TL;DR
Когда промпт не работает — люди обычно переписывают его целиком. ACE (Atomic Concept Edits) предлагает другой подход: менять ровно один концепт за раз — добавить, убрать или заменить — и смотреть что изменилось. Из этих наблюдений собирается конституция — личный свод правил в формате «хорошие стратегии / плохие стратегии» для конкретной задачи с конкретной моделью.
Главная находка: разные модели ломаются по-разному. Добавь в задачу переменную-отвлекалку — и GPT-5 запутается, а Gemini 2.5 и o4-mini не заметят. GPT-Image следит за грамматической структурой промпта, а Imagen 4 — за цельностью сцены. Это значит: оптимальный промпт для одной модели — не оптимален для другой. Интуитивно понятно, но никто не проверял это так системно.
Метод решает это через две фазы. Сначала — разведка: меняй по одному концепту, записывай что сработало и что нет. Потом — конституция: сформулируй короткий список стратегий (5-10 пунктов) на основе того, что нашёл. Дальше используй этот список как контекст в каждом запросе.
Схема метода
ШАГ 1: РАЗЛОЖИ ПРОМПТ НА КОНЦЕПТЫ
Выдели явные концепты (что написано)
и неявные (что подразумевается, но не написано) → список
ШАГ 2: АТОМАРНЫЕ ПРАВКИ (по одной за раз)
• remove(концепт) → убери один элемент, проверь результат
• add(концепт) → добавь один элемент, проверь результат
• replace(A → B) → замени один элемент, проверь результат
→ записывай: что изменилось, лучше или хуже
ШАГ 3: СФОРМИРУЙ КОНСТИТУЦИЮ
На основе наблюдений составь два списка:
✅ Хорошие стратегии: что улучшает результат
❌ Плохие стратегии: что ухудшает или не влияет
→ 3-7 пунктов в каждом
ШАГ 4: ИСПОЛЬЗУЙ КОНСТИТУЦИЮ
Вставляй список стратегий в начало промпта для этой задачи
→ модель генерирует ответ с учётом найденных правил
Все шаги выполняются в обычном чате, отдельными запросами.
Пример применения
Задача: Ты пишешь промпты для ChatGPT, чтобы он помогал составлять коммерческие предложения для клиентов. Результаты нестабильны: иногда отлично, иногда размыто и без конкретики. Хочешь понять — что именно влияет на качество.
Промпт (Шаг 1 — разложи на концепты):
Вот мой промпт для составления КП:
"Напиши коммерческое предложение для клиента — строительная компания,
нужен подрядчик для отделочных работ, бюджет 2 млн рублей, срок 3 месяца."
Разложи этот промпт на концепты:
1. Явные концепты (что прямо написано)
2. Неявные концепты (что подразумевается, но не указано)
Для каждого неявного концепта предложи, как его можно добавить в промпт.
Промпт (Шаг 2 — атомарные правки):
Возьми базовый промпт: "[вставь исходный промпт]"
Сделай 5 вариантов с атомарными правками — каждый раз меняй РОВНО ОДИН элемент:
Вариант 1: убери [концепт X]
Вариант 2: добавь [концепт Y]
Вариант 3: замени [концепт A] на [концепт B]
...
Для каждого варианта напиши короткое КП (2-3 абзаца) и оцени сам:
стало конкретнее или размытее? Почему?
Промпт (Шаг 3 — конституция):
Ты провёл эксперименты с разными вариантами промпта для КП.
Вот результаты: [вставь наблюдения из шага 2]
Составь конституцию для этого типа задачи:
✅ ХОРОШИЕ СТРАТЕГИИ (3-5 пунктов):
Что добавлять/убирать/заменять, чтобы КП получалось конкретнее и убедительнее
❌ ПЛОХИЕ СТРАТЕГИИ (2-4 пункта):
Что сбивает модель с толку или даёт размытый результат
Каждый пункт — одна строка, конкретно, с примером.
