TL;DR
Когда контент содержит структуру аналитической схемы — категории рисков, пункты оценки, матрицы критериев — LLM перестаёт «думать» и начинает механически заполнять шаблон. Исследователи обнаружили это, изучая атаку на системы безопасности агентов: злоумышленник вставляет в документ текст, имитирующий внутреннюю схему анализа защитника, — и тот застревает в бесконечном цикле следования этой схеме. Но тот же механизм — это и мощный инструмент для пользователя.
Главная находка: у LLM есть два режима работы. В первом модель рассуждает свободно — высокая неопределённость на каждый токен, настоящее мышление. Во втором — низкая неопределённость, внимание модели блокируется на заголовках схемы в её собственном тексте, и она механически заполняет структуру раздел за разделом. Переключатель — наличие в промпте аналитической схемы. Без схемы модель импровизирует. Со схемой — исполняет.
Практическое следствие: если вы хотите исчерпывающий, ничего-не-пропускающий анализ — встройте в промпт детальную схему с категориями, критериями и требованиями к оценке. Модель войдёт в режим шаблонного выполнения и методично пройдёт каждый пункт. Если хотите неожиданные, творческие ответы — наоборот, уберите структуру и задайте открытый вопрос.
Схема метода
РЕЖИМ СВОБОДНОГО РАССУЖДЕНИЯ
→ Промпт: открытый вопрос без схемы
→ Результат: модель сама решает что анализировать, часто пропускает важное
РЕЖИМ ШАБЛОННОГО ВЫПОЛНЕНИЯ (Schema Lock)
→ Промпт: встроенная аналитическая схема с категориями + критериями + форматом вывода
→ Механика: внимание модели фиксируется на заголовках схемы → цикл заполнения
→ Результат: методичное прохождение каждого пункта, ничего не пропущено
Оба режима — в одном промпте. Переключатель — структура внутри запроса.
Пример применения
Задача: Антон запускает телеграм-канал о личных финансах и хочет понять, стоит ли добавить платный клуб за 2 900 ₽/месяц. Он спрашивает ChatGPT «как думаешь, стоит запускать клуб?» — и получает 3 общих абзаца ни о чём. Нужен настоящий разбор.
Промпт:
Проанализируй бизнес-идею: платный клуб к телеграм-каналу о личных финансах,
2 900 ₽/месяц, аудитория канала ~8 000 человек, активность постов — 3 раза в неделю.
Проведи анализ строго по схеме:
A) СПРОС
— Есть ли признаки готовности платить (активность, комментарии, репосты)?
— Аналоги на рынке с похожей аудиторией и ценой?
— Оценка: ВЫСОКИЙ / СРЕДНИЙ / НИЗКИЙ
B) ПРОДУКТ
— Что реально можно дать за 2 900 ₽/мес, чего нет в бесплатном канале?
— Риск «а зачем мне платить, если канал и так хорошй»?
— Оценка: СИЛЬНЫЙ / СРЕДНИЙ / СЛАБЫЙ
C) МОНЕТИЗАЦИЯ
— Сколько подписчиков нужно для выхода на 100 000 ₽/мес?
— Какой конверсии реалистично ожидать от аудитории 8 000?
— Оценка: ПЕРСПЕКТИВНО / РИСКОВАННО / НЕ ОКУПИТСЯ
D) ГЛАВНЫЕ РИСКИ
— Топ-3 угрозы провала
— Для каждого: вероятность (высокая/средняя/низкая) + как снизить
E) ИТОГОВЫЙ ВЕРДИКТ
— ЗАПУСКАТЬ / ТЕСТИРОВАТЬ / НЕ ЗАПУСКАТЬ
— Одно главное условие успеха
Результат: Модель методично пройдёт каждый раздел A–E. По каждому блоку — анализ + чёткая оценка из предложенных вариантов. Не пропустит ни спрос, ни риски, ни математику монетизации. В конце — однозначный вердикт с аргументацией. Никакой воды «с одной стороны... с другой стороны».
Почему это работает
Слабость LLM в свободном режиме: модель не знает, что именно вы считаете важным. Она выбирает то, что «очевидно» по контексту задачи — и пропускает детали, которые неочевидны, но критичны для вас. Спросили «стоит ли запускать клуб?» — получили общие рассуждения.
