TL;DR
Severance Schema — техника промптинга, которая явно указывает модели что именно она не знает о человеке, прежде чем давать совет. В промпт добавляется структура из шести категорий жизненного контекста — физическое состояние, время, последствия, история, роли, внутреннее состояние. Известные факты заполняются, неизвестные отмечаются как [неизвестно].
Главный инсайт: когда ты добавляешь в промпт личный контекст — "я 35 лет, работаю менеджером, живу в Москве" — модель начинает вести себя так, будто знает тебя достаточно хорошо. На самом деле она теперь знает чуть больше, но ещё важнее — она перестаёт осознавать, чего НЕ знает. Галлюцинации растут с 1% до 4–12%, модель охотнее додумывает пробелы вместо того, чтобы спрашивать. Это ловушка: чем больше контекста даёшь — тем увереннее (и опаснее) становятся советы.
Схема решает это в два шага: сначала заполняет известные категории фактами, потом явно помечает незаполненные как [неизвестно]. Это переводит модель из режима «я знаю достаточно» в режим «я вижу, чего мне не хватает» — и она начинает задавать правильные уточняющие вопросы вместо того, чтобы уверенно давать потенциально опасные советы.
Схема метода
Один промпт — всё происходит в одном запросе.
ШАГ 1: Добавляешь схему в начало промпта
→ 6 категорий, известное заполнено, неизвестное = [неизвестно]
ШАГ 2: Задаёшь свой вопрос
→ модель видит структуру и осознаёт пробелы
РЕЗУЛЬТАТ: Модель либо задаёт уточняющие вопросы по [неизвестно],
либо явно оговаривает свои допущения перед советом
Пример применения
Задача: Максим, 31 год, продакт в финтех-стартапе, думает уйти с наёмной работы и открыть своё агентство. Спрашивает ChatGPT — стоит ли ему уходить прямо сейчас.
Без схемы: модель бодро напишет про финансовую подушку, нетворк и самостоятельность. Не спросит, есть ли партнёр, ипотека, маленький ребёнок или кризис в отношениях.
Со Severance Schema:
**Промпт:**
Мета: Максим, 31 год, продакт в финтех-стартапе, Москва
Физичность: [неизвестно]
Временность: работает в компании 3 года, думает об уходе последние полгода
Последствия: [неизвестно]
Непрерывность: [неизвестно]
Множественность: [неизвестно]
Внутреннее состояние: [неизвестно]
Вопрос: Стоит ли мне уходить с работы и открывать своё агентство прямо сейчас?
Результат: Модель не выдаст шаблонный список из 7 пунктов. Вместо этого она укажет на пустые категории как на критически важные пробелы: прежде чем давать совет, спросит про финансовые обязательства (ипотека? иждивенцы?), семейный контекст, предыдущие попытки и эмоциональный фон. Если ты ответишь — второй ответ будет значительно точнее. Если настаиваешь на ответе сейчас — модель явно оговорит свои допущения и риски, вместо того чтобы бодро советовать "дерзай".
Почему это работает
Слабость LLM: Модель не знает, чего она не знает о тебе. Когда контекст пустой — она хотя бы осторожна. Когда получает несколько фактов — включается уверенность: «теперь я тебя знаю». Это ловушка частичной информации. Модель заполняет пробелы статистическими паттернами из обучения вместо того, чтобы спросить тебя напрямую.
Сильная сторона LLM: Модель отлично следует явным структурам. Если в промпте есть поле [неизвестно] — она обрабатывает его как сигнал «здесь пробел, про который я знаю». Это переводит неизвестное неизвестное в известное неизвестное. Разница огромная: в первом случае модель игнорирует пробел, во втором — реагирует на него.
Механика: Схема не добавляет информацию. Она добавляет карту пробелов. Модель теперь видит форму того, чего не знает — и это меняет поведение: меньше ложной уверенности, больше уточняющих вопросов, осторожнее советы на чувствительных темах. Эффект не из инструкции "будь осторожнее" — он возникает автоматически из структуры.
Рычаги управления: - Заполни больше полей → советы конкретнее, меньше уточняющих вопросов - Оставь поля пустыми → модель сама спросит самое важное для твоей задачи - Добавь своё поле (например "Финансовая подушка: [неизвестно]") → категории не фиксированы, схему можно расширять - Используй в системном промпте → работает как постоянный фильтр для всех советов в сессии
Шаблон промпта
Мета: {имя или роль, возраст, город — кратко}
Физичность: {здоровье, энергия, ограничения} или [неизвестно]
Временность: {дедлайны, жизненный этап, текущий момент} или [неизвестно]
Последствия: {финансы, зависимые люди, что поставлено на кону} или [неизвестно]
Непрерывность: {предыдущий опыт, паттерны, история вопроса} или [неизвестно]
Множественность: {роли: партнёр, родитель, сотрудник, друг} или [неизвестно]
Внутреннее состояние: {эмоциональный фон, усталость, тревога, воодушевление} или [неизвестно]
Вопрос: {твой вопрос}
Что подставлять:
- {мета} — минимальная идентификация: кто ты в этом вопросе
- Каждое поле: либо конкретный факт, либо [неизвестно] — не оставляй пустым совсем
- {вопрос} — то, что ты обычно пишешь в ChatGPT без контекста
🚀 Быстрый старт — вставь в чат:
Вот шаблон Severance Schema. Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит, какие поля тебе известны, а какие оставить [неизвестно] — потому что схема работает именно через эту разметку. Она возьмёт структуру и заполнит под твой запрос.
