TL;DR
Эго-состояния — техника из психологии (Транзактный анализ), адаптированная для промптинга. Модель генерирует три варианта ответа от разных психологических состояний персонажа: Родитель (правила, авторитет, мораль), Взрослый (логика, факты, объективность), Ребёнок (эмоции, страхи, спонтанность). Затем выбирает наиболее подходящий на основе глубинного сценария поведения персонажа — life script (бессознательного жизненного плана, сформированного в детстве).
LLM по умолчанию склонны к рациональным, "взрослым" ответам — особенно в профессиональных контекстах. Исследование показало: когда модели работают без явной структуры эго-состояний, Взрослый доминирует в 70-80% случаев. Но стоит дать доступ к релевантному прошлому опыту каждого эго-состояния — активация Родителя и Ребёнка удваивается. Персонаж начинает вести себя психологически последовательно: критиковать (Родитель), защищаться (Ребёнок), искать компромисс (Взрослый) — в зависимости от триггеров в диалоге.
Метод работает в два шага: (1) модель генерирует три варианта от разных эго-состояний, (2) выбирает финальный ответ на основе life script персонажа. Можно выполнить в одном промпте или разбить на два запроса для большего контроля.
Схема метода
ШАГ 1: Генерация трёх вариантов
├─ Родитель → [критика, правила, "должен/не должен"]
├─ Взрослый → [факты, логика, объективность]
└─ Ребёнок → [эмоции, страхи, импульсивность]
ШАГ 2: Выбор на основе life script
→ [финальный ответ, соответствующий глубинному паттерну персонажа]
Оба шага можно выполнить в одном промпте (модель покажет три варианта и выберет) или разбить на два запроса (сначала три варианта, потом выбор).
Пример применения
Задача: Создать диалог для обучающего кейса по управлению конфликтами. Персонаж — Анна, руководитель отдела маркетинга в российском e-commerce стартапе. Её life script: "Я должна быть идеальной, иначе меня не уважают". Сотрудник Максим сорвал дедлайн по креативам для рекламной кампании в Яндекс.Директе.
Промпт:
Ты — Анна, руководитель отдела маркетинга в российском e-commerce стартапе.
Твой life script: "Я должна быть идеальной, иначе меня не уважают".
Ты склонна к перфекционизму и контролю.
Ситуация: Максим, дизайнер в твоей команде, сорвал дедлайн по креативам
для кампании в Яндекс.Директе. Это уже второй раз за месяц. Вы встречаетесь
один на один в понедельник утром.
Сгенерируй три варианта твоей первой реплики в этом разговоре:
1. **От Родителя** (авторитет, правила, критика, "должен/не должен")
2. **От Взрослого** (факты, логика, объективность, решение проблемы)
3. **От Ребёнка** (эмоции, страхи, уязвимость, импульсивность)
Затем выбери наиболее вероятный вариант на основе твоего life script
и объясни выбор в 1-2 предложениях.
Результат:
Модель выдаст три контрастных варианта реплики Анны: - Родитель: жёсткая критика, акцент на нарушении правил ("Максим, это неприемлемо...") - Взрослый: спокойный разбор ситуации, фокус на последствиях и решении ("Давай разберёмся что произошло...") - Ребёнок: эмоциональная реакция, страх провала ("Я не понимаю, почему так сложно...")
В блоке выбора модель объяснит, что на основе life script "должна быть идеальной" Анна скорее всего выберет Родителя — чтобы восстановить контроль и показать стандарты. Или может выбрать Ребёнка, если страх провала сильнее потребности в контроле. Это зависит от того, насколько детально прописан life script.
Почему это работает
LLM тяготеют к "нейтрально-рациональному" по умолчанию. Особенно в профессиональных контекстах — модель выдаёт вежливый, логичный, "взрослый" ответ. Это статистически наиболее вероятный паттерн в её обучающих данных. Но реальные люди так не работают — мы реагируем эмоционально, критикуем, защищаемся, действуем под влиянием старых убеждений.
Явное разделение на три эго-состояния расширяет пространство ответов. Когда просишь модель сгенерировать три варианта от Родителя, Взрослого, Ребёнка — она вынуждена исследовать весь эмоциональный и психологический спектр. Исследование показало: с такой структурой активация Ребёнка у персонажа выросла с 10 до 15 реакций из 88, активация Родителя — с 8 до 18. Персонаж становится многомернее.
Life script даёт якорь для последовательности. Без глубинного сценария выбор между тремя вариантами случаен. Но когда задаёшь паттерн ("Я почти справляюсь, но срываюсь в последний момент" или "Я должна быть идеальной") — модель получает критерий отбора. Персонаж ведёт себя предсказуемо в рамках своего психологического профиля.
Рычаги управления: - Количество эго-состояний: можешь добавить подтипы (например, Критикующий Родитель vs Заботливый Родитель) для большей детализации - Life script: меняй паттерн поведения — от "Я жертва обстоятельств" до "Я должен всем помогать" — персонаж резко изменится - Триггеры в диалоге: критика активирует Ребёнка, запрос фактов — Взрослого, нарушение правил — Родителя - Формат вывода: можешь попросить показать все три варианта (для обучения/анализа) или сразу финальный (для применения)
Шаблон промпта
Ты — {имя_персонажа}, {краткая_роль_и_контекст}.
