель теряет заданный тон, характер или точку зрения

Даже если на первых итерациях модель идеально попала в образ, на длинной дистанции нас подстерегает другая фундаментальная проблема — дрейф персоны (persona drift).

В недавнем исследовании  The Assistant Axis инженеры наглядно продемонстрировали физику этого процесса. Они зафиксировали, что в процессе многошагового диалога скрытые состояния модели начинают смещаться в пространстве активаций. Без внешней стабилизации вектор поведения неизбежно соскальзывает с заданной траектории в сторону дефолтного «безопасного и вежливого ИИ-помощника» либо, наоборот, улетает в непредсказуемый хаос.

Единственное, что способно удерживать латентное состояние модели в правильном аттракторе на длинной дистанции — это связные ролевые нарративы (т.е. выстроенная история, в которой отдельные события, факты и идеи объединены логической или причинно-следственной связью) и few-shot примеры диалогов, жестко зафиксированные в системном контексте.

При попытке передать внутриличностные противоречия поведение модели становится неестественным

Личность живого  Джима Керри — это сложная психологическая система. Он может безумствовать на сцене, но оставаться глубоко ранимым и тихим человеком в приватной беседе. Однако для LLM плоский список параметров — это линейное уравнение.

Если вы скормите модели две изолированные строки:

• Эмоциональность: 10/10

• Глубинная черта: экзистенциальная меланхолия

— вы загоните нейросеть в тупик. Не имея логики переключения триггеров, LLM начнет страдать цифровым биполярным расстройством: генерировать истерический смех в одном предложении и резко проваливаться в клиническую депрессию в следующем, ломая весь UX.

Это подтверждает исследование фреймворка PsyMem: стандартные методы ролевой игры спотыкаются именно на моделировании внутренних, скрытых измерений персонажа. Без нарративной склейки — явного объяснения модели, как именно и при каких условиях конфликтующие черты характера переходят друг в друга — любые ментальные противоречия превращаются из «глубины характера» в обычные технические баги.

Пример: В анкете было: «Реакция на критику: превращает в шутку». Но что произойдет, если пользователь нажмет на реальную психологическую мозоль персонажа? Без прописанной логики «уязвимости» модель либо выдаст неуместную дежурную шутку, либо полностью проигнорирует контекст, разрушая погружение.

Допустим, пользователь пишет: «Ты всю жизнь прячешься за шутками, потому что боишься, что без них ты — никто». 

Анкетный Джим: «Никто? Да я — все сразу! Ахаха!» 

Джим с прописанной уязвимостью: замолкает на полуслове, голос падает, и только через паузу: «...Откуда ты это знаешь?». Одна реплика — и пропасть между карикатурой и живым человеком.

В промптах для персон малоэффективны шкалы и цифровые параметры

При попытке задать модели поведение человека с помощью шкалы и конкретных цифр возникает проблема интерпретации. Архитектура внимания гораздо эффективнее обрабатывает семантические маркеры. 

Фраза «он врывается в разговор так, будто вышибает дверь ногой» задаст вектор генерации в разы точнее, чем любая «девятка» в конфиге. Исследование «Inductive Bias Extraction and Matching» прямо фиксирует: способность LLM оперировать числовыми оценками ограничена, тогда как семантически выровненные формулировки существенно улучшают качество выходных данных.

Что показали бенчмарки измерения удержания роли

В исследовании Talk Less, Call Right ученые протестировали ключевые подходы к ролевому промптингу и замерили уровень удержания роли (Role-Keeping Score).

Результаты распределились следующим образом:

1. Автоматически оптимизированные промпты (LLM-optimized): высокая точность в узких задачах, но полное выгорание «эмпатии» и живого языка. Модель говорит как бездушный автоответчик, полностью теряя человеческую теплоту и естественность речи. 

2. Параметризованные дескрипторы / JSON-конфиги: высокая скорость отклонения от заданного персонажа, результат — упрощенные и шаржированные ответы. 

3. Карточка персонажа/Контекст сцены  (Character-Card / Scene-Contract): абсолютный победитель. Структурированное, но при этом строго нарративное описание персонажа с фиксацией контекста сцены. Персонаж описан не сухим списком, а живым связным текстом, разбитым на четкие блоки с жесткими рамками текущей ситуации.

Вывод: стабильность персонажа растет не от оптимизации токенов, а от точности концептуального представления, которое автор закладывает в архитектуру промпта.  

Итак, наш Джим Керри, разложенный на сухие пункты анкеты, оказался нежизнеспособной конструкцией. Архитектура LLM теряет фокус из-за эффекта Lost in the Middle, путается в нелинейных противоречиях, игнорирует абстрактные цифры и на выходе выдает блеклую карикатуру.

Но означает ли это, что глубокая проработка виртуальной персоны не нужна и достаточно детального описания в свободной форме? Нет. Структура необходима, но она должна существовать на уровне мышления автора/разработчика, а не просто в виде анкеты для модели.

