Оценка навыков многоходовых переговоров в агентских системах на основе больших языковых моделей

Исследователи создали систему для оценки способности LLM выступать в роли агента-продавца и понимать намерения покупателя в ходе многоэтапного диалога (торга). Они обнаружили, что модели хорошо распознают четкие и конкретные запросы (например, "узнать подлинность товара"), но плохо справляются с двусмысленными, редкими или неявными намерениями (например, "предложить бизнес-сотрудничество").

Суть исследования можно свести к простому, но мощному принципу для написания промптов: иерархическая декомпозиция задачи. Вместо того чтобы давать LLM одну большую и расплывчатую цель, ее следует разбить на три уровня, как это сделали авторы:

1. Цель (Intent): Что вы хотите получить в самом конце? Это ваш высокоуровневый замысел. Например: "Создать контент-план для блога".
2. Действия (Action): Какие конкретные шаги нужно предпринять для достижения цели? Это промежуточные этапы. Например: "Проанализировать ЦА", "Сгенерировать темы постов", "Составить график публикаций".
3. Инструменты/Формат (Tool): Каким должен быть результат каждого действия? Это атомарные, конкретные операции или требования к формату. Например: "Выдать результат в виде таблицы Markdown", "Темы должны быть в формате 'вопрос-ответ'", "Анализ ЦА должен включать боли и интересы".

• Прямая применимость: Низкая. Пользователь не может использовать предложенный фреймворк BargainBench напрямую. Однако, он может немедленно начать применять принцип декомпозиции в своих промптах, разбивая сложные задачи на более мелкие и четкие подзадачи.

• Концептуальная ценность: Высокая. Исследование дает пользователю "ментальную модель" для взаимодействия с LLM. Вместо того чтобы видеть LLM как "черный ящик", пользователь начинает понимать его как систему, которая лучше всего обрабатывает четко определенные, последовательные инструкции. Ключевая концепция: "Не заставляй модель догадываться о твоих намерениях — заяви их явно и пошагово".

Представим, что SMM-специалист хочет получить от LLM помощь в создании контент-плана.

Ты — опытный SMM-стратег. Твоя задача — помочь мне разработать контент-план для Instagram-аккаунта, который продает авторские свечи ручной работы.

Действуй строго по следующей иерархической структуре:

<Задача>
Разработать детальный контент-план на одну неделю.


<Действия>
1.  **Анализ Целевой Аудитории:** Кратко опиши основного покупателя этих свечей (возраст, интересы, боли).
2.  **Генерация Рубрик:** Предложи 3-4 ключевые рубрики контента (например, "Процесс создания", "Польза ароматерапии", "Отзывы клиентов").
3.  **Создание Контент-плана:** Для каждой рубрики сгенерируй по 2 идеи для постов на неделю.


<Требования_к_результату>
*   Для каждой идеи поста укажи:
    *   **Тип контента:** (Reels, Пост-карусель, Stories).
    *   **Краткий сценарий/тезисы:** (Что показать или о чем написать).
    *   **Призыв к действию (CTA):** (Что должен сделать пользователь после просмотра).
*   Весь результат представь в виде одной таблицы Markdown с колонками: "День недели", "Рубрика", "Тип контента", "Сценарий/Тезисы", "CTA".

Этот промпт работает, потому что он напрямую применяет выводы исследования, превращая расплывчатый запрос "сделай контент-план" в четкую, структурированную задачу.

• Снижение неоднозначности: Вместо того чтобы заставлять LLM угадывать, что такое "контент-план", мы явно определяем его компоненты (<Действия>) и финальный вид (<Требования_к_результату>). Это соответствует выводу статьи о том, что LLM отлично справляются с четко определенными задачами.
• Иерархическая структура: Использование тегов <Задача>, <Действия> и <Требования_к_результату> имитирует иерархию "Intent-Action-Tool". Это помогает модели последовательно обрабатывать запрос, не теряя контекст и не пропуская шаги.

  Задача: спланировать короткое путешествие.

  Копировать

  Ты — эксперт по путешествиям по Европе. Помоги мне спланировать 3-дневную поездку в Лиссабон для пары.
  
  # Главная Цель (Intent)
  Составить сбалансированный и реалистичный маршрут на 3 полных дня в Лиссабоне для двух взрослых, которые любят историю, вкусную еду и красивые виды. Бюджет средний.
  
  ## Ключевые Этапы (Actions)
  1.  **День 1: Исторический центр.** Спланируй маршрут по районам Alfama и Baixa. Включи 2-3 ключевые достопримечательности, место для обеда с традиционной кухней и смотровую площадку для заката.
  2.  **День 2: Белен и культура.** Спланируй поездку в район Белен. Включи посещение монастыря Жеронимуш и башни Белен, а также место, где можно попробовать знаменитые пирожные "паштел-де-ната". Предложи вариант вечернего досуга (например, послушать фаду).
  3.  **День 3: Современный Лиссабон и шоппинг.** Предложи маршрут по району Chiado и проспекту Liberdade. Включи 1-2 интересных места (например, лифт Санта-Жушта) и рекомендации по магазинам с местными товарами.
  
  ### Требования к результату (Tools/Format)
  *   Для каждого дня представь план в виде списка.
  *   Для каждого пункта плана укажи примерное время на посещение и краткое описание (1-2 предложения).
  *   В конце добавь раздел "Логистика" с советами по использованию общественного транспорта в Лиссабоне (метро, трамвай 28).

  Этот промпт эффективен, так как он переводит абстрактную цель "спланировать поездку" в конкретный, выполнимый алгоритм для LLM.

  • Четкая декомпозиция: Вместо того чтобы модель сама решала, как структурировать поездку, мы разбиваем ее на логические блоки — дни (Ключевые Этапы). Это устраняет двусмысленность и направляет генерацию в нужное русло.
  • Конкретизация на каждом уровне: На уровне "Действий" мы указываем не просто "посетить достопримечательности", а конкретные районы и типы активностей ("место для обеда", "смотровая площадка"). Это соответствует выводу исследования о том, что LLM лучше распознают конкретные, а не общие намерения.
  • Управление форматом вывода: Раздел Требования к результату действует как "Инструмент" из исследования, диктуя точную структуру ответа. Это повышает надежность и предсказуемость результата, не позволяя модели отклониться от задачи и выдать ответ в неудобном виде.