Результат: После трёх итераций у тебя на руках будет список из 7-9 конкретных правил — что работает именно для КП, именно в ChatGPT. Например: «добавь конкретную боль клиента → результат острее» или «убирай слово "качественный" → без него меньше воды». Дальше вставляй конституцию в начало каждого запроса — стабильность вырастет.
Почему это работает
LLM не держит в голове что важно в твоём тексте. Каждый запрос — с нуля. Ты не знаешь, какой элемент промпта тянет результат вниз — потому что меняешь сразу несколько вещей одновременно. Это как лечить болезнь, меняя одновременно диету, режим и лекарства — не поймёшь что помогло.
Атомарная правка убирает эту неопределённость. Меняешь один элемент → видишь ровно его эффект. Это базовый принцип любого эксперимента, перенесённый на работу с промптами. Модель не стала умнее — ты просто начал контролировать переменные.
Конституция работает как few-shot в обёртке. Когда ты вставляешь список «хорошие/плохие стратегии» в промпт, модель получает калиброванный контекст под твою задачу. Она генерирует текст не с нуля, а с уже встроенными правилами, которые ты проверил эмпирически. Это как дать новому сотруднику не должностную инструкцию, а список «что тут работает и что не работает» от предыдущего коллеги.
Рычаги управления: - Размер конституции → 3-5 пунктов для быстрого старта, 7-10 для тонкой настройки - Специфичность правил → чем конкретнее формулировка («добавь название города» вместо «добавь детали»), тем стабильнее работает - Привязка к модели → конституция для Claude и для ChatGPT может различаться — тестируй отдельно - Периодическое обновление → когда находишь новый паттерн, добавляй его в список
Шаблон промпта
## КОНСТИТУЦИЯ ДЛЯ ЗАДАЧИ: {тип_задачи}
### Хорошие стратегии (применяй всегда):
{хорошая_стратегия_1}
{хорошая_стратегия_2}
{хорошая_стратегия_3}
### Плохие стратегии (избегай):
{плохая_стратегия_1}
{плохая_стратегия_2}
---
Задача: {конкретный_запрос}
Плейсхолдеры:
- {тип_задачи} — например «написание КП», «анализ договора», «пересказ статьи»
- {хорошая_стратегия_N} — конкретное правило из твоих наблюдений: «Всегда указывай конкретную боль клиента в первом абзаце»
- {плохая_стратегия_N} — что ухудшает результат: «Не используй размытые прилагательные без примера»
- {конкретный_запрос} — твоя задача на сегодня
🚀 Быстрый старт — вставь в чат:
Помоги мне построить конституцию для моей задачи.
Адаптируй этот шаблон под мой контекст. Задавай вопросы,
чтобы заполнить все поля.
[вставить шаблон выше]
LLM спросит тип задачи, с какой моделью работаешь и какие промпты уже пробовал — потому что без этого нельзя сформулировать конкретные стратегии. Затем предложит начальную конституцию, которую ты будешь уточнять через атомарные эксперименты.
Ограничения
⚠️ Требует итераций: Конституция не появляется за один запрос. Нужно 5-15 экспериментов с атомарными правками, чтобы список стратегий стал полезным. Для разовых задач — не стоит усилий.
⚠️ Не переносится между моделями: Конституция, собранная для ChatGPT-4o, может плохо работать в Claude 3.5 или Gemini. Исследование прямо показало: GPT-5 путают переменные-отвлекалки, а Gemini — нет. Тестируй под каждую модель отдельно.
⚠️ Слабо работает для субъективных задач: Если «хороший результат» зависит от вкуса (например, «напиши смешно»), атомарные правки сложно оценивать. Метод лучше работает там, где есть чёткий критерий успеха: длина текста, формат, наличие конкретных элементов.
⚠️ Конституция устаревает: Когда меняется модель (например, ChatGPT обновился) или тип задачи — список стратегий нужно пересобирать.