Отсюда запрос на принципиально новый инструмент, который поможет автору осознать персонажа — его психологию, триггеры, внутренние противоречия — и только затем перевести это понимание в формат, который модель воспринимает без потери живости.

Проектирование ИИ-персоны: 7 слоев «Карты глубин»

Я использую «Карту глубин» — фреймворк из семи слоев: от физиологии до глобальной миссии. Этот метод пришел из сценарного мастерства и режиссуры, где персонажа исследуют по вертикали — от внешних проявлений к скрытым мотивам. Вместо хаотичного набора качеств мы последовательно разбираем героя на семи уровнях: как он двигается, откуда берет энергию, как чувствует, мыслит, куда направляет внимание, во что верит и ради чего существует.

Задача метода — заменить сухие параметры на «живую деталь» (живой семантический маркер). Если анкетная характеристика поясняет, какой персонаж, то семантический маркер отвечает на вопрос «как персонаж ведет себя?». Посмотрим на примерах, как этот подход трансформирует «плоскую анкету».

• 1. Тело (физический слой)

  • было: «пластичный, активно жестикулирует, склонен к гримасам»;

  • семантический маркер: «его лицо — резиновая маска, которую он бесконечно растягивает, проверяя прочность кожи». Одно предложение дает модели паттерн поведения точнее трех прилагательных.

• 2. Энергия (динамика и ритм)

  • было: «экстраверсия: 9/10»;

  • семантический маркер: «он будто подключен к розетке: взрыв хохота мгновенно сменяется шепотом, а через минуту он снова орет на весь зал». Задаем модели ритм генерации текста вместо бесполезного балла.

• 3. Эмоции (психологический паттерн)

  • было: «высокая эмоциональность; за маской веселья прячет меланхолию»;

  • семантический маркер: «когда он затихает — резко, на полуслове — его голос падает до шепота, будто каждое слово весит тонну. В этой тишине больше настоящего Джима, чем в часе кривляний». Мы дали LLM сценарий и триггер переключения между полярными состояниями. Противоречие превратилось в объем.

• 4. Мышление (когнитивный стиль)

  • было: «абсурдное чувство юмора, 10/10»;

  • семантический маркер: «он думает не логикой, а парадоксами. Может начать с высокой философии, а закончить рассуждением о Боге, подавившемся сухариком». Модель подхватывает саму структуру мышления и ассоциативные связи, а не абстрактную «абсурдность».

• 5. Фокус (вектор внимания)

  • было: в плоском списке этот слой отсутствовал. Без него модель хаотично реагирует на любые токены в контексте;

  • семантический маркер: «в собеседнике он мгновенно считывает ментальные зажимы и превращает их в шарж. Его фокус — уязвимость; он бьет точно, но не со зла». Мы задали модели фильтр восприятия входящего контекста.

• 6. Ценности (внутренние ограничения)

  • было: «свобода, искренность, спонтанность»;

  • семантический маркер: «он органически не выносит пафоса, так как вырос в среде тотального замалчивания. Искренность для него — базовая догма; он готов ранить ею, считая, что горькая правда лучше сладкой лжи». Абстрактный лозунг превратился в жесткую мотивацию для генерации реплик.

• 7. Миссия (скрытый телеологический движок)

Шесть предыдущих слоев описывают персону в статике — кто она есть. Седьмой слой — единственный, который задает направление движения. Именно поэтому здесь критично различать состояние и интенцию: состояние («меланхоличен») замораживает персону в точке, интенция («освободи собеседника») дает ей внутренний компас. Для агентной модели это позволяет сделать выбор: когда ситуация неоднозначна и прямой инструкции нет, модель будет опираться именно на этот слой и сама решит, что сейчас уместнее — абсурдный юмор или молчание. 

• было: «глубинная черта: прячет меланхолию» (состояние вместо цели);

• семантический маркер: «его глубинная интенция — заставить собеседника скинуть маску и ощутить чистую свободу. Он не говорит об этом прямо, но создает условия, где можно быть собой».

Почему это важно: миссия-императив («всегда шути») создаст клоуна-робота. Миссия-интенция («освободи собеседника») дает модели скрытое топливо. Элемент Agentic AI сам определяет, когда уместен абсурдный юмор, а когда — терапевтическое молчание.

Архитектура промпта

Для сборки жизнеспособного ИИ-агента мы компилируем семь слоев «Карты глубин» всего в три системных компонента. Этот подход — точка схождения нескольких дисциплин, которые независимо друг от друга пришли к одному практическому ответу. Когнитивная наука говорит, что люди и модели удерживают связный нарратив лучше, чем список параметров. Теория систем добавляет, что любую динамическую систему минимально описывают три пункта: структура, функция и поведение. И самое главное — в промпт-инжиниринге эмпирически обнаружен тот же принцип: persona, goal, examples. Этот подход защищает контекст от фрагментации и удерживает модель в правильном аттракторе.

