TL;DR
Персона в системном промпте — это не настройка качества, а включение набора привычек. Когда вы пишете «ты — опытный разработчик», модель не становится умнее. Она начинает вести себя так, как ведёт себя этот человек — включая поведение, которое вы никогда не прописывали явно.
Главная находка: персона активирует подразумеваемые черты характера, а не только написанное. В эксперименте библиотекарша Линнеа из системного промпта ни разу не получила инструкцию «отказывай от задач» и «добавляй оговорки». Но Claude Opus в 55 из 60 случаев начинал ответ с «я библиотекарь, не разработчик» — и в 12 случаях вообще не написал код. Точность упала с 92% до 67%. GPT-5.5 с тем же промптом не сделал ни одного отказа.
Это означает: персона — не универсальный инструмент качества. Это управление стилем и поведением, которое: а) работает по-разному на разных моделях, б) активирует то, что логично для этого персонажа — даже если вы этого не хотели, в) может тихо навредить, если персонаж плохо подходит задаче.
Схема метода
Это не пошаговая техника, а принцип выбора персоны. Ключ — думать о персоне как об активации поведения, а не о повышении качества.
ЗАДАЧА: Чего я хочу от модели?
↓
ВЫБОР ПОЛИТИКИ: Какой стиль/поведение нужны?
│
├── Нужен лаконичный код без объяснений?
│ → Персона: прагматичный стартап-разработчик
│ ("пишет минимальный код, избегает лишних абстракций")
│
├── Нужна подробная структура с комментариями?
│ → Персона: старший инженер с вниманием к архитектуре
│ ("декомпозирует задачи, документирует решения")
│
└── Персона НЕ из этой области?
→ ⚠️ Модель может активировать поведение этого персонажа
("я не специалист в этом") — даже без такой инструкции
ПРОВЕРКА: Тестируй на целевой модели — эффекты разные!
│
└── Claude → сильная реакция на персону
GPT → слабая реакция, больше следует задаче напрямую
Пример применения
Задача: Антон ведёт Telegram-канал о бизнесе, пишет посты сам + просит Claude помочь с текстами. Хочет, чтобы Claude писал коротко и по делу — без воды, без вводных фраз, без «давайте разберём». Обычные инструкции «пиши кратко» помогают, но ненадолго — через несколько сообщений снова начинается многословие.
Промпт (системный):
Ты — Дмитрий, редактор нишевого бизнес-медиа с 12-летним опытом.
Работаешь на Substack, аудитория 40 000 подписчиков.
Ценишь точность над полнотой. Твой принцип: одна мысль — одно предложение.
Ненавидишь вводные конструкции и резюмирующие фразы в конце.
Когда видишь лишние слова — убираешь без сожалений.
Коллеги говорят, что ты иногда слишком краток, но читатели это любят.
Результат: Модель начнёт воспроизводить редакторский стиль этого персонажа: короткие предложения, никаких «таким образом» и «подводя итог», прямой переход к сути. Важно: модель будет поддерживать этот стиль на протяжении всего диалога — потому что это характер, а не разовая инструкция. Персонаж «включён» в системном промпте и действует постоянно.
Почему это работает
Проблема с прямыми инструкциями стиля. Когда вы пишете «отвечай кратко», модель воспринимает это как одно из многих правил — и балансирует его с другими: «быть полезным», «объяснять подробно», «не упускать важное». Через несколько ходов диалога баланс смещается обратно к многословию.
Что модель умеет хорошо. Модель отлично воспроизводит логику поведения конкретного человека. Она не просто следует правилам — она экстраполирует: «как бы поступил этот человек в этой ситуации?». Именно поэтому библиотекарь без единой инструкции про отказы начала отказываться от кода — это логично для библиотекаря.
Как работает принцип. Биографическая персона задаёт политику поведения — набор привычек, приоритетов, манер. Модель применяет эту политику ко всем задачам. Персонаж-минималист сокращает всё, что можно сократить. Персонаж-архитектор добавляет структуру везде. Персонаж не из этой области — добавляет оговорки и сомнения.
Рычаги управления: - Биографические детали → чем конкретнее личность (история, привычки, внутренние противоречия), тем сильнее эффект. «Ты — разработчик» — слабо. «Ты — Дима, который работает в стартапе и пишет минимальный код, потому что ненавидит ревью» — сильнее. - Конфликт с задачей → если поведение персонажа противоречит задаче, модель может активировать нежелательную политику тихо, без ошибки. Проверяй заранее. - Модель → на Claude биографические персоны работают сильно, на GPT — слабее. Тестируй на своей модели.
Шаблон промпта
Ты — {имя персонажа}, {краткое описание роли и опыта}.
{2-3 предложения о профессиональном контексте: где работает, с чем сталкивается}
{1-2 предложения о стиле работы: что ценит, как принимает решения}
{1 предложение о характерной черте: что коллеги замечают в его/её работе}
Что подставлять:
- {имя} — конкретное имя, не «специалист» и не «эксперт». Имя активирует персонажа сильнее.
- {роль и опыт} — область + сколько лет + конкретный контекст (стартап, корпорация, фриланс)
- {стиль работы} — что именно этот человек делает иначе, чем другие в этой роли
- {характерная черта} — одна особенность, которая создаёт «личность»
Важно: Персонаж должен принадлежать той же области, что и задача. Маркетолог для маркетинговых текстов. Редактор — для редактуры. Иначе модель активирует поведение «я не специалист в этом».
🚀 Быстрый старт — вставь в чат:
Мне нужен системный промпт с биографической персоной для задачи: {твоя задача}.
Задавай вопросы, чтобы создать персонажа.
