TL;DR
CCS — это техника, которая встраивает в промпт трёхуровневый профиль экспертизы и заставляет модель менять поведение в зависимости от того, насколько пользователь способен проверить её ответ. Не стиль, не тон — именно степень осторожности и прозрачности.
Стандартная персонализация LLM подстраивает голос и формат. Но она не знает, что вы — крутой маркетолог и слабый юрист. Результат: модель уверенно генерирует юридический анализ, вы его читаете, звучит убедительно, вы соглашаетесь. Исследователи называют это Professional Domain Drift (профессиональное смещение) — вы полагаетесь на AI там, где не можете проверить его правоту. Проблема не в том, что модель ошибается, а в том, что вы не замечаете ошибки.
CCS решает это через явный профиль: вы объявляете, где сильны (модель работает прямо и эффективно), где частично разбираетесь (смешанная зона — модель проверяет, насколько вопрос выходит за вашу реальную компетенцию), где слабы (модель активно сигнализирует об ограничениях и неопределённости). Три зоны, три режима поведения — всё встроено в один структурированный промпт.
Схема метода
ШАГ 1 (один промпт-профиль, устанавливается один раз):
Объявить сильные домены → модель: минимум предупреждений, прямые ответы
Объявить смешанные домены → модель: проверяет сложность вопроса,
добавляет оговорки при выходе за реальную экспертизу
Объявить слабые домены → модель: явно сигнализирует об ограничениях,
рекомендует проверку у специалиста
ШАГ 2 (каждый следующий вопрос):
Модель автоматически определяет, в какую зону попадает вопрос
→ Применяет соответствующий режим из профиля
→ Consistency-проверка: если вопрос из "сильного" домена содержит концепции
из "слабого" — активируется режим слабого домена
Всё работает в одном чате. Профиль задаётся в начале или в системном промпте.
Пример применения
Задача: Артём — основатель EdTech-стартапа. Сильный в продукте и маркетинге, слабее в финансах, совсем не разбирается в корпоративном праве. Часто использует Claude для рабочих вопросов и хочет, чтобы модель не читала ему лекции там, где он сам разбирается — но честно предупреждала там, где он может ошибиться.
Промпт:
Продуктовая разработка, пользовательский опыт (UX), контент-маркетинг,
SEO, email-маркетинг, growth hacking
Финансовое моделирование, Unit-экономика, привлечение инвестиций,
переговоры с инвесторами
Корпоративное право, трудовое законодательство, налоговое планирование,
бухгалтерский учёт
StrongDomain: отвечай прямо и по делу. Не добавляй избыточных предупреждений и
оговорок — пользователь может сам оценить ответ.
MixedDomain: внимательно смотри на сложность конкретного вопроса.
Если вопрос затрагивает базовые концепции — отвечай прямо.
Если вопрос предполагает реальную экспертизу, которой у непрофессионала нет —
явно укажи, что ответ требует профессиональной проверки, объясни почему.
WeakDomain: всегда явно сигнализируй, что пользователь не может надёжно
оценить этот ответ самостоятельно. Указывай конкретные риски.
Рекомендуй обратиться к специалисту.
Если вопрос формально из сильного домена, но содержит концепции из смешанного
или слабого домена — применяй режим более осторожного домена.
Пример: вопрос про "маркетинговый договор с агентством" — это пересечение
маркетинга (сильный) и права (слабый). Применяй режим слабого домена.
Вопрос: {вопрос пользователя}
Результат:
На вопрос про A/B-тестирование — прямой ответ без оговорок. На вопрос про оценку стартапа для раунда — ответ с пояснением, где именно расчёт требует финансовой экспертизы. На вопрос про договор с подрядчиком — чёткое предупреждение, что нельзя полагаться на этот ответ без юриста, с указанием конкретных рисков. На вопрос про "маркетинговый договор" — модель заметит пересечение зон и активирует осторожный режим, несмотря на слово "маркетинг" в вопросе.
Почему это работает
Слабость LLM: Без профиля модель не знает, где вы можете её проверить. Она либо перестраховывается везде ("проконсультируйтесь со специалистом" даже когда вы сами специалист), либо отвечает уверенно везде, создавая иллюзию надёжности там, где она опасна.
Сильная сторона LLM: Модель хорошо умеет адаптировать поведение под явно заданный контекст. Она умеет читать структурированные правила и применять их к конкретному вопросу. Особенно важно: она умеет определять концептуальную близость вопроса к разным областям — это то, что делает consistency-проверку рабочей.
Как метод использует это: CCS даёт модели явную карту вашей компетенции и чёткие правила поведения для каждой зоны. Модель не угадывает — она следует структуре. И ключевое: промпт заставляет её проверять не просто метку домена, а реальную концептуальную сложность конкретного вопроса внутри этого домена. Именно поэтому в исследовании "Формальная логика" и "Психология" дали совершенно разную активацию, хотя оба были помечены как "смешанный домен".
Рычаги управления: - Гранулярность доменов — чем точнее описаны домены, тем точнее работает маршрутизация. "Маркетинг" хуже, чем "email-маркетинг, SEO, контент". - Строгость ConsistencyGuardrail — добавьте конкретные примеры пересечений ("X + Y = режим Z"), и модель будет реже ошибаться на стыке доменов. - Язык режимов — замените абстрактные инструкции на конкретные действия ("рекомендуй конкретных специалистов" вместо "рекомендуй специалиста"). - Профиль в системном промпте — установите один раз через "Custom instructions" в ChatGPT или "System prompt" в Claude, и он работает во всех чатах.
