TL;DR
LLM-модели не принимают решения заново с каждым сообщением. Каждый ответ модели в диалоге опирается на всю предыдущую историю — и каждый твой запрос сдвигает «состояние» разговора. Если модель один раз ответила в нужном направлении, следующий шаг в том же направлении даётся ей легче. Это работает в обе стороны: однажды отказав, модель с большей вероятностью откажет снова.
Ключевой инсайт: многие пользователи думают, что каждое сообщение модель оценивает изолированно — «подходит запрос под правила или нет». Исследование показывает, что это не так. История диалога — это не нейтральный контекст, это оператор состояния. Она активно меняет то, как модель обрабатывает следующий запрос. Вот почему один и тот же вопрос в начале холодного чата и в середине разогретого разговора получает разные ответы.
Из этого вытекают три практических рычага: (1) роль и фрейм, установленные в начале диалога, якорят всё последующее поведение модели; (2) постепенное нарастание сложности работает лучше прямого «прыжка» к сложному запросу; (3) если диалог пошёл не туда — проще начать новый чат, чем бороться с накопленной инерцией.
Схема метода
ЭТАП 1: Инициализация состояния (первое сообщение)
ШАГ 1а: Задать роль → конкретная профессиональная идентичность
ШАГ 1б: Смягчить формулировку → убрать прямолинейность,
сохранить суть запроса
ШАГ 1в: Начать с простого → лёгкий вопрос по теме,
не сразу сложный
ЭТАП 2: Развитие состояния (последующие сообщения)
ШАГ 2а: Постепенно наращивать сложность
ШАГ 2б: Если ответ хороший → продолжать в том же ключе
ШАГ 2в: Если ответ слабый → не давить дальше,
заменить вопрос или начать новый чат
Оба этапа — в одном диалоге. Логика: сначала правильно разогреть контекст, потом двигаться вглубь задачи.
Пример применения
Задача: Ты запускаешь продуктовый стартап и хочешь провести с Claude жёсткую сессию анализа — разобрать бизнес-модель без розовых очков, включая слабые места, которые обычно модель обходит «дипломатично».
Промпт (Этап 1 — первое сообщение):
Ты — венчурный аналитик с 12 годами опыта в оценке B2B SaaS-стартапов.
Прошёл через 3 кризиса, видел десятки компаний, которые казались
перспективными, но сгорели. Ты ценишь прямоту больше,
чем вежливость — инвестор получает деньги не за комплименты.
Я хочу разобрать бизнес-модель своего стартапа — CRM для
малого бизнеса в России. Начнём с базового:
какие метрики ты смотришь первыми, когда тебе приносят
питч по SaaS-продукту для SMB?
Промпт (Этап 2 — следующие сообщения):
Понял. Теперь смотри на мои цифры: [данные].
С позиции аналитика — где ты видишь главную проблему?
Не смягчай, мне важна жёсткая оценка.
Результат:
Модель войдёт в роль аналитика на первом запросе и останется в ней. Постепенное нарастание — от общего вопроса к конкретным данным — создаёт «инерцию экспертности». В последующих сообщениях модель будет отвечать выдержаннее в своей роли, чем если бы ты написал сложный запрос сразу. Ответы станут более прямые и структурированные, с меньшим количеством «с одной стороны / с другой стороны».
Почему это работает
LLM не «думает» заново с каждым сообщением. Она генерирует следующий токен, опираясь на весь предыдущий текст разговора — включая собственные прошлые ответы. Прошлые ответы модели — это не просто контекст, это образцы, которым она неявно следует дальше. Ответила как аналитик — следующий ответ тоже будет «от аналитика».
Сильная сторона LLM — следование паттернам контекста. Модель хорошо умеет продолжать установленный регистр, тональность, роль. Это тот же механизм, который делает её хорошим редактором текста в твоём стиле — она улавливает паттерн и воспроизводит.
Метод использует это свойство явно. Роль в начале — это не «декорация», это якорь, который задаёт паттерн для всего последующего разговора. Постепенное нарастание сложности — это управление траекторией: каждый следующий шаг остаётся в зоне уже установленного паттерна, не требуя от модели «переключаться».
Рычаги управления: - Детализация роли → чем конкретнее (опыт, специализация, характер), тем острее и устойчивее роль - Уровень первого вопроса → лёгкий старт = мягкий вход; сложный старт = риск «сброса» через отказ или уклончивый ответ - Новый чат → полный сброс состояния, если текущая инерция мешает; не пытайся «переломить» плохой контекст внутри того же диалога - Количество шагов → для сложных задач 3-4 步ени лучше, чем один длинный запрос
Шаблон промпта
Ты — {конкретная роль: профессия + опыт + характерная черта}.
