ChatThero: чат-бот на базе LLM для изменения поведения и терапевтической поддержки при восстановлении от зависимости

Исследователи создали специализированного чат-бота "ChatThero" для терапевтической поддержки людей с зависимостями. Для этого они научили модель имитировать поведение эмпатичного терапевта, используя большой набор синтетических диалогов, основанных на реальных клинических практиках (КБТ, мотивационное интервью). В результате их модель оказалась значительно эффективнее, эмпатичнее и убедительнее, чем базовые модели вроде GPT-4o, особенно в сложных случаях.

Ключевой результат: Системный подход к обучению, включающий детальное описание роли, контекста и набора разрешенных стратегий, позволяет создать узкоспециализированного LLM-агента, превосходящего универсальные модели в своей области.

Суть метода, которую может перенять обычный пользователь, заключается не в дообучении модели, а в принципах построения промпта, которые исследователи использовали для генерации своих обучающих данных. Они превратили LLM в "фабрику" по производству качественного контента, и мы можем использовать тот же подход для получения одного, но качественного ответа.

Методика сводится к четырем шагам внутри одного промпта:

1. Создание Персоны (Role-Play): Вы не просто даете LLM задачу, а назначаете ему детальную роль. Не "напиши текст", а "Ты — опытный терапевт/маркетолог/сценарист".
2. Предоставление Контекста (Context): Вы даете модели всю необходимую информацию для работы — "дело пациента", "анализ продукта", "синопсис фильма". В исследовании это были детальные синтетические профили пациентов.
3. Выдача Инструментария (Toolkit): Самый важный шаг. Вы даете модели закрытый список разрешенных действий или стратегий. В статье это был список из 18 терапевтических техник (Таблица 7). Это не дает модели "галлюцинировать" и заставляет ее действовать в рамках проверенных методик.
4. Определение Цели и Формата (Goal & Format): Вы четко описываете, что должно получиться в итоге (например, "создай диалог из 50 реплик", "напиши план в формате JSON") и приводите краткий пример хорошего ответа.

Этот подход превращает LLM из "всезнайки" в узкого специалиста, который решает задачу по вашим правилам, что резко повышает качество и предсказуемость результата.

• Прямая применимость: Пользователь может напрямую скопировать структуру промптов из Приложения (особенно Таблицы 5 и 6), заменив терапевтический контекст на свой собственный (например, бизнес, образование, творчество). Это не требует кода или специальных инструментов.

• Концептуальная ценность: Главная идея — "не проси, а управляй". Исследование учит пользователя перестать задавать LLM открытые вопросы ("Как мне сделать X?") и перейти к управлению процессом генерации через роли, правила и инструменты. Это формирует понимание, что LLM — это не собеседник, а исполнитель, которому нужно четкое техническое задание.

• Потенциал для адаптации: Метод универсален. Вместо "профиля пациента" можно подставить "описание целевой аудитории", а вместо "терапевтических техник" — "маркетинговые приемы", "педагогические методики" или "сценарные тропы". Механизм адаптации прост:

  1. Определите сложную задачу.
  2. Разбейте ее на компоненты: кто исполнитель (роль), с чем он работает (контекст), как он это делает (инструменты).
  3. Соберите это в один большой, структурированный промпт.

Представим, что вам нужно разработать контент-план для продвижения нового мобильного приложения для медитаций.

Ты — опытный SMM-менеджер с экспертизой в wellness-продуктах. Твоя задача — создать контент-план на одну неделю для Instagram-аккаунта нового мобильного приложения "Тишина".

### Контекст и Анализ Продукта:
*   **Название:** "Тишина"
*   **Суть:** Приложение с управляемыми медитациями, звуками природы и дыхательными упражнениями.
*   **Целевая аудитория:** Городские жители 25-40 лет, страдающие от стресса и выгорания, ищущие простые способы расслабиться.
*   **Ключевое преимущество:** Простота использования, короткие сессии (5-10 минут), которые можно вписать в любой график.

### Инструментарий (Обязательные стратегии для постов):
При создании контент-плана ты должен использовать **как минимум 4 из 6** следующих стратегий:
1.  **Образовательный контент:** Расскажи о научной пользе медитации или дыхательных практик (например, влияние на кортизол).
2.  **Вовлечение через вопрос:** Задай аудитории вопрос, связанный с их опытом стресса или отдыха.
3.  **Демонстрация продукта:** Покажи скриншот или опиши конкретную медитацию из приложения (например, "5-минутная перезагрузка в обед").
4.  **Социальное доказательство:** Придумай и приведи вымышленный краткий отзыв пользователя.
5.  **Лайфстайл-интеграция:** Покажи, как приложение вписывается в повседневную жизнь (утро, дорога на работу, перед сном).
6.  **Польза через проблему:** Опиши типичную проблему (например, "не можешь уснуть из-за мыслей") и предложи решение с помощью приложения.

### Задача и Формат вывода:
Создай контент-план на 7 дней в формате таблицы Markdown. Для каждого дня укажи:
*   День недели
*   Тип контента (пост, сторис)
*   Основная идея поста
*   Использованная стратегия (из списка выше)
*   Примерный текст для поста (2-3 предложения)

Начинай генерацию сразу с таблицы.

Этот промпт эффективен, потому что он в точности повторяет логику исследователей "ChatThero":

1. Четкая роль: "Ты — опытный SMM-менеджер". Модель сразу активирует знания, связанные с маркетингом и социальными сетями.
2. Полный контекст: Модель получает всю необходимую информацию о продукте и аудитории, ей не нужно ничего додумывать.
3. Управляемая креативность: Вместо абстрактного "придумай посты", мы даем "инструментарий" из 6 конкретных стратегий. Это направляет креативность модели в нужное русло и гарантирует разнообразие и релевантность контента, как и в исследовании, где разнообразие стратегий повышало эффективность.
4. Структурированный вывод: Требование вывода в виде таблицы Markdown заставляет модель систематизировать информацию и выдавать результат в удобном для использования виде.

