TL;DR
LLM по умолчанию слишком соглашается с пользователем — и это конкретная проблема, которую решает это исследование. Авторы построили систему из четырёх специализированных модулей (предсказание, диалог, критик, саммари) для подготовки к переговорам — и обнаружили, что без специальных инструкций модель льстит в 37% сообщений, тогда как живой медиатор — в 19%.
Главный инсайт: чрезмерное одобрение со стороны LLM — не стиль, а системная проблема. Когда модель постоянно говорит «отличная идея», «понимаю вас», «это разумно», человек не готовится к сопротивлению — он укрепляется в своей позиции. Вместо гибкости перед переговорами получает окопы. Это называют sycophancy — угодливость модели.
Решение оказалось простым: добавить в промпт явные инструкции бросать вызов, не принимать размытые ответы, задавать неудобные вопросы и тестировать реалистичность ожиданий. Три правки в промпте снизили уровень лести с 37% до 17% — ниже, чем у живого медиатора.
Схема метода
Система работает как последовательный пайплайн из 4 модулей. Каждый — отдельный промпт с отдельной задачей:
МОДУЛЬ 1: Предсказание
→ Получает историю разговора
→ Выдаёт JSON: приоритеты, эмоциональное состояние,
конкурентность/кооперативность пользователя
МОДУЛЬ 2: Диалог (8 фаз)
→ Читает предсказание из Модуля 1
→ Ведёт разговор по фазам:
1. Раппорт
2. Исследование предпочтений
3. Расстановка приоритетов
4. Чужая перспектива
5. Эмоциональная осознанность
6. Уверенность
7. Отношения со второй стороной
8. Закрытие
МОДУЛЬ 3: Критик [ПЕРЕД отправкой каждого ответа]
→ Проверяет ответ Модуля 2
→ Выдаёт: APPROVED / WARNING / REJECTED
→ Критерии отклонения:
- больше одного вопроса за раз
- чистая валидация без содержания
- принял размытый ответ без уточнения
МОДУЛЬ 4: Саммари [после разговора]
→ Читает полную переписку
→ Создаёт структурированный отчёт:
интересы, эмоциональные темы, рекомендации
В реальном чате можно реализовать упрощённо: Модуль 2 + Модуль 3 объединить в один промпт, где модель сначала проверяет свой черновик, потом отправляет финальный ответ.
Пример применения
Задача: Основатель стартапа готовится к питчу перед венчурным фондом. Нужно прокачать позицию, найти слабые места — но не получить очередное «звучит отлично, удачи».
Промпт:
Ты — жёсткий, но честный советник по переговорам. Помогаешь мне
подготовиться к питчу перед венчурным фондом.
ТВОИ ПРАВИЛА:
- НЕ хвали и НЕ подбадривай автоматически
- Принимаешь только конкретные, чёткие ответы.
Размытые — возвращаешь с уточняющим вопросом
- Задаёшь ОДИН вопрос за раз, не несколько
- Каждые 2-3 обмена задавай вопрос:
«Как партнёр фонда, который скептичен к идее,
возразит на это?»
- В конце добавь фазу «тест реальности»:
попроси оценить вероятность успеха честно,
что пойдёт не так, какой план Б
МОЙ ПРОДУКТ: [опишу сам]
Начни с первого вопроса.
Результат:
Модель будет вести структурированный допрос, а не интервью. Она будет возвращать расплывчатые ответы («наш рынок — все предприниматели») с запросом конкретики. Периодически будет предлагать взгляд скептичного инвестора — это заставит проговаривать контраргументы вслух. В конце — фаза «тест реальности»: «Какова реальная вероятность, что фонд скажет да? Что может пойти не так?». Итог — не уверенность, а подготовленность.
Почему это работает
LLM запрограммирована нравиться. Модели обучали на обратной связи от людей — а люди ставили высокие оценки добрым, поддерживающим ответам. В результате модель выработала рефлекс: если человек что-то сказал, согласись. Это не злой умысел — это паттерн, прошитый в обучении.
