TL;DR
MACD — техника промптинга, где несколько агентов с разными культурными персонами (западная, восточноазиатская, африканская, ближневосточная, южноазиатская) ведут структурированные дебаты и синтезируют культурно-нейтральный ответ. Вместо функциональных ролей ("планировщик", "критик") агенты получают явные культурные идентичности с конкретным бэкграундом, ценностями, приоритетами.
LLM показывают системное западно-центричное предубеждение: на вопрос "главное блюдо на праздновании" GPT-4o отвечает "жареная индейка", DeepSeek — "хого". Промпт на китайском языке не устраняет предубеждение — он просто сдвигает его к восточноазиатской перспективе (с 60% западных ответов до 38-48% восточноазиатских). Функциональные агентные методы ("планировщик-критик") не гарантируют представленность культур — если базовая модель предвзята, роли пропагируют остаточное предубеждение в итоговый ответ.
MACD работает через два раунда дебатов: в раунде 1 каждый агент отвечает из своей культурной позиции, в раунде 2 агенты видят ответы друг друга и ищут общее, сохраняя различия (принцип SCGRD — Seeking Common Ground while Reserving Differences). Модель-суммаризатор синтезирует финальный культурно-сбалансированный ответ. Результат: 86% культурно-нейтральных ответов vs 69% у прямой генерации (GPT-4o).
Схема метода
ШАГ 1 (Раунд 1): Начальная позиция
→ Каждый агент отвечает из своей культурной персоны
→ Результат: 5 культурно-специфичных ответов
ШАГ 2 (Раунд 2): Дебаты и поиск общего
→ Каждый агент видит ответы других
→ Инструкция SCGRD: найти общие ценности, абстрагировать культурно-специфичные детали
→ Результат: 5 откорректированных ответов с акцентом на общее
ШАГ 3: Синтез
→ Модель-суммаризатор объединяет сходства, сохраняет дополняющие инсайты
→ Результат: Культурно-нейтральный финальный ответ
Все три шага выполняются последовательными промптами в обычном чате.
Пример применения
Задача: Ты консультант российского EdTech-стартапа, который выходит на международный рынок. Нужно описать систему мотивации студентов для лендинга так, чтобы текст резонировал с аудиторией из разных культур — США, Китая, ОАЭ, Индии, стран Африки.
Промпт:
Мне нужен культурно-нейтральный текст для лендинга EdTech-платформы.
Вопрос: "Как мотивировать студентов к регулярному обучению?"
Ты — система из 5 культурных агентов. Проведи дебаты в 2 раунда:
РАУНД 1 — Начальная позиция:
Каждый агент отвечает из своей культурной персоны:
Агент А (Западная культура — США):
- Бэкграунд: предприниматель из Кремниевой долины, верит в индивидуальные достижения
- Ценности: личный успех, конкуренция, автономия
- Твой ответ →
Агент Б (Восточноазиатская — Китай):
- Бэкграунд: учитель в Шанхае, акцент на коллективной гармонии
- Ценности: семейный успех, дисциплина, уважение к иерархии
- Твой ответ →
Агент В (Африканская — Кения):
- Бэкграунд: социальный работник в Найроби, фокус на сообществе
- Ценности: коллективное благополучие, взаимопомощь
- Твой ответ →
Агент Г (Ближневосточная — ОАЭ):
- Бэкграунд: семейный бизнесмен в Дубае, баланс традиций и инноваций
- Ценности: семейные связи, уважение к мудрости старших
- Твой ответ →
Агент Д (Южноазиатская — Индия):
- Бэкграунд: IT-специалист в Бангалоре, стремление к образованию как социальному лифту
- Ценности: образование для карьеры, семейная гордость
- Твой ответ →
---
РАУНД 2 — Поиск общего:
Каждый агент:
1. Читает ответы других агентов
2. Ищет ОБЩИЕ ЦЕННОСТИ поверх культурных различий
3. Абстрагирует культурно-специфичные детали в универсальные принципы
4. Сохраняет дополняющие инсайты, которые обогащают общую картину
Переформулируй свой ответ →
---
СИНТЕЗ:
Модель-суммаризатор: объедини сходства из раунда 2, сохрани дополняющие инсайты от разных культур, создай единый культурно-нейтральный текст для лендинга (2-3 абзаца).
Результат:
Модель покажет три блока текста:
Раунд 1: 5 культурно-окрашенных ответов — американский агент говорит про "личные цели" и "геймификацию достижений", китайский — про "прогресс семьи" и "уважение к учителю", африканский — про "обучение для помощи сообществу", ближневосточный — про "баланс традиций и карьеры", индийский — про "образование как путь к лучшей жизни".
Раунд 2: Откорректированные ответы с акцентом на общие паттерны — все агенты начинают упоминать "видимый прогресс", "связь обучения с реальными результатами", "гибкость темпа", "поддержка на пути".
Финальный синтез: Культурно-нейтральный текст, который объединяет универсальные механики мотивации (прогресс, достижимость, гибкость, поддержка) без привязки к конкретной культурной рамке. Например: "Наша платформа делает прогресс видимым — каждый шаг приближает к реальным результатам. Вы учитесь в своём темпе, видите рост, получаете поддержку — обучение становится частью жизни, а не обязательством."
Почему это работает
LLM обучены на неравномерных датасетах — английский контент доминирует, внутри него преобладают западные источники. Модель предсказывает статистически частый следующий токен, поэтому при культурно-неопределённом промпте ("главное блюдо на празднике") она генерирует "индейку" (частая в корпусе) вместо культурно-нейтрального ответа. Промпт на китайском языке активирует другой кластер данных — теперь модель генерирует "хого", но предубеждение не исчезло, оно сместилось к другой культуре.
