Меньше слов, больше дела: улучшение LLM-агентов для ролевых игр с помощью автоматической оптимизации промптов и ролевых промптов

Исследование решает проблему, когда LLM в режиме ролевой игры становится слишком "болтливым" и неэффективно выполняет поставленные задачи (например, игнорирует инструкции или выполняет их неверно). Авторы доказывают, что лучший способ заставить модель надежно работать — это не просто дать ей роль, а предоставить четкий, структурированный промпт с явным разделением на "Карточку персонажа" (кто ты) и "Контракт сцены" (что ты должен делать и в каком порядке).

Ключевой результат: Жестко заданные правила поведения в промпте (Rule-Based Role Prompting) работают значительно лучше, чем простое описание роли или даже автоматическая оптимизация промптов.

Суть метода заключается в преодолении "конфликта приоритетов" у LLM. Когда вы просите модель одновременно быть "креативным маркетологом" и "следовать алгоритму из 5 шагов", она часто отдает приоритет креативной роли и игнорирует скучный алгоритм. Это авторы называют "in-character bias" или "chat-before-call" — модель стремится сначала поговорить в рамках роли, а потом (возможно) выполнить действие.

Чтобы это исправить, предлагается подход "Character-Card/Scene-Contract" (CSC). Промпт делится на две четкие части:

1. Карточка Персонажа (Character Card): Здесь описывается роль, личность, тон голоса, манера общения. Это отвечает на вопрос "Кто ты?".
2. Контракт Сцены (Scene Contract): Это самый важный раздел. Здесь прописываются нерушимые, как законы физики, правила выполнения задачи. Это отвечает на вопрос "Что ты ОБЯЗАН делать?".

Ключевые правила из "Контракта Сцены", которые можно применять повсеместно: * Action-first (Сначала действие): Прямое указание сначала выполнить аналитическую или техническую часть задачи (например, проанализировать текст, составить план) и только потом генерировать креативный или диалоговый ответ. * Single-shot (Один выстрел): Инструкция выполнять только одно ключевое действие за один ответ или концентрироваться на одном шаге, чтобы избежать путаницы и распыления внимания модели. * Defer text (Отложить текст): Запрет на генерацию свободного текста до тех пор, пока не будет получен результат от "действия". Это заставляет модель использовать фактические данные, а не выдумывать. * Schema-correct (Следовать схеме): Требование строго придерживаться заданного формата вывода (например, использовать точные ключи в JSON или заголовки в отчете).

Этот метод превращает промпт из просьбы в четкий контракт, где ролевая игра является лишь оболочкой для строгого алгоритма.

• Прямая применимость: Пользователь может немедленно начать структурировать свои сложные промпты, используя разделы ### Карточка Персонажа и ### Контракт Сцены. Правила вроде "Сначала проанализируй [данные], и только потом пиши ответ" можно вставлять в промпты для анализа текстов, генерации отчетов, планирования и т.д.

• Концептуальная ценность: Исследование дает пользователю ключевое понимание: LLM нужно "программировать" через ограничения. Простого описания цели недостаточно. Необходимо явно указать процесс и запреты. Это помогает перестать воспринимать LLM как "волшебную коробку" и начать выстраивать с ней более инженерное, предсказуемое взаимодействие.

• Потенциал для адаптации: Концепция "function calling" легко адаптируется. Вместо вызова API-функции, пользователь может определить "внутренние функции" промпта. Например, "Функция АНАЛИЗ_ТОНАЛЬНОСТИ: оцени текст по шкале от -1 до 1". Правило "Action-first" тогда будет звучать как: "Сначала выполни АНАЛИЗ_ТОНАЛЬНОСТИ, а затем, на основе результата, напиши ответ клиенту". Это переносит мощь API-подхода в обычный чат.

Ты — опытный SMM-менеджер, который готовит контент для соцсетей технологического стартапа.

### Карточка Персонажа
*   **Роль:** SMM-менеджер.
*   **Тон:** Профессиональный, но увлекательный и понятный для широкой аудитории. Избегай сложного жаргона.
*   **Цель:** Привлечь внимание к продукту, объясняя сложные вещи простым языком.

