Исследователи сравнили, как две LLM (GPT-4o), общающиеся между собой в разных ролях, решают сложные математические задачи. Они обнаружили, что любая совместная работа двух "агентов" превосходит работу одного, а наиболее точные результаты достигаются, когда агенты взаимодействуют как равные партнеры ("коллега-коллега"), проверяя и дополняя работу друг друга.
Ключевой результат: Сотрудничество двух LLM-агентов в роли равных партнеров (peer-to-peer) наиболее эффективно для решения сложных задач.
Суть метода заключается в том, чтобы перестать рассматривать LLM как единый "монолитный" разум и начать использовать его как команду из нескольких "виртуальных специалистов" с разными ролями. Исследование доказывает, что заставив модель сначала сгенерировать ответ в одной роли, а затем покритиковать или дополнить его в другой, можно значительно повысить качество и точность итогового результата.
Практическая методика для пользователя выглядит так:
- Шаг 1: Генерация (Роль 1 - "Исполнитель"). Вы даете LLM первую роль (например, "Маркетолог", "Сценарист", "Аналитик") и просите выполнить основную часть задачи — написать текст, составить план, проанализировать данные.
- Шаг 2: Критика и Улучшение (Роль 2 - "Партнер-Критик"). Вы берете полученный ответ и в следующем промте даете LLM новую роль. Согласно исследованию, самой эффективной является роль "равного партнера" или "коллеги". Вы просите "второго агента" проанализировать работу "первого", найти слабые места, упущенные возможности, логические ошибки и предложить конкретные улучшения для достижения общей цели.
- Шаг 3: Синтез. При необходимости вы просите модель объединить лучшее из первоначального варианта и предложений критика в финальный, улучшенный ответ.
Этот подход заставляет модель задействовать разные паттерны рассуждений, что помогает выявлять и исправлять ошибки, от которых не застрахован "одиночный" проход.
Прямая применимость: Очень высокая. Пользователь может симулировать этот процесс в любом чат-боте. Для этого нужно в одном и том же диалоге последовательно формулировать промты, назначая LLM разные роли. Например: "Сначала выступи как креативный копирайтер и напиши рекламу. ... [получаем ответ] ... Теперь ты — прагматичный редактор. Проверь этот текст на соответствие брифу и найди слабые места".
Концептуальная ценность: Огромная. Исследование дает понимание, что LLM подвержена "когнитивным искажениям" и "туннельному зрению", как и человек. Заставляя ее сменить роль, мы заставляем ее посмотреть на проблему под новым углом, что является мощным механизмом для самокоррекции. Пользователь начинает мыслить не как "задающий вопросы", а как "менеджер команды виртуальных экспертов".
Потенциал для адаптации: Метод универсален и легко адаптируется для любой сложной задачи, где важна точность и полнота.
- Написание текста: Роли "Креативный автор" и "Строгий редактор".
- Бизнес-планирование: Роли "Оптимистичный стратег" и "Пессимистичный финансовый аналитик (адвокат дьявола)".
- Программирование: Роли "Разработчик, пишущий код" и "Тестировщик, ищущий баги и крайние случаи". Механизм адаптации прост: определите два взаимодополняющих или конфликтующих взгляда на вашу задачу и назначьте их LLM в качестве последовательных ролей.
### **Промпт 1: Роль "Креативный маркетолог"**
**Роль:** Ты — опытный креативный маркетолог, работающий в агентстве. Твой стиль — яркий, смелый и эмоциональный.
**Задача:** Разработай концепцию рекламной кампании для нового продукта: "умной" бутылки для воды "AquaMind", которая отслеживает потребление воды и напоминает о необходимости пить с помощью световых сигналов.
**Целевая аудитория:** Молодые профессионалы 25-40 лет, которые заботятся о здоровье, но часто забывают пить воду из-за занятости.
**Что нужно сделать:**
1. Придумай главный слоган кампании.
2. Опиши ключевую идею для 30-секундного рекламного ролика.
3. Предложи 3 идеи для постов в социальных сетях.
**Формат ответа:** Структурируй ответ по пунктам.(После получения ответа от LLM, пользователь копирует его и использует в следующем промте)
### **Промпт 2: Роль "Партнер-аналитик" (Peer-to-Peer)**
**Роль:** Теперь ты — другой маркетолог из того же агентства, равный по опыту и статусу своему коллеге. Твоя сильная сторона — прагматизм, аналитика и фокус на конкретной пользе для клиента.
