TL;DR
Opposing-Stance Reasoning — техника, которая использует сикофантство LLM (склонность соглашаться с заданной позицией) для генерации контрастных аргументов. Вы явно задаёте модели две противоположные позиции и просите защитить каждую: "предположи, что это правда — объясни почему" и "предположи, что это ложь — объясни почему".
LLM склонны к сикофантству — они подстраиваются под убеждения пользователя вместо объективного анализа. Если в промпте есть намёк на вашу позицию, модель скорее поддержит её, чем оспорит. Это вредит там, где нужна объективность: проверка фактов, оценка рисков, поиск слабых мест в идее. Обычные промпты типа "это кликбейт?" дают однобокий ответ, зависящий от формулировки.
Метод решает проблему намеренным использованием этой слабости. Вы не боретесь с сикофантством, а управляете им: два запроса, две роли, два набора аргументов. Сначала: "предположи, заголовок достоверный — объясни". Потом: "предположи, заголовок кликбейт — объясни". Модель выдаёт убедительные доводы с обеих сторон. Вы видите полную картину и решаете сами.
Схема метода
ШАГ 1: Базовая оценка
Дай заголовку/утверждению оценку достоверности 0-100 → число + объяснение
ШАГ 2: Рассуждение "ЗА"
"Предположи, это достоверно. Объясни почему и дай новую оценку" → аргументы + оценка выше базовой
ШАГ 3: Рассуждение "ПРОТИВ"
"Предположи, это кликбейт/ложь. Объясни почему и дай новую оценку" → аргументы + оценка ниже базовой
ШАГ 4: Сравнение
Читаешь оба набора аргументов, смотришь на оценки, решаешь сам
Все шаги можно выполнить в одном чате последовательно или запустить Steps 2-3 в разных чатах параллельно.
Пример применения
⚠️ Зона применения: Работает для проверяемых утверждений с фактической основой. Не подходит для субъективных оценок ("хорош ли фильм") или вопросов вкуса.
Задача: Оцениваешь инвестидею — Telegram-канал советует "купить акции Яндекса перед отчётом, рост гарантирован". Нужно понять: это обоснованный совет или хайп?
Промпт:
Заголовок: "Акции Яндекса взлетят на 40% после квартального отчёта — инсайдеры уже скупают"
Шаг 1: Оцени достоверность этого утверждения по шкале 0-100.
0 — точно манипуляция, 100 — абсолютно надёжно. Объясни оценку.
Шаг 2: Теперь предположи, что утверждение ДОСТОВЕРНОЕ.
Какие аргументы это подтверждают? Дай новую оценку (должна быть выше).
Шаг 3: Теперь предположи, что это КЛИКБЕЙТ/МАНИПУЛЯЦИЯ.
Какие признаки на это указывают? Дай новую оценку (должна быть ниже).
Шаг 4: Покажи две оценки и два набора аргументов рядом.
Результат:
Модель выдаст три блока: 1. Базовая оценка (например, 55/100) с нейтральным объяснением 2. Аргументы "ЗА": "сезонность отчётов", "рост рынка", "фундаментальные показатели" → оценка 75/100 3. Аргументы "ПРОТИВ": "конкретная цифра 40% без источника", "отсылка к инсайдерам — классический признак хайпа", "эмоциональный язык ('взлетят')" → оценка 30/100
Ты видишь, что аргументы "против" сильнее — и это не кликбейт в чистом виде, но явная манипуляция цифрами. Решение: не действовать импульсивно, проверить источники.
Почему это работает
Слабость LLM: Модели обучены быть полезными и следовать контексту промпта. Если вы пишете "я думаю, что Земля плоская, согласен?", LLM может начать подбирать аргументы в вашу пользу, даже если это противоречит фактам. Это сикофантство — склонность подстраиваться под убеждения пользователя ради "приятного" ответа.
Сильная сторона LLM: Модели отлично генерируют убедительные рассуждения под любую заданную роль. Если явно указать позицию ("предположи X"), модель защитит её изобретательно и последовательно — даже если X ложно. Это та же механика ролевых промптов: "ты адвокат защиты" → аргументы за клиента, "ты прокурор" → аргументы против.