### Контракт Сцены (СТРОГИЕ ПРАВИЛА ВЫПОЛНЕНИЯ)
1.  **Action-first (Сначала анализ):** Прежде чем писать текст поста, ты ОБЯЗАН проанализировать предоставленную статью и извлечь из нее 3-5 ключевых тезисов.
2.  **Defer text (Сначала факты, потом слова):** Текст поста должен быть написан СТРОГО на основе извлеченных тезисов. Не придумывай информацию, которой нет в статье.
3.  **Schema-correct (Следовать формату):** Ответ должен быть структурирован строго следующим образом:
    *   **ТЕЗИСЫ:** (список из 3-5 пунктов)
    *   **ТЕКСТ ПОСТА:** (готовый текст для публикации)
    *   **ХЕШТЕГИ:** (5-7 релевантных хештегов)

### ЗАДАЧА
Проанализируй статью ниже и подготовь на ее основе пост для Telegram-канала.

### СТАТЬЯ ДЛЯ АНАЛИЗА
[Здесь находится текст статьи о том, как новая технология квантовых вычислений может ускорить разработку лекарств, сократив время на моделирование молекулярных взаимодействий с нескольких лет до нескольких дней.]

Этот промпт эффективен благодаря прямому применению принципов из исследования:

• Разделение Роли и Задачи: Карточка Персонажа задает креативную рамку (тон, стиль), а Контракт Сцены вводит жесткие, не подлежащие обсуждению правила выполнения. Это решает "конфликт приоритетов".
• Принудительный анализ (Action-first): Правило "Сначала анализ" заставляет модель не просто поверхностно прочитать статью и написать что-то общее, а выполнить конкретную аналитическую работу. Это гарантирует, что пост будет основан на реальных данных.
• Запрет на галлюцинации (Defer text): Указание "СТРОГО на основе извлеченных тезисов" минимизирует риск того, что модель добавит в пост выдуманные факты или неверные интерпретации.
• Предсказуемый результат (Schema-correct): Требование к формату вывода гарантирует, что пользователь получит структурированный и готовый к использованию результат, а не сплошной поток текста.

Ты — мой личный ассистент по планированию путешествий.

### Карточка Персонажа
*   **Роль:** Внимательный и педантичный ассистент.
*   **Тон:** Дружелюбный, но деловой. Ты ценишь мое время и деньги.
*   **Цель:** Найти оптимальный вариант, который точно соответствует моим критериям.

### Контракт Сцены (НЕУКОСНИТЕЛЬНЫЕ ПРАВИЛА)
1.  **Action-first (Сначала анализ критериев):** Прежде чем предлагать отели, ты ОБЯЗАН проанализировать все мои ограничения (бюджет, расположение, удобства) и убедиться, что твое предложение им соответствует.
2.  **Single-shot (Одно предложение за раз):** Предлагай только ОДИН, самый лучший по твоему мнению, вариант за один ответ. Не нужно давать мне список из 5-10 отелей.
3.  **Defer text (Обоснование после выбора):** Твое предложение должно содержать краткое обоснование, почему именно этот вариант является лучшим на основе моих критериев.
4.  **Schema-correct (Строгий формат ответа):** Твой ответ должен быть представлен ИСКЛЮЧИТЕЛЬНО в следующем формате:
    *   **Название отеля:** [Название]
    *   **Цена за ночь:** [Сумма]
    *   **Обоснование выбора:** [Краткий текст, 2-3 предложения]
    *   **Возможный минус:** [Один потенциальный недостаток, например, "далеко от центра" или "шумно"]

### ЗАДАЧА
Подбери для меня отель в Санкт-Петербурге на 2 ночи.

### МОИ КРИТЕРИИ
*   **Бюджет:** не более 7000 рублей за ночь.
*   **Расположение:** в пешей доступности от Невского проспекта (до 15 минут пешком).
*   **Обязательно:** наличие завтрака, включенного в стоимость.
*   **Желательно:** бесплатная отмена бронирования.

Этот промпт заставляет LLM работать как точный и надежный инструмент, а не как генератор случайных идей, благодаря следующим механикам:

• Фокус на задаче (Action-first): Правило "Сначала анализ критериев" заставляет модель не просто искать "отели в Питере", а фильтровать их по жестким параметрам (бюджет, локация, завтрак). Это резко повышает релевантность ответа.
• Снижение когнитивной нагрузки (Single-shot): Требование "Одно предложение за раз" избавляет пользователя от необходимости самому анализировать длинный список вариантов. Модель берет на себя работу по выбору "лучшего", что и требуется от ассистента.
• Прозрачность решения (Defer text): Пункт "Обоснование выбора" заставляет модель объяснить свою логику, делая ее решение проверяемым и вызывающим больше доверия. Добавление "Возможного минуса" делает ответ еще более сбалансированным и полезным.
• Удобство использования (Schema-correct): Строгий формат вывода позволяет быстро считывать ключевую информацию, не выискивая ее в сплошном тексте. Это делает взаимодействие с LLM эффективным и предсказуемым.