**Контекст:** Твой коллега предложил креативную концепцию для рекламной кампании бутылки "AquaMind". Ваша общая цель — сделать кампанию максимально сильной и убедительной.
**Задача:** Проанализируй предложенную концепцию и выступи в роли конструктивного партнера.
**Вот концепция от твоего коллеги:**
<ТУТ НУЖНО ВСТАВИТЬ ПОЛНЫЙ ОТВЕТ, ПОЛУЧЕННЫЙ НА ПРЕДЫДУЩЕМ ШАГЕ>
**Что нужно сделать:**
1. **Оцени слоган:** Насколько он понятен и убедителен для целевой аудитории? Есть ли риск, что его поймут неправильно? Предложи свой, более прагматичный вариант.
2. **Проанализируй идею ролика:** Не слишком ли она абстрактна? Достаточно ли четко показана *проблема* (забывчивость, обезвоживание) и ее *решение* с помощью бутылки?
3. **Изучи посты для соцсетей:** Какие конкретные цифры или факты о пользе гидратации можно добавить, чтобы сделать их более убедительными?
4. **Сформулируй итоговые рекомендации:** Предложи 2-3 конкретных улучшения, чтобы сбалансировать креатив и практическую пользу в кампании.Этот подход работает за счет симуляции "peer-to-peer collaboration", самого эффективного режима из исследования.
- Две разные "ментальные модели": Первый промпт активирует у LLM паттерны, связанные с креативностью и эмоциями ("яркий, смелый"). Второй промпт заставляет ее переключиться на совершенно другой набор паттернов — аналитику, прагматизм и поиск недостатков ("фокус на конкретной пользе").
- Конструктивная критика: Промпт 2 не просто просит "проверить", а дает четкие инструкции для критики ("насколько понятен?", "не слишком ли абстрактна?"), направляя внимание модели на потенциальные слабые места.
- Общая цель: Формулировка "Ваша общая цель — сделать кампанию максимально сильной" настраивает LLM на сотрудничество, а не на простое отрицание, что соответствует духу "peer-to-peer" взаимодействия. Это заставляет модель не просто найти ошибки, но и предложить пути их исправления.
### **Промпт 1: Роль "Энтузиаст-путешественник"**
**Роль:** Ты — опытный путешественник и блогер. Ты обожаешь составлять насыщенные, полные впечатлений маршруты.
**Задача:** Составь детальный план 7-дневной поездки в Лиссабон для молодой пары (28-30 лет), которая едет туда впервые. Они любят историю, вкусную еду и красивые виды. Бюджет средний.
**Что нужно сделать:**
* Распиши план на каждый из 7 дней.
* Включи знаковые достопримечательности, нетуристические места, рекомендации по ресторанам и вечерним развлечениям.
* Сделай план максимально интересным и насыщенным.(После получения ответа от LLM)
### **Промпт 2: Роль "Прагматичный партнер" (Peer-to-Peer)**
**Роль:** Теперь ты — один из участников этой поездки. Ты любишь своего партнера-энтузиаста, но подходишь к планированию более практично. Ты ценишь комфорт, не любишь спешку и следишь за тем, чтобы отдых не превратился в марафон.
**Контекст:** Твой партнер составил очень насыщенный план поездки в Лиссабон. Вы вместе хотите его доработать, чтобы он был идеальным для вас обоих.
**Задача:** Проанализируй предложенный план с точки зрения реалистичности и комфорта.
**Вот план от твоего партнера:**
<ТУТ НУЖНО ВСТАВИТЬ ПОЛНЫЙ ПЛАН ПОЕЗДКИ ИЗ ПРЕДЫДУЩЕГО ШАГА>
**Что нужно сделать:**
1. **Оцени темп:** Какие дни выглядят слишком перегруженными? Где можно что-то убрать или поменять местами, чтобы избежать спешки и усталости?
2. **Проверь логистику:** Насколько удобно добираться между предложенными точками в один день? Может, есть более оптимальные маршруты?
3. **Добавь время на отдых:** Где в плане можно добавить свободное время, чтобы просто посидеть в кафе, погулять без цели или отдохнуть в отеле?