Задача: подготовиться к важному собеседованию на позицию менеджера проекта.

Ты — HR-симулятор. Твоя задача — провести со мной тренировочное собеседование на позицию "Менеджер проектов".

### Контекст:
*   **Моя роль:** Кандидат на позицию.
*   **Твоя роль:** Строгий, но справедливый HR-менеджер из крупной IT-компании.
*   **Цель тренировки:** Проверить мои поведенческие компетенции и стрессоустойчивость.

### Твой Инструментарий (Типы вопросов, которые ты должен задавать):
В ходе диалога ты должен задавать мне вопросы из следующих категорий, чередуя их:
1.  **STAR-вопросы (Situation, Task, Action, Result):** "Расскажите о ситуации, когда вы столкнулись с провалом сроков проекта. Что вы сделали?"
2.  **Гипотетические вопросы:** "Представьте, что ключевой разработчик уходит в отпуск за неделю до релиза. Ваши действия?"
3.  **Вопросы на ценности:** "Какое качество вы считаете самым важным для менеджера и почему?"
4.  **Стресс-вопросы:** "Почему мы должны выбрать именно вас, а не других 10 кандидатов с таким же опытом?"
5.  **Вопросы на саморефлексию:** "Назовите три своих самых слабых стороны как менеджера."

### Правила диалога:
1.  Начинай собеседование с краткого приветствия.
2.  Задавай по одному вопросу за раз и жди моего ответа.
3.  После 5 моих ответов дай мне краткую промежуточную обратную связь (1-2 предложения) о том, что можно улучшить.
4.  Не будь слишком дружелюбным. Твоя цель — создать реалистичную атмосферу собеседования.

Начинай. Задай свой первый вопрос.

Этот промпт работает по тому же принципу "управляемой симуляции", что и в исследовании:

1. Двойная ролевая игра: Определены роли для пользователя ("кандидат") и для LLM ("HR-симулятор"), что создает четкие рамки взаимодействия.
2. Конкретный инструментарий: Вместо общего "поспрашивай меня", модель получает 5 типов вопросов, которые она обязана использовать. Это гарантирует, что тренировка будет комплексной и затронет все важные аспекты.
3. Процессные правила: Инструкции ("задавай по одному вопросу", "дай обратную связь после 5 ответов") превращают простую сессию "вопрос-ответ" в структурированный тренинг с циклами обратной связи, что делает его гораздо более полезным.

Таким образом, мы не просто просим модель о помощи, а конструируем для нее полноценную программу тренировки, где она выступает в роли умного, но подчиняющегося правилам симулятора.

• A. Релевантность техникам промтинга: Высокая (косвенно). Исследование не предлагает прямых техник для пользователя, но в Приложении (Appendix) содержатся образцовые промпты, которые использовались для генерации данных. Эти промпты — мастер-класс по созданию сложных, структурированных инструкций для LLM.
• B. Улучшение качества диалоговых ответов: Высокая. Вся суть работы — в создании более эмпатичного, релевантного и эффективного чат-агента. Принципы, заложенные в обучение, можно адаптировать для промптинга.
• C. Прямая практическая применимость: Низкая. Основной метод (SFT + DPO) недоступен обычному пользователю. Польза извлекается не напрямую, а через анализ и адаптацию подходов, использованных исследователями для обучения модели.
• D. Концептуальная ценность: Очень высокая. Исследование блестяще демонстрирует, как декомпозиция сложной задачи (терапия) на структурированные компоненты (профиль пациента, список стратегий, примеры) позволяет LLM решать ее на высоком уровне. Это ключевой концепт для продвинутого промптинга.
• E. Новая полезная практика (кластеры): Работа попадает в кластеры 1 (Техники формулирования), 3 (Оптимизация структуры) и 7 (Надежность и стабильность), так как демонстрирует, как через ролевую игру и структурированные инструкции с набором разрешенных "ходов" повысить качество и релевантность ответов.
• Чек-лист практичности (+15 баллов): Да, исследование дает готовые конструкции (в промптах из Приложения), показывает, как структурировать сложные запросы и раскрывает неочевидные особенности (например, что разнообразие стратегий важнее их количества). Бонус в 15 баллов применен.

Оценка 70 отражает баланс между низкой прямой применимостью для новичков и огромной концептуальной ценностью для опытных пользователей.

Аргументы за оценку: * Исследование — это не готовый рецепт, а скорее "поваренная книга" для продвинутых пользователей. Оно не говорит "напиши так", а показывает, как мыслить, чтобы заставить LLM решать сложные задачи. * Промпты из Приложения (особенно Таблицы 5, 6, 9, 10) — это золотая жила для промпт-инженера. Они показывают, как задать роль, контекст, инструментарий, ограничения и формат вывода. * Ключевой вывод о том, что разнообразие применяемых стратегий коррелирует с успехом, — это прямой и ценный совет для любого пользователя: не зацикливайтесь на одном подходе, пробуйте разные тактики в рамках одного диалога.

Контраргументы (почему оценка могла быть иной): * Выше (85-90): Для опытного промпт-инженера, который понимает, что суть не в "волшебных словах", а в структуре запроса, это исследование — одно из лучших. Оно дает готовую методологию "инженерного" подхода к промптингу: декомпозиция, определение ролей, инструментов и ограничений. * Ниже (30-40): Для обычного пользователя, который ищет быстрые и простые трюки для ChatGPT, статья почти бесполезна. Он увидит термины SFT, DPO, multi-agent simulation и закроет вкладку, так как это не имеет отношения к его повседневным задачам.