TL;DR
Когда просишь LLM «сделай для директора», она обычно берёт тот же текст и делает его чуть короче. Потому что «для директора» — это ни о чём. Audience-Profiling — техника, которая заменяет расплывчатый ярлык точным профилем: роль аудитории + уровень экспертизы + цель + желаемая глубина + временной бюджет. LLM перестаёт гадать и начинает явно выбирать: что включить, что убрать, какую глубину взять.
Ключевая находка исследования: одна и та же информация имеет разный вес для разных аудиторий. Специалист ценит методологию и допущения. Руководитель хочет выводы и риски. Учащийся — мотивацию и суть. Проблема в том, что LLM без чёткого профиля даёт универсальный микс — и в итоге ни специалист, ни директор не получают то, что им реально нужно. Это не «неточно» — это как принести CEO презентацию с 40 слайдами формул, а джуниору — слайд «ну, результат хороший».
Метод решает это в один шаг: описываешь аудиторию через пять параметров, добавляешь приоритеты по типам информации — и LLM делает именно ту адаптацию, которая нужна конкретным людям, а не «всем вообще».
Схема метода
Один промпт, без отдельных запросов:
ШАГ 1: Профиль аудитории → описание роли, экспертизы, цели, глубины, времени
ШАГ 2: Приоритеты по доменам → что включить, что убрать, что сжать
ШАГ 3: Генерация контента → адаптированный материал под этот профиль
Все три шага — внутри одного запроса. LLM прочитывает профиль и уже в процессе генерации взвешивает, какая информация «тянет своего читателя».
Пример применения
⚠️ Сильная зона метода: структурированная информация с конкурирующими приоритетами аудиторий — отчёты, исследования, технические документы, презентации.
Задача: Ты делаешь питч инвестору и попутно хочешь объяснить ту же бизнес-идею своему техническому соучредителю. Одна идея, два абсолютно разных человека. Копировать одно и то же — провал.
Промпт:
У меня есть описание бизнес-идеи. Мне нужно два варианта адаптации.
Вот исходный материал:
[вставь описание своей идеи]
---
ВАРИАНТ 1
Профиль аудитории:
- Роль: венчурный инвестор, ранние стадии
- Экспертиза: хорошо понимает рынки и финансы, не погружается в техническую реализацию
- Цель: оценить потенциал возврата и риски
- Желаемая глубина: выводы и стратегия, без деталей реализации
- Бюджет внимания: 3 минуты, максимум 10 слайдов
Приоритеты:
- ВЫСОКИЙ: рыночная возможность, бизнес-модель, конкурентные преимущества, риски и как мы их закрываем
- СРЕДНИЙ: команда, трекшн
- НИЗКИЙ: техническая архитектура, детали реализации
---
ВАРИАНТ 2
Профиль аудитории:
- Роль: технический сооснователь, senior-разработчик
- Экспертиза: глубоко понимает технологии, поверхностно — бизнес
- Цель: оценить техническую реализуемость и архитектурные решения
- Желаемая глубина: методология, допущения, технические детали
- Бюджет внимания: 15 минут, можно детально
Приоритеты:
- ВЫСОКИЙ: техническая архитектура, стек, ограничения и как их обходим
- СРЕДНИЙ: масштабируемость, технические риски
- НИЗКИЙ: рыночные выводы, финансовые прогнозы
---
Для каждого варианта: выбирай только ту информацию из исходника, которая важна именно этой аудитории. Не старайся включить всё. Лучше меньше, но точно в цель.
Результат: Модель выдаст два разных текста из одного источника. Для инвестора — плотный нарратив про рынок, деньги и риски, почти без технических деталей. Для технаря — противоположное: архитектура, стек, ограничения, допущения. Ни в одном варианте не будет «универсального салата» из всего сразу.
Почему это работает
LLM без профиля оптимизирует под «среднего читателя» — которого не существует. Когда пишешь «сделай для директора», модель знает примерно всё и конкретно ничего. В итоге берёт немного из каждого слоя — немного сложно, немного просто, немного деталей — и получается каша для всех сразу.
Зато у LLM хорошо работает симуляция ролей. Если явно описать, кто читает, зачем им это нужно и сколько у них времени — модель начинает фильтровать информацию через этот фильтр. Она умеет имитировать «что важно для специалиста» и «что важно для топ-менеджера» — но только если ей это задать явно.
Метод использует именно эту силу. Профиль из пяти параметров + список приоритетов по типам информации превращает расплывчатое «для директора» в точное техзадание. LLM уже не гадает — она знает роль читателя, его цель и что именно он считает ценным.