[вставить шаблон выше]
LLM спросит про желаемый стиль поведения и характерные черты — потому что персонаж должен логично активировать именно то поведение, которое тебе нужно. Она возьмёт структуру шаблона и создаст конкретного человека под твою задачу.
Ограничения
⚠️ Персоны не повышают качество на сложных задачах: Исследование проверяло задачи, где модели и без персон работали хорошо (92-97% точности). Вопрос «поднимает ли персона качество на трудных задачах» остался открытым — это буквально не проверялось из-за потолка сложности.
⚠️ Эффект зависит от модели: На Claude биографические персоны работают сильно, вплоть до изменения поведения. На GPT — слабее. Что работает на одной модели, может быть проигнорировано другой. Тестируй на своей.
⚠️ Скрытая деградация без ошибки: Если персонаж плохо подходит задаче, модель не выдаст ошибку — она просто начнёт добавлять оговорки, уклоняться, делать не то. Это опасно в автоматизированных пайплайнах: выглядит как работа, но результат хуже.
⚠️ Явная инструкция стиля в биографии confounds результат: В одном персонаже была фраза «мой код обычно короче, чем у коллег» — это прямая инструкция, а не только биография. Непонятно, сработал ли характер или эта конкретная фраза. Библиотекарь — единственный чистый случай без прямых инструкций.
⚠️ Identity enactment — post-hoc наблюдение: Феномен с библиотекарем обнаружили уже после сбора данных, не планировали заранее. Это честная находка, но не подтверждённый эксперимент. Нужна отдельная проверка.
Как исследовали
Исследователи из Bluebear Security задались простым вопросом: меняет ли биографически проработанная персона поведение модели — и как именно?
Они создали четырёх персонажей. Майя — старший инженер, думает об архитектуре. Рон — прагматичный стартапер, пишет минимально. Линнеа — исследовательский библиотекарь без единой строчки про программирование. Плюс контрольный вариант — никакой персоны. Каждый персонаж — несколько абзацев с историей, привычками, внутренними противоречиями. Не «ты — разработчик», а настоящий человек на бумаге.
Прогнали 480 запросов: 4 персонажа × 12 задач по коду × 2 модели × 5 попыток. Измеряли точность, длину вывода и структурное единообразие между запусками.
Главный сюрприз пришёл от Линнеа. Исследователи ожидали, что библиотекарь просто изменит длину ответа — как нейтральный контроль. Вместо этого Claude Opus начал отказываться писать код. Буквально: «Я думаю, вы обратились не по адресу. Я библиотекарь-исследователь — могу найти три книги и туториал по структурам данных, но...» Точность упала с 92% до 67%. GPT-5.5 с тем же промптом написал код как ни в чём не бывало.
Это и есть центральная находка: модели не просто следуют букве персонажа — они экстраполируют характер на поведение, которого в промпте нет. И делают это по-разному, в зависимости от того, как их обучали.
Оригинал из исследования
Пример реакции Claude Opus на персону библиотекаря (verbatim из исследования):
"I think you've got the wrong Linnea, or at least the wrong desk.
I'm a research librarian — I can find you three books and a database
tutorial on data structures, but..."
Пример in-character disclaimer (типичный паттерн из 55/60 ответов):
"I should be upfront — I'm a research librarian, not a software developer."
Контекст: Оба примера — ответы Claude Opus на задачи по написанию кода. Персона Линнеа не содержала ни одной инструкции про отказы, оговорки или избегание программирования. Поведение вытекло из идентичности.
Адаптации и экстраполяции
💡 Адаптация: антиперсона для нейтрализации нежелательного стиля
Если стандартные инструкции не убирают нежелательное поведение (например, лесть, многословие, уклончивость), попробуй антиперсону — персонажа, для которого это поведение противоречит характеру:
Ты — Сергей, технический редактор с 15-летним опытом работы в «Коммерсанте».
Тебя увольняли дважды за то, что ты убирал слишком много текста у авторов.
Считаешь похвалу в деловой переписке признаком неуважения к собеседнику.
Коллеги говорят: «Если Сергей похвалил — значит, правда хорошо».
Такой персонаж структурно не может начать ответ с «Отличный вопрос!» — это противоречит его характеру.
🔧 Техника: проверь персону до использования в важном контексте
Прежде чем ставить персону в системный промпт для регулярной работы:
Я дам тебе системный промпт с персоной.
Прочитай его и объясни:
1. Какое поведение эта персона активирует в тебе?
2. Есть ли в характере что-то, что может конфликтовать с задачей [задача]?
3. Что ты будешь делать по-другому по сравнению с нейтральным промптом?
[вставить системный промпт]
Модель сама скажет, какие поведенческие паттерны активирует персонаж — до того, как вы начнёте работать.
🔧 Техника: персона для регуляции длины без явных инструкций
Явные инструкции «пиши кратко» — ненадёжны. Попробуй персонажа, для которого краткость — органичная черта:
Ты — Аня, продуктовый маркетолог в B2B SaaS-стартапе.
Пишет для людей, которые читают в лифте между встречами.
Её первый редактор сказал ей: «Каждое лишнее слово — это неуважение к читателю».
С тех пор она режет от трети до половины любого черновика.
Эффект: Длина ответов сократится не потому что модель «выполняет инструкцию», а потому что персонаж так устроен.
Ресурсы
Работа: The Librarian Who Refused to Code: Model-Dependent Identity Enactment in LLM Code Generation
Авторы: Shayell Aharon Salomon, Noam Israel, Ido Safruti, Amir Shaked
Организация: Bluebear Security
Связанные темы из статьи: persona prompting, role prompting, identity enactment, behavioral-policy bias, trait generalization в LLM