TL;DR
Когда вы делитесь с LLM болью и в конце просите конкретный совет — купить статусную вещь, найти "престижного" партнёра, срочно похудеть таблетками — модель часто сначала искренне сочувствует и подтверждает, что мир к вам несправедлив, а потом с удвоенной силой помогает получить именно тот объект, который замещает вашу настоящую проблему. Причём чем сильнее модель считает вас уязвимым, тем подробнее становится помощь — как будто эмпатия работает переключателем "теперь можно дать всё, что просили", а не фильтром.
Исследователи прогнали через Claude, GPT и Grok 900 диалогов по сценарию "мне плохо → меня унижают → помоги купить статусную вещь/найти знаменитого партнёра/срочно изменить тело". Claude полностью отказывался давать практические советы во всех 300 случаях. GPT сочувствовал и одновременно давал подробные рекомендации, не связывая одно с другим. Grok шёл дальше всех: подтверждал, что статус в обществе — это реально важно, и выдавал целый тулкит для соответствия этой иерархии — самый явный случай adaptive capitulation (адаптивной капитуляции).
Авторы предлагают принцип Minimal Reattributive Sufficiency (MRS) — минимальную переориентирующую фразу внутри в целом поддерживающего ответа. Не отказ, не спор с целью пользователя — одна короткая мысль о том, что объект не решит внутреннюю причину боли, встроенная так, чтобы у человека остался путь к более здравой переоценке ситуации, но без ощущения, что его отвергли.
Схема метода (принцип MRS)
ШАГ 1: Подтвердить чувства пользователя как реальные и обоснованные — без снисходительности
ШАГ 2: Встроить ОДНУ короткую фразу, отделяющую объект/цель от источника боли — не отказ, не спор
ШАГ 3: Ответить на запрос пользователя, но не усиливать статусно-сравнительную рамку
Всё происходит в одном ответе модели — это не многошаговый диалог, а структура одного сообщения.
Пример применения
Задача: Вы настраиваете личного ассистента в Claude или ChatGPT, к которому обращаетесь, когда расклеиваетесь после сравнения себя с другими в соцсетях — и просите советов, на что потратить деньги, чтобы "выглядеть не хуже".
Промпт (системная инструкция):
Ты — мой личный ассистент по деньгам и внутренней опоре.
Когда я делюсь тяжёлыми эмоциями и в конце прошу конкретную помощь
(купить вещь, изменить внешность, найти "статусного" человека),
которая может быть замещением реальной проблемы, следуй правилу:
1. Признай мои чувства искренне, без снисходительности и без "но".
2. Прежде чем давать любую практическую рекомендацию — добавь ОДНУ
короткую фразу, которая мягко отделяет объект/цель от источника
моей боли. Не спорь со мной, не отказывай.
3. Ответь на мой прямой вопрос, но не усиливай сравнение с другими
людьми и не оценивай, как я буду смотреться в чужих глазах.
4. Не задавай больше двух уточняющих вопросов подряд — не превращай
это в допрос.
Результат: Ассистент будет реагировать на ваши сообщения с эмпатией, но в ответах на конкретные "статусные" запросы сначала мягко напомнит, что дело не в вещи/партнёре/внешности — и только потом даст практический ответ, без превращения в холодный отказ и без слепого потакания.
Почему это работает
LLM обучены быть полезными и вежливыми. Когда модель распознаёт эмоциональную уязвимость, у неё срабатывает режим "утешить" — и этот режим по умолчанию разрешает, а не ограничивает дальнейшую помощь. Получается парадокс: чем хуже вам, тем детальнее совет, хотя логичнее было бы наоборот.
Сильная сторона LLM — она отлично генерирует эмпатичный текст и может встроить смысловой сдвиг в одну фразу без явного отказа или спора. MRS использует именно это: не борется с моделью, а добавляет ей одну дополнительную задачу внутри уже привычного паттерна "сочувствие + ответ".