Шаблон промпта
{перечисли области глубокой экспертизы — конкретно, не широко}
{перечисли смежные области — где есть контекст, но нет полной экспертизы}
{перечисли области вне экспертизы — где ты как неспециалист}
StrongDomain: отвечай прямо, без избыточных оговорок и предупреждений.
Доверяй способности пользователя оценить ответ.
MixedDomain: анализируй сложность конкретного вопроса.
При базовых вопросах — отвечай прямо.
При вопросах, требующих глубокой экспертизы — явно укажи,
что ответ выходит за зону надёжной оценки, объясни риски.
WeakDomain: всегда явно сигнализируй об ограниченности оценочной способности
пользователя в этой области. Указывай конкретные риски.
Рекомендуй профессиональную проверку.
Если вопрос формально из сильного домена, но концептуально затрагивает
смешанный или слабый — применяй режим более осторожного домена.
{вопрос или задача}
Плейсхолдеры:
- {перечисли области...} — конкретные специализации, не широкие категории. "Контекстная реклама Яндекс.Директ" лучше, чем "маркетинг".
- {вопрос или задача} — любой рабочий запрос.
🚀 Быстрый старт — вставь в чат:
Вот шаблон CCS — системы, которая настраивает поведение AI
под уровень моей экспертизы. Адаптируй его под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля профиля.
[вставить шаблон выше]
LLM спросит про твои сильные и слабые области знаний — потому что профиль экспертизы — это сердце метода, без него маршрутизация не работает. Она возьмёт структуру шаблона и заполнит её под твой контекст.
Ограничения
⚠️ Самодекларация: Профиль составляешь ты сам, и если переоцениваешь себя в смешанной зоне — модель тоже ошибётся в сторону "пользователь справится". Метод не защищает от слепых пятен в собственной экспертизе.
⚠️ Нет памяти между чатами: В каждом новом чате профиль нужно подключать заново. Спасает только системный промпт или шаблон с профилем.
⚠️ Смешанные домены непредсказуемы: Исследование показало, что "Формальная логика" и "Психология" — оба смешанные домены, но активация отличалась в пять раз. Модель сама решает, насколько вопрос "реально сложный" внутри смешанной зоны. Это не баг, но и не полностью под твоим контролем.
⚠️ Только один поворот разговора: Исследование тестировало single-turn — один вопрос, один ответ. Как профиль работает в длинных диалогах с накопленным контекстом — не проверяли.
Как исследовали
Команда взяла 480 вопросно-профильных пар из MMLU — большого бенчмарка с вопросами по 57 областям знаний (медицина, право, математика, история и т.д.). Каждый вопрос тестировали в трёх условиях: без профиля (контроль), с профилем NLP-специалиста (ML и CS — сильные, медицина и право — слабые), и с инвертированным профилем гуманитария (всё наоборот). Ключевой момент дизайна: вопросы оставались идентичными — менялся только профиль. Это позволяло видеть чистый эффект профиля без шума.
Результат впечатлил: при профиле NLP-специалиста модель почти молчала на вопросах по ML и CS (3% активации предупреждений), но уходила в максимальную осторожность на медицинских и юридических (100%). При инвертированном профиле — паттерн полностью перевернулся: ML/CS получили 100% активации, гуманитарные — 0%. Статистически это практически невозможно случайно (p < 10⁻¹³). Особенно интригующий результат — смешанная зона: "Психология" дала 73% активации, "Формальная логика" — только 13%, "Эконометрика" — 3%, хотя все три формально один домен. Это означает, что модель реагирует не на метку домена, а на реальную концептуальную структуру вопроса. Для практики это важно: нельзя просто написать "слабый домен" — нужно описать его точно, чтобы модель правильно матчила.
Всё проверили на четырёх моделях — Claude Sonnet 4.5, Haiku 4.5, GPT-4.1, GPT-4.5. Паттерн оставался стабильным у всех, хотя в деталях поведение немного отличалось.
Адаптации и экстраполяции
🔧 Техника: Динамический профиль → автоматическая коррекция при новой информации
Добавь в ConsistencyGuardrail инструкцию обновлять оценку домена прямо в диалоге:
Если в ходе диалога пользователь демонстрирует знания,
противоречащие заявленному профилю — сообщи об этом явно и спроси,
нужно ли скорректировать уровень для этой темы.
Модель будет замечать, когда ваши вопросы выдают больше или меньше экспертизы, чем заявлено — и предлагать пересмотр.
🔧 Техника: Профиль команды → разные режимы для разных ролей
Если используешь ChatGPT для работы с командой или настраиваешь промпт под конкретного человека:
{...}
{...}
{...}
Создай несколько профилей для разных ролей и переключай их в начале сессии. Маркетолог получает один режим модели, финансовый директор — другой, при одних и тех же вопросах.
🔧 Экстраполяция: CCS + Chain-of-Thought только для слабых зон
Добавь в правила для WeakDomain инструкцию разворачивать рассуждение по шагам:
WeakDomain: показывай рассуждение по шагам — пользователю важно
видеть логику, а не только вывод, чтобы хотя бы частично оценить ответ.
В зонах, где вы не эксперт, пошаговое рассуждение даёт шанс заметить ошибку даже без глубоких знаний.
Ресурсы
Capability-Conditioned Scaffolding for Professional Human–LLM Collaboration Sen Yang (University College London), Yinglei Ma (Fudan University)