Рычаги управления: - Бюджет внимания (3 минуты / 15 минут / 1 слайд) → прямо влияет на объём и плотность - Градации приоритетов (ВЫСОКИЙ / СРЕДНИЙ / НИЗКИЙ / ИСКЛЮЧИТЬ) → тонкая настройка баланса - Уровень глубины (выводы → суть → детали → реализация) → регулирует техническую насыщенность - Домены (контекст, метод, доказательства, ограничения, реализация, импликации) → убирай ненужные целыми блоками
Шаблон промпта
Вот исходный материал:
{текст_материала}
---
Адаптируй под следующую аудиторию:
Профиль:
- Роль: {роль_аудитории}
- Экспертиза: {уровень_и_область_знаний}
- Цель: {что_хочет_получить_от_материала}
- Глубина: {выводы / суть / детали / полная техническая глубина}
- Бюджет внимания: {время_или_объём}
Приоритеты по типам информации:
- ВКЛЮЧИТЬ В ПЕРВУЮ ОЧЕРЕДЬ: {какие_типы_информации}
- ВКЛЮЧИТЬ ПРИ НАЛИЧИИ МЕСТА: {какие_типы_информации}
- УБРАТЬ ИЛИ СВЕСТИ К МИНИМУМУ: {какие_типы_информации}
Правило отбора: включай только то, что действительно нужно этой аудитории.
Не старайся покрыть всё из исходника — лучше меньше, но точно в цель.
Что подставлять:
- {текст_материала} — любой документ: статья, отчёт, описание, концепция
- {роль_аудитории} — конкретная роль, не абстракция: «финансовый директор Сбера», «джуниор-разработчик без опыта в ML», «журналист РБК»
- {уровень_и_область_знаний} — что человек понимает хорошо, что плохо
- {глубина} — четыре уровня: выводы (зачем это?), суть (что это?), детали (как это работает?), реализация (как воспроизвести?)
- {бюджет_внимания} — конкретно: «5 минут», «один экран», «презентация на 8 слайдов»
🚀 Быстрый старт — вставь в чат:
Вот шаблон Audience-Profiling для адаптации контента под аудиторию.
Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит: кто твоя аудитория, что им важно и сколько у них времени — потому что без этого профиль не составить. Она возьмёт структуру из шаблона и заполнит под твою конкретную задачу.
Ограничения
⚠️ Расплывчатый исходник: Если исходный материал сам по себе слабый — нет чётких выводов, нет структуры — профиль не спасёт. LLM не придумает то, чего нет в источнике.
⚠️ Субъективные профили: Хорошо работает для структурированных аудиторий с известными потребностями (инвесторы, специалисты, новички). Плохо работает для расплывчатых: «напиши для умного человека», «для разных людей».
⚠️ Конкурирующие цели одной аудитории: Если у аудитории одновременно несколько несовместимых потребностей — метод не разрешит это противоречие, просто попытается включить всё.
⚠️ Не проверяет точность фактов: Метод отвечает за то, что выбрать из материала, но не гарантирует, что выбранное будет точно и без домыслов.
Как исследовали
Команда из Шанхайского университета Цзяотун и SenseTime подошла к задаче нестандартно: вместо того чтобы оценивать слайды по красоте или полноте, они спросили — правильная ли информация попала к правильной аудитории? Для этого исследователи собрали 113 документов (50 научных статей и 63 отчёта из бизнеса, политики, здравоохранения) и вручную сгенерировали 8133 вопроса к ним — каждый с ожидаемым ответом и ссылкой на конкретный абзац источника. Потом три разные аудитории расставили веса: насколько этот вопрос важен именно для них. Это позволило сравнивать системы по одному набору фактов, меняя только «кому это нужно». Результат удивил: системы вроде NotebookLM покрывали до 85% нужной аудитории информации, когда им давали явный профиль — против 59-71% у конкурентов. Но главный вывод не в цифрах: даже самые продвинутые системы без чёткого профиля аудитории выдают усреднённый результат, а не целевой. Это напрямую означает: чем точнее ты описываешь аудиторию в промпте — тем лучше LLM отбирает информацию.
Адаптации и экстраполяции
🔧 Техника: добавить несколько профилей в один запрос → сравнительная таблица нужд аудиторий
Иногда полезно не просто адаптировать, а сначала понять — чем эти аудитории вообще отличаются по потребностям. Перед финальной адаптацией запроси сравнение:
Перед адаптацией покажи сравнительную таблицу:
Для каждой из трёх аудиторий ({аудитория_1}, {аудитория_2}, {аудитория_3}) укажи:
— Что им важнее всего в этом материале?
— Что лучше убрать?
— Какую глубину взять?
После таблицы — сделай три варианта адаптации.
Это даёт дополнительный шаг прозрачности: видишь логику выбора, а не только результат. Полезно, если не уверен, насколько сильно аудитории различаются.
🔧 Техника: профиль обратной аудитории → «чего точно не должно быть»
Иногда проще от противного: описать не кто читает, а кто точно НЕ читает — и убрать всё для них.
Этот материал НЕ предназначен для: {нежелательная_аудитория}.
Убери всё, что было бы полезно только им: {что_убрать}.
Остальное — адаптируй под {целевая_аудитория}.
Работает хорошо когда исходник явно перегружен технической/юридической/академической деталями и нужно их срезать, не перечисляя всё вручную.
Ресурсы
Работа: X+Slides: Benchmarking Audience-Conditioned Slide Generation
Авторы: Haodong Chen, Xuanhe Zhou, Wei Zhou, Xinyue Shao, Yanbing Zhu, Bo Wang, Jiawei Hong, Anya Jia, Fan Wu
Организации: Shanghai Jiao Tong University, Harbin Institute of Technology, SenseTime
Контакт: spectershell@sjtu.edu.cn