4. **Предложи компромиссные варианты:** Сформулируй итоговый, более сбалансированный и реалистичный план, который сохранит дух приключений, но будет более комфортным.Механизм успеха этого примера основан на тех же принципах, что и в исследовании, но адаптирован под задачу планирования.
- Смена перспективы: Первый промпт генерирует "идеалистичный" план с максимальным количеством активностей. Второй промпт заставляет LLM посмотреть на тот же план с позиции "реалиста", для которого важны темп, логистика и отдых. Это две разные, но одинаково важные точки зрения.
- Выявление скрытых проблем: Роль "прагматика" специально нацелена на поиск проблем, которые "энтузиаст" мог проигнорировать: усталость, нереалистичные тайминги, транспортные неудобства.
- Совместная доработка (Collaboration): Промпт 2 просит не просто вычеркнуть лишнее, а "предложить компромиссные варианты" и создать "более сбалансированный план". Это заставляет LLM синтезировать новую, улучшенную версию, объединяя достоинства обоих подходов, что является сутью эффективного "peer-to-peer" взаимодействия.
Основные критерии оценки
- A. Релевантность техникам промтинга: Да. Исследование напрямую изучает эффективность различных ролевых моделей ("учитель-ученик", "коллеги"), которые задаются через промты. Это фундаментальная техника промт-инжиниринга.
- B. Улучшение качества ответов: Да. Доказано, что подход с двумя агентами повышает точность решения задач (с 47% до 54%), а режим "коллеги" (peer-to-peer) является самым эффективным.
- C. Прямая практическая применимость: Да. Хотя обычный пользователь не может запустить двух агентов одновременно, он может легко симулировать этот процесс в одном чате, последовательно давая LLM разные роли для генерации и последующей критики ответа. Это не требует кода или специальных инструментов.
- D. Концептуальная ценность: Очень высокая. Исследование дает пользователю мощную ментальную модель: для сложных задач LLM работает лучше не как оракул, а как "команда специалистов". Оно доказывает ценность итеративной критики и совместной доработки, объясняя, почему промты в стиле "проверь свою работу" или "выступи в роли критика" так эффективны.
- E. Новая полезная практика: Работа попадает в несколько кластеров:
- Кластер 1 (Техники формулирования): Явно использует и сравнивает техники ролевых игр (role-play).
- Кластер 2 (Поведенческие закономерности): Демонстрирует, что LLM, как и человек, выигрывает от "второго мнения", что приводит к более точным результатам.
- Кластер 7 (Надежность и стабильность): Основная цель метода — повышение точности и снижение ошибок (галлюцинаций) через перекрестную проверку.
- Чек-лист практичности (+15 баллов): Дает готовые конструкции для промптов (описание ролей), показывает, как структурировать сложные запросы (через диалог), раскрывает неочевидные особенности поведения LLM (peer-to-peer эффективнее teacher-student) и предлагает способ улучшить точность. Это дает +15 баллов к базовой оценке.
Цифровая оценка полезности
Аргументы за высокую оценку (93/100): Исследование дает научное обоснование одной из самых мощных техник продвинутого промптинга — симуляции нескольких ролей для решения одной задачи. Оно не просто говорит "делайте так", а доказывает, почему это работает, и определяет какой именно режим взаимодействия ("коллеги") наиболее эффективен. Вывод о том, что равноправное сотрудничество (peer-to-peer) дает лучший результат, — это конкретный, практически применимый инсайт, который можно немедленно использовать для улучшения качества ответов на сложные запросы. Метод легко адаптируется обычным пользователем в рамках одного чата.
Контраргументы (почему оценка могла быть ниже): * Узкая область тестирования: Исследование сфокусировано на решении математических задач. Хотя принципы, вероятно, универсальны, их эффективность для креативных или гуманитарных задач не доказана в этой работе. * Требует адаптации: Метод описан для системы из двух агентов, и пользователю нужно самостоятельно догадаться, как симулировать этот процесс в обычном чате. Это требует небольшого шага от прямого применения к адаптации. * Увеличение трудозатрат: Подход требует не одного, а как минимум двух последовательных промтов и анализа промежуточных результатов, что усложняет и удлиняет процесс взаимодействия с LLM.