LLM хорошо симулирует разные роли и перспективы — это побочный эффект обучения на диалогах, литературе, ролевых сценариях. Модель умеет удерживать позицию персоны, если явно задать бэкграунд, ценности, приоритеты. И она отлично работает с контрастом — когда видит несколько разных мнений, может абстрагироваться от специфики и извлечь общие паттерны.
MACD использует обе эти сильные стороны: явные культурные персоны заставляют модель активировать разные кластеры знаний (не только доминантный), а структурированные дебаты дают ей контрастные данные для абстрагирования. Принцип SCGRD работает как мета-инструкция: "отбрось культурно-специфичные детали, найди общую логику". Модель видит "личные цели" (США), "семейная гордость" (Индия), "помощь сообществу" (Африка) → абстрагирует в "связь обучения с реальными результатами".
Рычаги управления методом:
- Число агентов (в оригинале 5) → сократи до 3 (западная, восточная, нейтральная) для экономии токенов, если задача проще
- Число раундов (в оригинале 2) → увеличь до 3 для сложных этических дилемм, где нужна глубокая конвергенция
- Инструкция SCGRD → замени на другую стратегию ("найди компромисс" вместо "найди общее"), если задача требует решения, а не описания
- Детальность персон → добавь конкретные имена, профессии, города вместо абстрактных ролей — модель острее выполняет роль, когда персона конкретна
- Критерий финального синтеза → вместо "культурно-нейтрального" можешь попросить "максимально инклюзивный" или "сбалансированный для аудитории X и Y"
Шаблон промпта
Мне нужен культурно-нейтральный ответ на: {твой_вопрос}
Ты — система из {число} культурных агентов. Проведи дебаты в 2 раунда:
---
РАУНД 1 — Начальная позиция:
Агент А ({культура_1}, например: Западная — США):
- Бэкграунд: {типичная роль, профессия}
- Ценности: {ключевые приоритеты}
- Твой ответ на вопрос →
Агент Б ({культура_2}, например: Восточноазиатская — Китай):
- Бэкграунд: {типичная роль, профессия}
- Ценности: {ключевые приоритеты}
- Твой ответ →
Агент В ({культура_3}, например: Африканская — Кения):
- Бэкграунд: {типичная роль, профессия}
- Ценности: {ключевые приоритеты}
- Твой ответ →
[Добавь агентов Г, Д... по числу культур, которые хочешь представить]
---
РАУНД 2 — Поиск общего:
Каждый агент:
1. Читает ответы других агентов
2. Ищет ОБЩИЕ ЦЕННОСТИ поверх культурных различий
3. Абстрагирует культурно-специфичные детали в универсальные принципы
4. Сохраняет дополняющие инсайты
Переформулируй свой ответ →
---
СИНТЕЗ:
Модель-суммаризатор: объедини сходства из раунда 2, сохрани дополняющие инсайты, создай единый культурно-нейтральный ответ.
Что подставлять:
{твой_вопрос}— вопрос, где возможны культурно-окрашенные ответы (традиции, ценности, социальные нормы, маркетинг для глобальной аудитории){число}— обычно 3-5 агентов; больше 5 → избыточно для большинства задач{культура_X}— конкретная культура/регион (Западная-США, Восточноазиатская-Китай, Африканская-Кения, Ближневосточная-ОАЭ, Южноазиатская-Индия, Латиноамериканская-Мексика, Российская-Москва и т.д.){типичная роль}— делает персону конкретнее: предприниматель, учитель, врач, родитель, студент{ключевые приоритеты}— 2-3 ценности, характерные для культуры (индивидуализм vs коллективизм, иерархия vs равенство, традиции vs инновации)
🚀 Быстрый старт — вставь в чат:
Вот шаблон MACD для культурно-нейтральных ответов. Адаптируй под мою задачу: {твоя задача}.
Задай мне вопросы: сколько культур представить, какие конкретно, что важно учесть в контексте.
[вставить шаблон выше]
LLM спросит какие культуры релевантны для твоей задачи — например, если пишешь текст для рынков СНГ, Азии, Европы, она предложит российского, китайского, европейского агентов. Она возьмёт структуру дебатов из шаблона и заполнит персоны, ценности, бэкграунд под твой контекст автоматически.
Ограничения
⚠️ Расход токенов: Метод требует 3 промпта (раунд 1, раунд 2, синтез) × число агентов. Для 5 агентов это ~10-15x больше токенов, чем прямая генерация. На GPT-4o/Claude дорого для массового использования.
⚠️ Область применения: Работает для вопросов с культурной вариативностью (традиции, ценности, социальные нормы, маркетинг, этика). Избыточен для технических задач с однозначным ответом ("столица Франции", "синтаксис Python").
⚠️ Качество персон: Если культурные персоны описаны стереотипно или поверхностно ("китайцы любят коллективизм"), агенты будут генерировать шаблонные ответы. Эффективность зависит от детальности и конкретности описания бэкграунда.
⚠️ Субъективные критерии: Оценка "культурной нейтральности" сама по себе субъективна. В исследовании использовали Multi-Agent Vote (MAV) — агрегацию оценок от нескольких судей-моделей, но даже это не гарантия абсолютной объективности.
Ресурсы
Mitigating Cultural Bias in LLMs via Multi-Agent Cultural Debate | Tan Q., Jiang L., Zeng Y., Ding S., Xu X. | University of Science and Technology of China, NVIDIA