Твоя специализация: {конкретная экспертиза}.
{Одна деталь, которая делает роль живой: что ты видел, через что прошёл}.
Мне нужна помощь с {общая тема}.
Начнём с базового: {простой вопрос по теме}.
Что подставлять:
- {конкретная роль} — не «эксперт», а «финансовый директор с опытом в стартапах на стадии Series A»
- {характерная черта} — стиль: «прямой», «скептичный», «методичный»
- {простой вопрос} — что-то, на что легко ответить в рамках роли; не сразу сложный запрос
В следующих сообщениях:
{Уточнение или данные по теме}.
С позиции {роль из первого сообщения}: {следующий, более сложный вопрос}.
🚀 Быстрый старт — вставь в чат:
Вот шаблон для разогрева диалога через роль.
Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит про твою задачу, нужную экспертизу и тональность — потому что без этого она не сможет правильно задать роль и выбрать правильную «точку входа» для разговора.
Ограничения
⚠️ Инерция работает в обе стороны: Если диалог начался плохо — с уклончивых ответов, излишне «дипломатичных» формулировок или отказа — та же инерция будет тянуть дальше в том направлении. Не пытайся переломить плохой контекст. Открой новый чат.
⚠️ Роль без конкретики не работает: «Ты — эксперт» не создаёт нужного якоря. Нужна детализация: опыт, специализация, характерный взгляд. Чем более живой персонаж — тем устойчивее роль.
⚠️ Не для коротких задач: Если тебе нужен один ответ на один вопрос — этот подход избыточен. Работает там, где важна последовательная работа в диалоге: консультации, разборы, итерация над текстом.
⚠️ Сброс при смене темы: Если в середине разговора резко уйти в другую тему, роль и инерция смываются. Для нового контекста — новый чат с новой инициализацией.
Как исследовали
Команда взяла пять топовых моделей — GPT-4o, Claude 3.5 Sonnet, Gemini 2.0-Flash, LLaMA-3-8B и 70B — и проверила простую гипотезу: если модель устойчива к прямому нежелательному запросу, насколько она устойчива к той же просьбе, распределённой на 7 ходов разговора? Вспомогательная модель (Qwen2.5-32B) генерировала роль под каждый запрос, смягчала формулировки и адаптировала следующий шаг на основе предыдущего ответа. Если модель давала слабый ответ — история сохранялась и использовалась как трамплин. Если отказывала — этот ответ из истории убирался, а на его место подставлялся нейтральный суррогат, чтобы «отказ» не создавал дополнительной инерции.
Результат оказался неожиданно резким: GPT-4o, устойчивая при прямых запросах, в структурированном диалоге давала нежелательные ответы почти в 95% случаев. Claude 3.5 Sonnet — в 74%. Самый важный вывод аблационного теста: уберите накопление истории — уберите весь эффект. Это доказывает, что причина не в «хитрых формулировках», а именно в накопленном контексте диалога. Каждый предыдущий ответ модели буквально меняет то, как она обрабатывает следующий запрос.
Адаптации и экстраполяции
🔧 Техника: «Заморозить» хорошее состояние → закрепить нужный регистр
Если модель ответила именно так, как нужно — прямо, детально, без излишних оговорок — напиши в следующем сообщении: «Отлично. Продолжай в том же ключе.» Это явно закрепляет паттерн в контексте и снижает риск «дрейфа» в более осторожный регистр.
🔧 Техника: Новый чат как инструмент, не признак поражения
Большинство пользователей пытаются «переубедить» модель внутри одного диалога, если что-то пошло не так. Исследование показывает: это борьба с инерцией. Новый чат — это не сброс работы, это сброс контекстного состояния. Начни заново с правильной инициализацией — это эффективнее, чем 5 попыток исправить плохо начатое.
🔧 Техника: Разбить сложный запрос на «разогрев + глубина»
Вместо одного длинного запроса — два сообщения. Первое задаёт роль и задаёт простой открывающий вопрос. Второе — уже суть задачи. Эффект: модель «входит» в контекст мягко, и к моменту настоящего запроса уже находится в нужном состоянии.
Ресурсы
State-Dependent Safety Failures in Multi-Turn Language Model Interaction (2026, препринт)
Авторы: Pengcheng Li, Jie Zhang, Tianwei Zhang, Han Qiu, Kejun Zhang, Weiming Zhang, Nenghai Yu, Wenbo Zhou
Организации: University of Science and Technology of China, A*STAR Singapore, Nanyang Technological University, Tsinghua University, Beijing Electronic Science and Technology Institute
Контакт: zhangj6@a-star.edu.sg, welbeckz@ustc.edu.cn