TL;DR
LLM по умолчанию решает проблему вместо того, чтобы помогать думать — потому что её обучали быть максимально полезной. Исследование показывает: это не случайность, а системная черта. Назовём её «синдром полезности» — модель, натренированная на прямую помощь, будет давать готовые ответы даже когда вы явно просите её этого не делать. Один из протестированных LLM, получив прямое указание «не давай ответ», всё равно давал его в 94% случаев.
Исследователи сравнили два промпта-наставника: короткий (~50 слов с общими правилами) и переработанный (~400 слов с конкретными ролями, ограничениями и педагогической структурой). Первый давал моделям слишком много свободы — они отвечали длинными текстами в markdown-формате, не подходящими для диалога. Второй работал на конкретных принципах из педагогических исследований.
Переработанный промпт улучшил результаты 10 из 11 моделей — в среднем на 11 процентных пунктов. Структура этого промпта состоит из трёх слоёв: роль с ограничениями, контекстные рамки (что делать и что не делать) и три конкретных поведения наставника.
Схема метода
Один промпт, три слоя — каждый добавляется друг за другом:
СЛОЙ 1 — РОЛЬ С ОГРАНИЧЕНИЯМИ
Ты [конкретная роль] с конкретными обязанностями.
Твоя работа — НЕ [что запрещено], а [что разрешено].
→ Задаёт персону и явный запрет на "синдром полезности"
СЛОЙ 2 — КОНТЕКСТНЫЕ РАМКИ
Ты работаешь в контексте [домен]: [специфика домена].
Не обсуждай [что за рамками]. Фокусируйся на [что в рамках].
→ Убирает лишние ответвления
СЛОЙ 3 — ТРИ ПОВЕДЕНИЯ НАСТАВНИКА (выполняются в каждом ответе)
1. Сначала отметь что работает — потом указывай на ошибки
2. Задавай вопросы и давай подсказки вместо прямых ответов
3. Опирайся на конкретную работу человека, не на общие советы
→ Конкретные паттерны поведения в каждом ответе
ФОРМАТ: без markdown, без списков, 1–3 предложения
Всё это — один системный промпт. Каждый запрос пользователя после этого обрабатывается через эти три слоя.
Пример применения
Задача: Маша открыла небольшой магазин на Авито и хочет научиться писать продающие описания товаров самостоятельно. Она просит AI помочь — но не хочет получить готовый текст. Хочет научиться думать как копирайтер.
Промпт:
Ты наставник по продающим текстам для Авито. Твоя задача —
помочь мне научиться, а не написать за меня. Никогда не давай
готовый текст и не переписывай мои формулировки — только
задавай вопросы и давай подсказки.
Ты работаешь только с Авито-объявлениями: заголовок, описание,
фото. Не обсуждай другие платформы и не давай советов по SEO
или рекламному бюджету.
В каждом ответе делай так:
— Сначала скажи что уже работает в моём тексте
— Потом задай один вопрос, который поможет мне улучшить слабое место
— Опирайся именно на мой текст, не на абстрактные советы
Отвечай коротко — 2–3 предложения без списков и заголовков.
Вот моё первое объявление: [вставить текст объявления]
Результат: Модель начнёт с конкретного наблюдения о тексте — что уже звучит убедительно. Потом задаст один точный вопрос про слабое место: например, про выгоду для покупателя или про то, чем товар отличается от других. Она не перепишет текст за Машу — заставит её самостоятельно найти ответ. В следующем сообщении цикл повторится с новым фрагментом.
Почему это работает
LLM обучали миллиардами примеров, где правильный ответ — решить задачу напрямую. Это хорошо работает для вопросов «как сделать X». Но плохо работает когда нужно направить человека думать самостоятельно — модель всё равно тянется к готовому ответу.
Короткий общий промпт («будь Сократовским учителем, не давай ответов») не справляется, потому что оставляет слишком много свободы. Модель интерпретирует правила в свою сторону и всё равно помогает «по умолчанию». Конкретные поведения работают лучше абстрактных принципов — вместо «не давай ответ» нужно «сначала отметь что работает, потом задай один вопрос».
Рычаги управления: - Длина ответа — «1–3 предложения» жёстко режет многословие; уберёшь ограничение — модель вернётся к длинным объяснениям - Запрет форматирования — «без markdown и списков» переключает модель в разговорный режим; нужны структурированные инструкции — убери это ограничение - Очерёдность («сначала отметь что работает») — определяет тон всего ответа; поставь критику первой — тон станет жёстче - Контекстные рамки — чем точнее ограничишь домен, тем меньше модель уходит в стороны
Шаблон промпта
Ты {роль} — помогаешь {кому} разобраться в {области}.
Твоя задача — направлять, а не решать за человека.
Никогда не давай готовых ответов и не переписывай чужую работу.
Ты работаешь только в контексте {область}: {специфика контекста}.
Не обсуждай {что за рамками}.
В каждом ответе:
— Сначала отметь что уже работает в том что написал/сделал человек
— Потом задай один вопрос или дай одну подсказку для улучшения
— Опирайся на конкретную работу человека, не на общие советы
Формат: {формат_ответа}, без списков и заголовков.
Что подставлять:
- {роль} — наставник по текстам, ментор по карьере, тренер по переговорам
- {кому} — новичку, предпринимателю, студенту
- {область} — продающие тексты, презентации, бизнес-решения
- {специфика контекста} — платформа, тип задач, ограничения домена
- {что за рамками} — смежные темы которые нужно исключить
- {формат_ответа} — 2–3 предложения / короткий абзац
🚀 Быстрый старт — вставь в чат:
Вот шаблон промпта для Сократовского наставника.
Адаптируй под мою задачу: [твоя задача].
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит про роль, область, кто будет пользователем и что вне контекста — потому что без этого нельзя точно прописать контекстные рамки и ограничения. Она возьмёт структуру трёх слоёв и соберёт промпт под твою задачу.
Ограничения
⚠️ Когда нужен ответ — метод мешает: Если цель — получить решение быстро, Сократовский режим раздражает. Этот промпт — для задач где важен процесс обучения, не скорость результата.
⚠️ Специализированные модели хуже обычных: Модель, заточенная под написание кода, показала худшие результаты в роли наставника — несмотря на больший размер. Экспертность в теме ≠ умение обучать. Для coaching-задач лучше брать универсальные модели, не специализированные.
⚠️ Размер модели не решает: 9B-модель обошла 120B в роли наставника. Качество инструкционного тюнинга важнее количества параметров. Не меняй ChatGPT на «самую большую модель» — тестируй разные.
⚠️ Многоходовые диалоги пока слабое место: Почти все модели плохо замечают, что человек уже пробовал несколько подходов, и относятся к каждому вопросу как к новому. Чтобы модель учитывала историю попыток — явно пишите в промпте: «ниже — все мои предыдущие попытки, учти их».
Ресурсы
CSTutorBench: Benchmarking Small Language Models as Tutors for Block-Based Programming H. Chad Lane, Bryson Kagel — University of Illinois Urbana-Champaign
Ключевые источники методов из статьи: - Holmes et al. — Persona pattern + Context Manager pattern для образовательного AI - Ahn et al. — Cognitive Apprenticeship prompt design guidelines (DG4–DG6) - Shute — обратная связь: чем сложнее фидбек, тем хуже усвоение - VanLehn — мета-анализ: пошаговая обратная связь эффективнее финальной оценки