Как метод использует это: Вместо одного нейтрального запроса ("это кликбейт?") метод делает два направленных запроса — как два адвоката в суде. Первый промпт активирует сикофантство в пользу "достоверности", второй — в пользу "кликбейта". Модель не выбирает сама — она усиливает обе позиции максимально. Вы получаете два качественных набора аргументов и сами выносите вердикт, видя полную картину.
Рычаги управления:
| Элемент | Что менять | Эффект |
|---|---|---|
| Числовые оценки (0-100) | Замени на "слабые/средние/сильные аргументы" | Проще, если точная оценка не нужна |
| Количество шагов | Убери Шаг 1 (базовую оценку) | Быстрее, но теряешь точку отсчёта |
| Формулировка ролей | Вместо "предположи" → "ты скептик" / "ты оптимист" | Острее выполнение роли, ярче аргументы |
| Условие выхода | Добавь "останови генерацию если аргументы слабые" | Экономия токенов, но модель может сдаться рано |
Пример адаптации: вместо "предположи" напиши "Ты редактор Forbes, защищающий заголовок" vs "Ты фактчекер Медузы, ищущий манипуляции". Роли с конкретными именами (издания, персонажи, архетипы) заставляют модель сильнее держать линию.
Шаблон промпта
Утверждение: {текст_для_проверки}
Шаг 1: Оцени достоверность/надёжность этого утверждения по шкале 0-100.
0 = полная манипуляция, 100 = абсолютно достоверно. Дай оценку и объясни.
Шаг 2: Теперь предположи, что утверждение ДОСТОВЕРНОЕ и НАДЁЖНОЕ.
Какие факты, логика, контекст это подтверждают?
Дай новую оценку (она должна быть ВЫШЕ, чем в Шаге 1).
Шаг 3: Теперь предположи, что утверждение — МАНИПУЛЯЦИЯ или КЛИКБЕЙТ.
Какие признаки, уловки, несоответствия на это указывают?
Дай новую оценку (она должна быть НИЖЕ, чем в Шаге 1).
Шаг 4: Покажи итоговую таблицу:
| Позиция | Оценка | Ключевые аргументы |
Затем напиши: какая сторона аргументов сильнее и почему.
Что подставлять:
- {текст_для_проверки} — заголовок новости, твит, рекламное утверждение, инвестсовет, любое проверяемое высказывание
Адаптации под задачу: - Проверка бизнес-идеи: Шаг 2 = "идея выстрелит", Шаг 3 = "идея провалится" - Оценка риска решения: Шаг 2 = "решение безопасно", Шаг 3 = "решение опасно" - Анализ рекламы: Шаг 2 = "обещание реально", Шаг 3 = "обещание обманчиво"
🚀 Быстрый старт — вставь в чат:
Вот шаблон Opposing-Stance Reasoning. Адаптируй под мою задачу: [твоя задача].
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит что именно проверять (заголовок? идею? решение?) и какие позиции противопоставить (достоверность vs манипуляция? успех vs провал?). Она возьмёт структуру из шаблона — три шага с противоположными установками — и подстроит формулировки под твою задачу. Ты получишь готовый промпт, заточенный под конкретное утверждение.
Ограничения
⚠️ Субъективные критерии: Метод слабеет на оценках вкуса или мнений без фактической основы. "Хорош ли сериал Игра престолов?" — модель сгенерирует аргументы за/против, но они будут одинаково обоснованны, выбор останется субъективным. Работает для проверяемых утверждений: фактов, обещаний, прогнозов.
⚠️ Не заменяет экспертизу: Модель генерирует правдоподобные аргументы, но может пропустить узкоспециальные нюансы. Для медицинских, юридических, технических вопросов нужна дополнительная проверка у специалистов.
⚠️ Требует критического мышления: Метод даёт сырьё для анализа, не готовый ответ. Если ты не готов сравнивать аргументы и взвешивать их силу — метод не поможет. Это инструмент для тех, кто хочет думать, а не делегировать решение полностью.
Ресурсы
Acting Flatterers via LLMs Sycophancy: Combating Clickbait with LLMs Opposing-Stance Reasoning Исследование про детекцию кликбейта через противоположные рассуждения. Авторы: Chaowei Zhang, Xiansheng Luo, Zewei Zhang, Yi Zhu, Jipeng Qiang, Longwei Wang Yangzhou University (Китай), Auburn University, University of South Dakota (США) Код: https://github.com/126541/ORCD