TL;DR
Чем подробнее вы расписываете AI каждый шаг задачи — тем хуже может стать результат. Это задокументированный паттерн: избыточная структура вводит накопленные ошибки на каждом переходе между шагами. Partial Harnessing — принцип, который решает проблему: задай AI первые 2-3 критических шага как якоря, остальное отпусти — пусть AI достроит сам.
У AI есть оптимальный размер подзадачи. Слишком крупная — не справится за отведённое число шагов. Слишком мелкая — теряет связность: тратит усилия на переходы вместо реального продвижения. Если каждый шаг вашего промпта требует прогресса, который AI не может надёжно сделать в один ход — задача деградирует на каждом уровне, и итог хуже, чем если бы шагов было вдвое меньше.
Второй ключевой вывод — про галлюцинации. Инструкции без привязки к реальным данным ("будь подробнее", "звучи уверенно") физически усиливают галлюцинации. Инструкции, которые вытекают из конкретного контекста задачи — подавляют. Причём чем сильнее вы давите "неправильной" инструкцией, тем хуже становится. Это не нейтрализуется — это усиливается.
Схема метода
ПРИНЦИП 1 — Partial Harnessing (частичная спецификация)
Задай явно: 2-3 ключевых начальных блока → в каком формате, что обязательно
Отпусти: всё остальное — пусть AI выстроит сам
Финал: укажи что должно быть на выходе, не как к нему прийти
ПРИНЦИП 2 — Granularity Alignment (размер шага)
Оцени: что AI реально может сделать за один шаг?
Не дроби ниже этого уровня
→ Меньше шагов с нормальным размером > много мелких шагов
ПРИНЦИП 3 — Guidance-Evidence Alignment (обоснованность инструкций)
Добавляй инструкции ТОЛЬКО если они вытекают из реальных данных в задаче
Убирай: "будь подробным", "звучи уверенно", "дай развёрнутый ответ"
Оставляй: "опирайся только на предоставленные данные", "не выходи за рамки X"
Все три принципа применяются при составлении промпта — в одном запросе.
Пример применения
Задача: Написать анализ для выхода бренда одежды на Wildberries — с разбором конкурентов, ценообразованием и рисками.
Плохой промпт (избыток структуры):
Шаг 1: проанализируй категорию
Шаг 2: составь таблицу конкурентов
Шаг 3: определи ценовые диапазоны
Шаг 4: выяви топ-3 игрока
Шаг 5: рассчитай юнит-экономику
Шаг 6: опиши риски
Шаг 7: дай рекомендации...
Промпт с Partial Harnessing:
Напиши стратегический анализ выхода на Wildberries для бренда базовой одежды
(футболки, худи, средний ценовой сегмент 1500–3500 ₽).
Начни с двух обязательных блоков:
1. Конкурентный ландшафт — топ-5 игроков в категории, их ценовой диапазон
и позиция по рейтингу
2. Ценовое позиционирование — где именно стоит войти и конкретное обоснование
После этих двух блоков выстраивай анализ сам — исходя из того,
что логично для этой задачи.
В финале: конкретные рекомендации с цифрами и приоритетами.
Важно: не придумывай данные. Если факт неизвестен — обозначь как "требует
проверки" и объясни где искать.
Результат: Модель выполнит первые два блока жёстко (заданы якоря с форматом), дальше выстроит логику сама — возможно, лучше, чем при 7 предписанных шагах. Финальный текст будет связным, без искусственных переходов. Инструкция про данные снизит вероятность выдуманных цифр — модель будет маркировать неизвестное вместо того, чтобы генерировать правдоподобную ложь.
Почему это работает
Где AI теряет качество при избытке структуры. Каждый жёстко заданный шаг — это маленькая задача с фиксированным "бюджетом" внимания. Если шаг слишком мелкий, AI тратит значительную часть этого бюджета на переход к следующему, а не на содержание. Ошибки накапливаются на каждом переходе. Исследователи называют это координационными потерями — вы сами создаёте их, добавляя структуру.
Что AI умеет хорошо. AI хорошо выстраивает связный текст от правильно заданной начальной точки. Если дать правильный старт и указать финал — модель часто сама находит нужный путь лучше, чем по жёсткому плану. Её "автономная" часть после якорей работает целостнее, чем принудительные переходы.
Как инструкции влияют на галлюцинации. "Будь подробным" — это сигнал расширять текст. AI расширяет через генерацию: там где нет данных, появляются правдоподобные выдумки. "Опирайся только на предоставленные факты" — это сигнал повышать вес обоснованных траекторий над генерирующими. Сильное давление неработающей инструкцией не нейтрализует эффект — оно его усиливает. Это ключевое: добавить больше "будь подробнее" → больше галлюцинаций, не меньше.
Рычаги управления: - Число якорей → 2-3 это норма, 5+ начинает работать против вас - Формат якорей → чем конкретнее ("топ-5 игроков с ценой"), тем точнее выполнение - Ограничения → только те, что вытекают из реальных данных задачи - Финал → укажи ЧТО должно быть на выходе (рекомендации, список, решение), но не КАК туда прийти
Шаблон промпта
{Задача} — [что нужно сделать, контекст].
Начни с этих обязательных блоков:
1. {Якорь_1} — [что именно, в каком формате]
2. {Якорь_2} — [что именно, в каком формате]
После этих блоков выстраивай структуру самостоятельно —
исходя из того, что логично для задачи.
В финале обязательно: {конкретный результат}.
Важно: {ограничение, вытекающее из реального контекста —
например, "опирайся только на предоставленные данные"
или "не выходи за рамки [конкретного периода/области]"}.
Что подставлять:
- {Задача} — что нужно написать, проанализировать, разобрать
- {Якорь_1}, {Якорь_2} — 2-3 блока, которые вам критически важны — где вы хотите контроль
- {конкретный результат} — что должно быть на выходе (рекомендации, план, список с приоритетами)
- {ограничение} — только то, что вытекает из реальных данных которые у вас есть
🚀 Быстрый старт — вставь в чат:
Вот шаблон Partial Harnessing — подход к заданию AI правильного уровня структуры.
Адаптируй под мою задачу: [твоя задача].
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит какие блоки для тебя критичны и какой финальный результат нужен — потому что именно это определяет где задать якоря, а где отпустить задачу. Она возьмёт паттерн шаблона и адаптирует под твой кейс.
Ограничения
⚠️ Для простых задач не нужен: Перевод текста, 3 тезиса, короткий список — Partial Harnessing здесь избыточен. Работает на сложных многошаговых задачах.
⚠️ Нужно знать свои якоря: Чтобы выбрать правильные 2-3 блока, нужно понимать что в задаче критически важно. Не знаешь — попроси AI предложить варианты якорей сначала, потом скорректируй.
⚠️ Исследование про агентов, не чаты: Выводы получены на автономных AI-агентах с инструментами (терминал, код) и на синтетических задачах. В обычном чате принципы логически выводятся, но прямых экспериментов именно на chat нет.
⚠️ Принцип, не формула: Это не техника с точным алгоритмом — это правило проектирования. Требует применения к конкретному случаю.
Ресурсы
Harnesses for Inference-Time Alignment over Execution Trajectories — Boyuan Wang, Bochao Li, Minghan Wang (equal contribution), Yuxin Tao, Fang Kong. Southern University of Science and Technology (SUSTech). Корреспонденция: taoyx@sustech.edu.cn, kongf@sustech.edu.cn.
Ключевые смежные работы из статьи: ReAct (Yao et al., 2022), DSPy (Khattab et al., 2023), TerminalBench v2.