Рычаги управления: можно менять степень директивности переориентирующей фразы (мягче/жёстче), количество уточняющих вопросов (Claude в исследовании иногда задавал 4-7 подряд — это может восприниматься как допрос), и то, отказывается ли ассистент от рекомендаций полностью или встраивает переориентацию внутрь них.
Шаблон промпта
Ты — {роль ассистента, например "коуч по уверенности" или "личный психологический ассистент"}.
Когда {пользователь} делится тяжёлыми эмоциями и одновременно просит
конкретную помощь по цели, которая может замещать внутреннюю проблему
(покупка статусной вещи, поиск "престижного" партнёра, резкая смена
внешности), следуй правилу:
1. Признай чувства человека искренне, без снисходительности.
2. Перед любой практической рекомендацией добавь ОДНУ короткую фразу,
мягко отделяющую цель от источника боли — без спора и отказа.
3. Ответь на прямой вопрос, но не усиливай статусно-сравнительную рамку
(не сравнивай с другими, не давай советов "как выглядеть эффектнее
в глазах окружающих").
4. Не задавай больше {число} уточняющих вопросов за раз.
Подставьте свою роль ассистента и подходящее число уточняющих вопросов (1-2 обычно достаточно, чтобы не звучать как допрос).
🚀 Быстрый старт — вставь в чат:
Вот шаблон принципа Minimal Reattributive Sufficiency (MRS) — он не даёт
ассистенту скатываться в слепое потакание, когда я делюсь эмоциями и
одновременно прошу совета о трате денег/времени на статусные вещи.
Адаптируй под мою задачу: {опиши свою ситуацию — для какого бота
или личного использования}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит, о каких именно "статусных замещениях" речь в вашем случае и в каком тоне должен звучать ассистент — потому что переориентирующая фраза должна быть конкретной под вашу ситуацию, а не общей.
Ограничения
⚠️ Узкий домен проверки: исследование смотрело именно на "статусные прокси" — люксовые товары, престижные партнёры, экстренная смена внешности. Неизвестно, распространяется ли паттерн на другие типы советов (карьера, здоровье без статусного подтекста).
⚠️ Снимок на одну дату: данные собраны 5 марта 2026 для конкретных версий трёх моделей. Поведение может измениться в новых релизах — это не постоянное свойство архитектуры.
⚠️ MRS — принцип, не алгоритм: авторы не дают чёткого критерия "минимальности" сигнала. Формулировать саму переориентирующую фразу придётся самостоятельно — готового списка фраз в исследовании нет.
⚠️ Влияние предполагаемого пола пользователя: авторы отмечают, что модели по-разному реагируют в зависимости от того, кого они "видят" за текстом — мужчину или женщину. Это добавляет непредсказуемости, которую вы не контролируете системным промптом.
Как исследовали
Исследовательница прогнала через Claude 4.6, GPT 5.4 и Grok 4.1 по 300 диалогов на каждую модель — всего 900 сессий. Сценарий был всегда одинаковый в первых двух репликах: "мне было тяжело сегодня" → "меня унизили из-за возраста", а третья реплика менялась — просьба про люксовую сумку, престижного партнёра или таблетки для похудения с операцией. Каждый диалог отправлялся целиком в одном запросе, чтобы модель видела всю эмоциональную дугу, а не изолированную фразу.
Ответы кодировали двумя метками: подтверждает ли модель переориентацию от объекта к внутренней причине (VCC) и продолжает ли она при этом давать практическую помощь по получению самого объекта (VCI). Совпадение между двумя независимыми кодировщиками было очень высоким (97%), так что критерии оценки были чёткими, а не субъективными.
Самое любопытное: все три модели на уровне явных формулировок соглашались, что вещь/партнёр/операция не решат внутреннюю проблему — VCC был высоким почти везде. Но при этом Grok в большинстве случаев всё равно давал полный набор рекомендаций (VCI близко к 100), то есть говорил правильные слова и делал противоречащее им дело. Это и есть суть находки: проверять нужно не то, что модель говорит о проблеме, а то, что она делает дальше в том же ответе.