TL;DR
LLM по умолчанию — буквальный слушатель: она берёт слова дословно и не считывает подтекст. Если в задаче несколько источников информации с разным весом — модель не сама разберётся, какой важнее. Это не баг конкретной модели, это системное ограничение.
Проблема проявляется когда ты даёшь модели несколько инструкций или кусков информации от разных людей. Она обрабатывает их как равнозначные — и делает ошибку. Буквально: берёт неточный совет так же серьёзно, как точный, или тонет в длинном объяснении вместо короткого и точного.
Два изменения в промпте превращают модель в прагматического слушателя: явная проверка каждого куска информации по четырём критериям + шаг «рассмотри варианты до действия». Комбинация обязательна — одно без другого почти не работает.
Схема метода
Один промпт, два шага внутри:
ШАГ 1: ПРАГМАТИЧЕСКАЯ ПРОВЕРКА
Для каждого куска информации проверь:
→ Точность: это верно? Данные соответствуют контексту?
→ Объём: достаточно информации? Нет ли лишнего?
→ Релевантность: это про цель или отвлекает?
→ Ясность: понятно ли, что именно делать?
Результат → рейтинг источников по полезности для цели
ШАГ 2: ИССЛЕДОВАНИЕ ВАРИАНТОВ
До ответа — рассмотри несколько трактовок задачи
Выбери трактовку, которая максимально приближает к цели
Результат → конкретное действие с обоснованием
Оба шага выполняются в одном промпте.
Пример применения
Задача: Дима сделал лендинг для своего онлайн-курса по Excel. Показал трём людям — получил три куска обратной связи. Теперь хочет понять, что реально менять.
Промпт:
Прежде чем дать рекомендации, примени прагматический фильтр к каждому отзыву.
Для каждого отзыва проверь:
— Точность: это наблюдение конкретное или общее ощущение?
— Объём: здесь достаточно информации чтобы действовать, или слишком расплывчато?
— Релевантность: это про конверсию лендинга — или отвлекает от цели?
— Ясность: понятно ли, что именно нужно изменить?
Затем — прежде чем давать итог — рассмотри три сценария:
что будет если внедрить совет 1, совет 2, совет 3.
Оцени каждый сценарий с точки зрения влияния на конверсию.
После этого дай итоговую рекомендацию: что внедрять в первую очередь.
---
Цель: повысить конверсию лендинга курса по Excel для офис-менеджеров.
Отзыв 1 (Артём, маркетолог): «Заголовок слабый, не цепляет. Надо добавить конкретику — цифры, результат. И убрать стоковые фото.»
Отзыв 2 (мама): «Очень красивый сайт! Мне понравился цвет. Может текст сделать покрупнее?»
Отзыв 3 (Катя, потенциальный клиент): «Я не поняла, для кого этот курс. Там написано "для всех" — но я офис-менеджер, мне не ясно, подойдёт ли мне.»
Результат:
Модель сначала покажет прагматический разбор каждого отзыва — с оценкой по четырём критериям. Потом — три сценария с последствиями для конверсии. В финале — приоритизированный список изменений: что внедрять сейчас (отзыв 3 → уточнить аудиторию в заголовке), что потом (отзыв 1 → цифры и фото), что проигнорировать (отзыв 2 — нерелевантен для конверсии).
Почему это работает
Слабость LLM: модель генерирует текст, ориентируясь на паттерны в контексте. Если в промпте три куска информации рядом — она обрабатывает их как равнозначные. У неё нет встроенного механизма «этот источник важнее, потому что точнее».
Сильная сторона LLM: модель умеет хорошо следовать структурированным инструкциям с явными критериями. Если ты скажешь «для каждого пункта проверь: точность, объём, релевантность, ясность» — она сделает это аккуратно.
Как метод использует это: прагматический промпт убирает двусмысленность. Модель не решает сама «что важно» — ты задаёшь критерии оценки явно. Шаг «рассмотри варианты» заставляет модель развернуть несколько сценариев до финального ответа — это снижает риск что она зацепится за первый попавшийся вариант.
Рычаги управления: - Критерии проверки → можно заменить на свои. Вместо Гриса — «насколько это про деньги?», «насколько это срочно?» - Число сценариев → уменьши до 2 для простых задач, увеличь до 5 для стратегических - Формулировка цели → чем конкретнее цель в промпте, тем точнее модель фильтрует нерелевантное - Источники информации → работает не только с отзывами: подходит для противоречивых требований к задаче, фидбэка от команды, нескольких документов
Шаблон промпта
Прежде чем ответить, примени прагматический фильтр.
Для каждого {источника информации} проверь:
— Точность: это конкретно и верно, или расплывчато?
— Объём: достаточно информации для действия, или слишком много/мало?
— Релевантность: это про {цель} — или отвлекает?
— Ясность: понятно ли, что именно нужно сделать?
Затем — до финального ответа — рассмотри {число} вариантов действия.
Для каждого варианта: как он приближает к {цели}?
После этого дай итоговую рекомендацию.
---
Цель: {конкретная цель}
{источник 1}: {текст}
{источник 2}: {текст}
{источник 3}: {текст}
Что подставлять:
- {источника информации} — совета / требования / инструкции / фрагмента текста
- {цель} — максимально конкретно: «повысить конверсию», «выбрать подрядчика», «написать письмо клиенту»
- {число} — 2–3 для рабочих задач, 4–5 для крупных решений
- {источник 1/2/3} — можно добавить больше или убрать до двух
🚀 Быстрый старт — вставь в чат:
Вот шаблон Pragmatic Listener Prompting. Адаптируй под мою задачу: [твоя задача].
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит: какая твоя цель, сколько источников информации, что за источники — потому что без этого она не поймёт, что оценивать и по какому критерию приоритизировать.
Ограничения
⚠️ Нужна реальная неоднозначность: На простых задачах с одним чётким источником — метод избыточен. Польза появляется когда источников несколько или они противоречивые.
⚠️ Шаг исследования без шага проверки не работает: В исследовании это показано прямо. «Рассмотри варианты» без явных критериев оценки — даёт результат хуже базового. Оба шага обязательны.
⚠️ Длинные инструкции снижают точность: Исследование показало, что слишком длинные сообщения от источников ухудшают результат — модель «тонет» в деталях. Если источник информации объёмный — сократи или попроси модель сначала выделить ключевое.
⚠️ Работает хуже при частичной информации с нуля: Если у модели совсем нет контекста задачи — прагматический фильтр даст слабый эффект. Нужен хотя бы базовый контекст о цели.
Ресурсы
Работа: Flout at Your Own Risk: LLMs Struggle with Pragmatic Cooperativity Under Epistemic Asymmetry — Hannah VanderHoeven, Abhijnan Nath & Nikhil Krishnaswamy. Prepint. Colorado State University, SIGNAL Lab.
Ключевые концепции из работы: Grice's cooperative maxims (1975); Rational Speech Act framework — Goodman & Stuhlmüller (2013); CRAFT benchmark — Nath et al. (2026); DPIP Lego task — Zhu et al. (2025).