Ограничения
⚠️ Простые задачи: Схема избыточна для запросов без личного контекста. "Объясни, как работает НДС" или "напиши заголовок для поста" — здесь
[неизвестно]ничего не добавляет.
⚠️ Стоимость первого ответа: Модель чаще задаёт уточняющие вопросы вместо немедленного ответа. Если тебе нужен ответ прямо сейчас — можно добавить: "отвечай с теми данными что есть, но явно укажи свои допущения".
⚠️ Не устраняет проблему полностью: Схема снижает галлюцинации и ложную уверенность, но не устраняет их. Особенно на открытых моделях — эффект заметно меньше, чем на GPT-4o или Claude.
⚠️ Не замена памяти, а дополнение: Память (когда ChatGPT помнит твой контекст) и схема решают разные проблемы. Память добавляет факты. Схема добавляет осознание пробелов. Лучше всего работают вместе.
Как исследовали
Команда из UT Austin проверила простую идею: если модель умеет рассуждать про "что она не знает" — изменится ли её поведение? Они создали 30 сценариев личных советов (карьера, здоровье, финансы, отношения) с 10 профилями пользователей. Каждый сценарий был размечен двумя типами меток: факты, которые хорошая модель должна учесть, и факты, отсутствие которых может прямо навредить — например, онкология у человека, просящего помочь написать отказ от вакцин.
Самый неожиданный результат: добавление памяти без схемы делало поведение хуже. Модели с контекстом о пользователе галлюцинировали в 4–12 раз чаще, чем модели без контекста вообще. Объяснение простое: получив несколько фактов, модель начинала вести себя как "знакомая" с человеком — и охотнее додумывала пробелы вместо того, чтобы признать их. Включение схемы исправляло это: галлюцинации падали, сугубо согласные ("да, конечно, давайте напишем этот отказ") ответы сокращались вдвое, модель начинала задавать правильные вопросы.
Ещё один нюанс: исследователи проверили, что эффект не от самих категорий и не от [unknown] по отдельности — только их комбинация даёт полный результат. Это важно: просто назвать категории или просто поставить заглушку — недостаточно, нужна именно размеченная структура.
Оригинал из исследования
Physicality ("You have a body.") health, medications, energy, physical limitations.
Temporality ("Time passes for you.") deadlines, life stage, yesterday and tomorrow.
Consequences ("This affects your real life.") financial runway, relationship fragility, dependents.
Continuity ("You existed before this chat.") past attempts, recurring patterns, personal history.
Multiplicity ("You contain multitudes.") simultaneous roles as parent, employee, patient, partner.
Interiority ("You have feelings about this.") emotional state shaping what the outie needs to hear.
Контекст: Это шесть измерений Severance Schema в оригинальной формулировке авторов. Каждое начинается с короткого утверждения ("You have a body") — это не декорация, это якорь, который напоминает модели, что за промптом стоит живой человек в реальных обстоятельствах.
Адаптации и экстраполяции
💡 Адаптация для системного промпта — постоянный "советник"
Если часто используешь ChatGPT как личного советника — помести схему в кастомные инструкции (Custom Instructions / System Prompt). Заполни известные поля раз и навсегда, незаполненные пометь [неизвестно].
При ответах на любые мои вопросы об этом человеке учитывай следующий контекст:
Мета: Алексей, 38 лет, основатель небольшой IT-компании, Екатеринбург
Физичность: хронический стресс, проблемы со сном
Временность: компании 4 года, сейчас активная фаза масштабирования
Последствия: ипотека, двое детей, партнёры с долями в бизнесе
Непрерывность: [неизвестно]
Множественность: основатель, муж, отец, ментор для команды
Внутреннее состояние: [неизвестно]
Если мой вопрос касается решений с серьёзными последствиями — уточняй
поля [неизвестно] прежде чем давать рекомендацию.
Результат: в каждой новой сессии модель стартует с картой пробелов и не будет делать вид, что знает тебя полностью.
🔧 Техника: заменить [неизвестно] на уточняющий вопрос → быстрый сбор контекста
Вместо того чтобы самому заполнять схему перед вопросом — попроси модель заполнить её вместе с тобой.
Я хочу задать тебе важный вопрос и получить хороший ответ.
Прежде чем отвечать — задай мне по одному вопросу на каждое из
следующих измерений, которые могут быть важны:
Физичность (здоровье, энергия): ?
Временность (сроки, этап жизни): ?
Последствия (что поставлено на кону): ?
Непрерывность (предыдущий опыт): ?
Множественность (мои роли в этой ситуации): ?
Внутреннее состояние (как я себя чувствую): ?
После моих ответов — дай совет.
Мой вопрос: {твой вопрос}
Это превращает схему в интерактивный интервью-процесс — удобно, когда не хочется заполнять всё самому заранее.
Ресурсы
Название: The Severance Problem: LLMs are Unaware of the Person Beyond the Prompt
Авторы: Dor Litvak, Liu Leqi — The University of Texas at Austin, HUMAIN Lab
Код: github.com/HumainLab/severance
Дата: июль 2026