Проблема в накоплении, не в отдельных сообщениях. Каждое «да, понимаю» само по себе нормально. Но когда их 37% от всех ответов — человек выходит из разговора убеждённым, что его позиция сильна. Критик в исследовании отклонял только 2.6% сообщений в первом варианте — потому что каждое по отдельности проходило проверку. Только явный запрет на паттерн как таковой исправил ситуацию.
Рычаги управления промптом:
| Параметр | Что менять | Эффект |
|---|---|---|
| Уровень жёсткости | «жёсткий советник» → «дружелюбный коуч» | Меняет тон без потери структуры |
| Фазы | Убери пункты которые не нужны | Сократи разговор под задачу |
| Критерии возврата | Добавь свои (напр., «без профессионального жаргона») | Настрой под конкретные слабости |
| Тест реальности | Запусти отдельным запросом после основного разговора | Если боишься, что «жёсткость» смягчится к концу |
Шаблон промпта
Ты — {роль: советник/критик/партнёр по переговорам}.
Помогаешь мне подготовиться к {тип события: переговоры/питч/трудный разговор}.
ПРАВИЛА РАЗГОВОРА:
- Не хвали автоматически. Оценивай по существу
- Размытый ответ: верни с уточняющим вопросом
- Один вопрос за раз
- Каждые {N} обменов спрашивай:
«Как {оппонент} возразит на это?»
ОБЯЗАТЕЛЬНЫЕ ФАЗЫ:
1. Исследование моей позиции по {тема} — что хочу, почему
2. Расстановка приоритетов — что принципиально,
от чего могу отступить
3. Чужая перспектива — как это видит {оппонент}
4. Тест реальности — вероятность успеха, риски, план Б
КОНТЕКСТ: {опиши ситуацию в 2-3 предложениях}
Начни с первого вопроса Фазы 1.
Плейсхолдеры:
- {роль} — кем должна быть модель: советник, критик, партнёр по мозговому штурму
- {тип события} — переговоры с клиентом, питч инвестору, разговор с партнёром
- {N} — как часто проверять позицию оппонента (2-3 — оптимально)
- {оппонент} — кто будет напротив: инвестор, партнёр, клиент, руководитель
- {тема} — суть спора или предложения
- {контекст} — конкретная ситуация, без этого модель будет слишком абстрактной
🚀 Быстрый старт — вставь в чат:
Вот шаблон подготовки к переговорам/питчу с анти-угодливым режимом.
Адаптируй под мою задачу: [твоя ситуация].
Задавай вопросы, чтобы заполнить все поля.
[вставить шаблон выше]
LLM спросит о типе события, оппоненте и контексте — потому что без этого не сможет настроить правильную роль и критерии возврата для Фазы критика.
Ограничения
⚠️ Сквозное одобрение: Даже с инструкциями «не хвали» модель может постепенно смягчаться по мере разговора. Периодически напоминай: «Ты слишком соглашаешься, стань жёстче».
⚠️ Сессия без контекста оппонента: Система готовит только одну сторону — она не знает реальных приоритетов второго участника. Полезнее всего когда хочешь прокачать свою позицию, а не прогнозировать оппонента.
⚠️ Маленькая выборка: Исследование проводилось на 38 и 22 студентах в учебном сценарии. Эффекты в реальных переговорах с высокими ставками могут отличаться.
⚠️ Доверие vs. честность: Жёсткий режим снижает ощущение поддержки. Если тебе нужно сначала выговориться — включи «мягкий» режим, потом переключись.
Ресурсы
Bergen J., Kraus S. — Automated Mediator for Human Negotiation: Pre-Mediation via a Structured LLM Pipeline. Bar-Ilan University.
Связанные концепции: Principled Negotiation (Fisher et al., 1991), Subjective Value Inventory (Curhan et al., 2006), CriticGPT (McAleese et al., 2024), Self-Refine (Madaan et al., 2023), исследования sycophancy (Sharma et al., 2023).