Как исследовали
Команда Google DeepMind взяла три разные задачи: контроль количества слов в ответе LLM, намеренное ухудшение математических решений и снижение соответствия между текстовым описанием и сгенерированным изображением. Для каждой задачи отбирали 100-130 начальных промптов из реальных датасетов (wikiHow, математические задачи в формате CSP, случайные текстовые описания для изображений).
Идея была простой: запустить автоматический генератор атомарных правок на Gemini 2.5 Flash, собрать тысячи экспериментов, а потом попросить LLM обобщить паттерны в конституцию. Конституцию затем итеративно улучшали через эволюционный алгоритм — что-то вроде «покажи модели 50 примеров где стратегия сработала и 50 где не сработала, попроси пересмотреть правила».
Самый интересный результат — межмодельные различия. GPT-5 деградирует от переменных-отвлекалок в математике (добавляешь ненужную переменную в условие — модель путается), а Gemini 2.5 Flash/Pro и o4-mini остаются устойчивы. Это практически важно: если работаешь с числовыми задачами в GPT-5 — убирай лишние переменные из условий. Конституция с этим правилом дала в среднем 1.86× рост успешности по сравнению с беспорядочными правками без стратегии.
Оригинал из исследования
Оригинальная структура конституции из исследования для задачи «соблюдение количества слов»:
GOOD STRATEGIES:
- Direct Word Count Specification
- Character/Sentence Limits
- Word Count Range
- Targeted Brevity Commands
- Removal of Irrelevant Context or Superfluous Information
BAD STRATEGIES:
- Irrelevant Tone/Audience Adjustments
- Generic Prompt Rewording
- Changing Specifics/Core Request
- Format Changes (without length implication)
- Vague Qualitative Length Descriptors
Контекст: Исследователи запускали ACE на 100 промптах из wikiHow, используя Gemini 2.5 Flash как генератор правок. Конституция выше — итог нескольких сотен атомарных экспериментов, обобщённых в список стратегий.
Адаптации и экстраполяции
💡 Адаптация: готовая конституция для типовых задач
Не обязательно собирать конституцию с нуля — можно взять уже найденные паттерны из исследования и использовать напрямую.
Если работаешь с ограничениями по объёму (короткие ответы, резюме, посты):
## КОНСТИТУЦИЯ: Контроль объёма текста
### Хорошие стратегии:
- Укажи точное число слов или знаков: "ответь в 50 словах"
- Задай диапазон: "от 40 до 60 слов"
- Попроси убрать повторы и общие фразы перед финальным ответом
### Плохие стратегии:
- Расплывчатые инструкции: "ответь кратко" или "не пиши много"
- Изменение тона/аудитории без указания длины
- Формальные требования без указания на длину ("используй маркированный список")
---
Задача: {твой_запрос}
🔧 Техника: Принцип отвлекающих переменных → очищай условие задачи
Исследование показало: GPT-5 путается если в условии задачи есть лишние переменные, которые не нужны для решения. Это работает в обе стороны.
Если хочешь чёткий ответ: убери из промпта всё что не относится к задаче напрямую — лишний контекст, уточнения, оговорки.
Если хочешь проверить логику модели: добавь одну нерелевантную переменную и посмотри запутается ли. Это простой тест на устойчивость рассуждений для конкретного вопроса.
Реши задачу: {условие_задачи}
[Чистая версия — без лишних деталей]
vs.
Реши задачу: {условие_задачи + отвлекающая_переменная}
[Версия с отвлекалкой — смотри как изменился ответ]
Ресурсы
Название работы: Interpreting and Controlling Model Behavior via Constitutions for Atomic Concept Edits
Где опубликовано: Принята на AISTATS 2026 (короткая версия)
Авторы: Neha Kalibhat, Zi Wang, Prasoon Bajpai, Drew Proud, Wenjun Zeng, Been Kim, Mani Malek
Организация: Google DeepMind
Связанные работы упоминаемые в статье: Constitutional AI (Anthropic), TextGrad, AlphaEvolve, ProTeGi