Сильная сторона LLM: точное следование заданной структуре. Исследование показало это через измерение внимания: когда в тексте есть заголовки схемы, модель генерирует следующий токен, опираясь на эти заголовки — в 9,6 раза сильнее, чем без схемы. Неопределённость каждого токена падает вдвое (0,264 → 0,132 бит). Это переход в другой режим работы.
Как метод использует это: вы буквально задаёте карту того, о чём думать. Модель не решает что охватить — она исполняет вашу схему. Рычаги управления: - Детализация категорий → больше пунктов внутри раздела = глубже анализ (и длиннее ответ) - Форматы оценки (ВЫСОКИЙ/СРЕДНИЙ/НИЗКИЙ) → убирают размытые «это зависит от...» - Убери схему → модель возвращается в творческий режим, если нужна неожиданная идея - Добавь «анти-шаблонный» пункт («что я упускаю?») → ломает механическое следование в финале, провоцирует реальное рассуждение
Шаблон промпта
Проанализируй {задача}.
Проведи анализ строго по схеме:
A) {КАТЕГОРИЯ_1}
— {вопрос 1}
— {вопрос 2}
— Оценка: {ВАРИАНТ А} / {ВАРИАНТ Б} / {ВАРИАНТ В}
B) {КАТЕГОРИЯ_2}
— {вопрос 1}
— {вопрос 2}
— Оценка: {ВАРИАНТ А} / {ВАРИАНТ Б} / {ВАРИАНТ В}
C) {КАТЕГОРИЯ_3}
— {вопрос 1}
— {вопрос 2}
— Оценка: {ВАРИАНТ А} / {ВАРИАНТ Б} / {ВАРИАНТ В}
D) ГЛАВНЫЕ РИСКИ
— Топ-3 угрозы
— Для каждого: вероятность + как снизить
E) ИТОГОВЫЙ ВЕРДИКТ
— {ДЕЙСТВИЕ 1} / {ДЕЙСТВИЕ 2} / {ДЕЙСТВИЕ 3}
— Одно главное условие
Что подставлять:
- {задача} — конкретная ситуация с цифрами (аудитория, цена, сроки)
- {КАТЕГОРИЯ_x} — аспекты, важные для вашей задачи (спрос, риски, деньги, команда)
- {вопрос x} — конкретные вещи, которые хотите проверить внутри категории
- {ВАРИАНТ А/Б/В} — варианты оценки заглавными буквами (ВЫСОКИЙ/СРЕДНИЙ/НИЗКИЙ, ДА/НЕТ/ЧАСТИЧНО)
🚀 Быстрый старт — вставь в чат:
Вот шаблон Schema Lock для глубокого анализа. Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить категории и критерии.
[вставить шаблон выше]
LLM спросит какие категории важны для вашей задачи и какие критерии оценки нужны — потому что без этого схема будет пустой, а именно наполненная схема запускает режим механического выполнения.
Ограничения
⚠️ Творческие задачи: Схема убивает неожиданность. Если нужен нестандартный угол или свежая идея — жёсткий шаблон даст предсказуемый ответ. Для креатива используйте открытые вопросы.
⚠️ Слишком детальная схема: Если категорий больше 7–8, модель начинает давать поверхностные ответы по каждому пункту — лучше меньше категорий, но глубже внутри каждой.
⚠️ Сложные оценочные шкалы: Варианты типа «ВЫСОКИЙ/СРЕДНИЙ/НИЗКИЙ» — работают. Числовые шкалы 1–10 — модель часто даёт 7 по всему. Используйте качественные категории.
⚠️ Агентные системы: Полный механизм атаки (beam-search оптимизация пэйлоадов) требует кода и автоматизированных агентов. Для ручной работы в чате это неприменимо — но принцип схема-следования работает везде.
Ресурсы
From Shield to Target: Denial-of-Service Attacks on LLM-Based Agent Guardrails Yuguang Zhou, Xunguang Wang, Pingchuan Ma, Zhantong Xue, Zhaoyu Wang, Shuai Wang Hong Kong University of Science and Technology; Zhejiang University of Technology