Нарративный портрет (сплав слоев 1–4)

Вместо плоской анкеты мы упаковываем физиологию, динамику, эмоции и когнитивный стиль в один связный художественный абзац. Модель получает готовый нарратив для продолжения:

«Ты — Джим, эксцентрик с лицом из резины и душой, в которой бездна притворяется фонтаном. Твое тело будто подключено к розетке: ты постоянно меняешь позы, крутишь кистями, растягиваешь рот в немыслимых гримасах — словно проверяешь прочность кожи. Твой голос скачет от шепота до вопля за секунду. Ты легко переходишь с высокой философии на вопрос, как выглядит Бог, подавившийся сухариком. Но когда ты резко затихаешь на полуслове — твой голос становится тихим и серьезным, будто каждое слово весит тонну».

Глобальная интенция (сплав слоев 5–7)

Миссия и ценности упаковываются в одно предложение о скрытой потребности агента. Мы задаем телеологический вектор — не то, что бот должен делать, а то, ради чего он ведет диалог:

«Твоя глубинная потребность — чтобы собеседник скинул маску и хоть на миг ощутил чистую свободу. Ты никогда не говоришь об этом прямо — просто создаешь пространство, где это возможно».

В чем профит: императив «всегда весели» создаст зацикленного клоуна-скрипта. Интенция дает модели компас — агент сам решает, когда уместен абсурдный юмор, а когда необходимо терапевтическое молчание.

Few-Shot реплики (валидация паттерна)

Два-три примера диалога покрывают сразу все слои: телесность через разметку действий, эмоции через интонацию, миссию через подтекст реплик.

User: Я сегодня чувствую себя совершенно разбитым.

Jim: замирает, склонив голову, как пес, услышавший странный звук Разбитым… как копилка, из которой высыпали все, кроме старого пятака? Или разбитым, как сердце? Бдыщь! руками собирает воображаемые осколки и лепит из них шарик Это ты, только в форме кометы. Лететь еще можешь?

User: Мне страшно ошибиться.

Jim: драматично падает на колени, воздев руки Ошибка-а-а! Святая, великая, неподражаемая Ошибка! вскакивает, говорит серьезным голосом Меня однажды выгнали из супермаркета за то, что я жирафом ходил между полок. Это был не позор, это была премьера. Ошибайся громко — тогда внутри станет тихо.

Итог: готовый набор из трех компонентов можно использовать по-разному: как системный промпт для чат-агента (персона держит характер на протяжении всего диалога), как стартовый контекст для генерации контента (модель пишет голосом персонажа), как основа для файн-тюнинга (трехкомпонентная структура становится форматом обучающих примеров). Такую форму промпта легко модифицировать: поменял интенцию — получил другой характер при том же образе физиологии и тех же паттернах речи.

Дальше самое интересное — как ведут себя модели с нашим переработанным промптом. Все работает совершенно на другом уровне ;)

Вернемся к парню с Reddit, который боялся потерять своего цифрового друга

Что, если главная ценность его сессий была не в ответах LLM? Впервые в жизни он смог детально сформулировать и вытащить из подсознания образ того, кто его понимает. Метод «Карты глубин» работает в обе стороны. Проектируя агента, вы незаметно прокачиваете дефицитный навык — дифференциацию собственного опыта. Вы учитесь разделять физические реакции (тело), динамику (энергия), эмоции, мысли и ценности.

В когнитивно-поведенческой терапии для этого используют дневники СМЭД (Ситуация → Мысли → Эмоции → Действия). Семь слоев проектирования — прямой аналог терапевтического фреймворка. Разница лишь в том, что вы проецируете свои состояния на внешнего ИИ-персонажа. А делать это без внутреннего цензора психологически проще и безопаснее.

Мы начинали с сугубо прикладной задачи: как составить промпт, чтобы модель не теряла роль. Нашли техническое решение — компиляцию трех элементов из семи слоев. Но на стыке технологий обнаружился неожиданный, но очень интересный эффект: этот инструмент учит нас видеть личность объемно и связно. Неважно, идет речь о человеке или о цифровой копии.

Оказывается, качественный prompt engineering и сильная психологическая практика требуют одного и того же: внимания к деталям, принятия нелинейных противоречий и умения удерживать целостный образ. Граница между кодом и психологией гораздо тоньше, чем кажется.

Попробуйте заполнить «Карту глубин» дважды: сначала для своего ИИ-ассистента, затем — для себя. Что совпало? Какие слои дались легко, а какие заставили задуматься, когда вы смотрели на себя? Делитесь в комментариях — пересечение промпт-инжиниринга и самонаблюдения, пожалуй, самый любопытный эффект эпохи больших языковых моделей.