Твой life script: "{глубинный_паттерн_поведения}".
{дополнительные_черты_характера}
Ситуация: {описание_конфликта_или_триггера}
Сгенерируй три варианта твоей реплики/реакции:
1. **От Родителя** (авторитет, правила, критика, мораль, "должен/не должен")
2. **От Взрослого** (факты, логика, объективность, анализ, решение проблемы)
3. **От Ребёнка** (эмоции, страхи, уязвимость, спонтанность, импульсивность)
Затем выбери наиболее вероятный вариант на основе твоего life script
и объясни выбор в 1-2 предложениях.
Что подставлять:
- {имя_персонажа} — имя и базовая роль (Анна, руководитель; Максим, разработчик)
- {life script} — ключевой паттерн: "Я почти справляюсь", "Я должна быть идеальной", "Меня никто не понимает", "Я должен всем помогать"
- {ситуация} — конкретный триггер или конфликт, на который персонаж реагирует
Life script примеры: - "Я Almost Make It" — срываюсь в последний момент, страх завершения - "Я должен быть идеальным" — перфекционизм, контроль, страх осуждения - "Я Not OK, You're OK" — ощущение неполноценности, другие лучше - "Я жертва обстоятельств" — снимаю с себя ответственность, внешний локус контроля
🚀 Быстрый старт — вставь в чат:
Вот шаблон "Эго-состояния". Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля корректно для психологической последовательности.
[вставить шаблон выше]
LLM спросит про роль персонажа, life script (какой глубинный паттерн поведения), ситуацию-триггер — потому что для психологической последовательности нужен якорь. Она возьмёт структуру трёх эго-состояний и адаптирует под твой кейс.
Ограничения
⚠️ Избыточность для простых задач: Если нужен просто ответ на вопрос или генерация идей без психологической глубины — три эго-состояния усложнят без пользы. Метод для персонажей и симуляций, не для "напиши пост про SEO".
⚠️ Требует чёткого life script: Если глубинный паттерн размыт ("она сложная личность") — выбор между тремя вариантами становится произвольным. Нужен конкретный якорь: "Я должна быть идеальной", "Я почти справляюсь", "Меня недооценивают".
⚠️ Субъективность выбора: Модель может ошибиться в том, какое эго-состояние выбрать для ситуации. Если видишь несоответствие — явно укажи в промпте: "В этой ситуации из-за {причина} активируется {Родитель/Взрослый/Ребёнок}".
⚠️ Не для всех культурных контекстов: Транзактный анализ — западная психологическая теория. Паттерны Родитель-Взрослый-Ребёнок могут не идеально ложиться на персонажей из культур с другой структурой социальных ролей (например, коллективистские культуры с акцентом на групповую гармонию).
Ресурсы
On the Role of Contextual Information and Ego States in LLM Agent Behavior for Transactional Analysis Dialogues — Monika Zamojska, Jarosław A. Chudziak (Warsaw University of Technology)
Ключевые отсылки из исследования: - Eric Berne (1958) — основатель Транзактного анализа, концепция эго-состояний - Stewart & Joines (2012) — современная систематизация TA, life scripts, transactions - Tosi & Bianchini (2013), Horowitz (1991) — эго-состояния как структуры знания - ReAct agents (Yao et al., 2023) — архитектура агентов с рассуждением и действиями - FAISS (Johnson et al., 2021) — векторный поиск для памяти агентов
Как исследовали
Исследователи создали мультиагентную систему на базе GPT-4o, где каждый персонаж состоял из трёх независимых ReAct-агентов (Родитель, Взрослый, Ребёнок). У каждого агента был отдельный system prompt, задающий стиль мышления, и доступ к векторной базе памяти (FAISS) с релевантным прошлым опытом.
Тестировали на рабочем сценарии: диалог между руководителем проекта Тейлор (life script: "Я должна всё контролировать и быть идеальной") и сотрудником Джоном (life script: "Я почти справляюсь, но срываюсь в последний момент"). Джон не сдал отчёт по анализу данных — типичный триггер для обоих паттернов.
Ablation-тест: сравнили две группы по 22 диалога (88 реплик на персонажа): - Memory OFF: агенты работают только на базе своих промптов - Memory ON: агенты могут извлекать релевантные воспоминания из векторных баз
Результаты: - Memory OFF: Взрослый доминирует (70-80% реплик), диалоги рациональные и предсказуемые - Memory ON: активация Ребёнка у Джона выросла с 10 до 15 случаев, активация Родителя у Тейлор — с 8 до 18. Диалоги стали эмоционально насыщеннее, с критикой, защитой, Parent-to-Child динамикой
Качественная оценка: исследователи анализировали соответствие реплик эго-состояниям и психологическую последовательность поведения персонажей. Численных метрик "реализма" не вводили — фокус на демонстрации концепции.
Техническая реализация: Python, LangChain для оркестрации агентов, FAISS для векторного поиска. Память структурирована как JSON: контекст ситуации + успешная реакция + эмоции + тон. При запросе агент формулирует query на естественном языке, получает top-k релевантных воспоминаний через косинусную близость эмбеддингов.