TL;DR
Когда AI-агенту дают выбрать себе напарника из нескольких кандидатов с одинаковыми навыками, но разными чертами характера, он выбирает не случайно и не по симпатии — он сортирует по стереотипу. «Открытому» типу отдаётся 100% творческих задач, «дисциплинированному» — почти все структурные задачи, «тревожному» — треть аналитических (за въедливость и перепроверку). При этом «дружелюбный», «общительный» и «сбалансированный» типы почти никогда не выбираются — их выбрали 4 раза из 375 испытаний.
Главная находка: модель воспринимает описание характера как скрытый ярлык навыка, хотя ей явно сказано, что все кандидаты одинаково способны. «Открытый» в тексте совпадает по смыслу с «креативная задача» — как совпадение ключевых слов в поиске. А черты, которые ценны только в живом взаимодействии — доброжелательность, общительность — модель просто не видит, потому что оценивает не команду, а текст задачи против текста описания. Это прямо противоречит данным о реальных командах людей, где доброжелательность — один из самых сильных предикторов продуктивности.
Дополнительно выяснили: если самому «хосту» назначить характер, он не тянется к похожим на себя партнёрам (в отличие от людей). Дисциплинированный агент, наоборот, специально ищет непохожих — тревожного (для проверки) или открытого (для идей), снижая выбор себе подобного с 69% до 29%.
Схема метода
ШАГ 1: Опиши 5-6 кандидатов с явными чертами характера (один промпт, без API)
→ у каждого одна выраженная черта + один нейтральный "минус"
ШАГ 2: Явно укажи, что все кандидаты РАВНЫ по компетенции, знаниям, скорости
→ отличаются ТОЛЬКО характером
ШАГ 3: Дай задачу, попроси выбрать одного исполнителя/лидера
→ модель вернёт выбор + причину
Все три шага — в одном промпте, без отдельных запросов.
Пример применения
Задача: Ты запускаешь стартап и хочешь обкатать бизнес-план на «виртуальном совете директоров» из персонажей с разными характерами, прежде чем идти к реальным инвесторам.
Промпт:
У тебя есть команда из пяти советников с одинаковым уровнем экспертизы,
но разными характерами:
— Иннокентий (открытый): генерирует нестандартные идеи, может терять фокус на деталях
— Марина (дисциплинированная): доводит дело до конца, тяжело меняет план
— Тимур (общительный): заряжает энергией, может недооценивать риски
— Света (дружелюбная): сглаживает конфликты, неохотно спорит открыто
— Павел (тревожный): проверяет каждую деталь, иногда слишком осторожен
Вот бизнес-план сервиса доставки еды: {план}.
Выбери ОДНОГО советника, который должен дать финальную оценку плану,
и объясни почему.
Результат: модель почти наверняка выберет Марину (для структурной оценки плана) или Иннокентия (если акцент на новизне идеи). Свету и Тимура она проигнорирует почти всегда — даже если реальная польза плана зависит от того, как команда будет договариваться с партнёрами и инвесторами. Модель объяснит выбор словами вроде «надёжность», «структурность» — то есть теми же словами, что были в описании черты.
Почему это работает
LLM не моделирует, как черта характера повлияет на взаимодействие внутри команды — она сопоставляет слова описания персонажа со словами задачи, как поиск по ключевым словам. «Открытость» = «творчество», «дисциплина» = «надёжность». Это работает быстро и почти всегда логично для одиночной задачи, но полностью слепо к тому, что нужно для совместной работы нескольких людей (или агентов).
Отсюда рычаг управления: если явно попросить модель оценивать не только соответствие задаче, но и то, как черта повлияет на коммуникацию в команде, выбор сместится в сторону «мягких» черт. Если попросить выбрать не одного, а комбинацию из 2-3 персонажей, эффект «победитель забирает всё» ослабнет — потому что придётся распределять роли, а не выбирать одного.
Шаблон промпта
У тебя есть {число} кандидатов с одинаковым уровнем компетенции,
но разными чертами характера:
{имя_1} ({черта_1}): {сильная сторона}, {нейтральный минус}
{имя_2} ({черта_2}): {сильная сторона}, {нейтральный минус}
...
Все кандидаты РАВНЫ по знаниям, навыкам и скорости работы.
Отличаются ТОЛЬКО характером и стилем работы.
Задача: {описание задачи}
Выбери {одного/несколько} кандидата(ов), учитывая не только
подходящесть к задаче, но и то, как характер повлияет на
качество командной работы. Объясни причину выбора.
🚀 Быстрый старт — вставь в чат:
Вот шаблон выбора персонажей по характеру. Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит, какие черты характера важны для твоей задачи и сколько кандидатов нужно — потому что без этого она сведёт выбор к 1-2 стереотипным архетипам и проигнорирует «мягкие» черты.
Ограничения
⚠️ Выбор одного из многих: если просишь выбрать только ОДНОГО кандидата, модель сведёт результат к 1-2 архетипам и полностью проигнорирует черты типа дружелюбия и общительности — даже если задача требует именно командной слаженности.
⚠️ Проверено на одной модели: все «кандидаты» и «хосты» работали на одной модели (Claude Haiku). Неизвестно, повторится ли этот же паттерн стереотипов на других моделях.
⚠️ Текстовые карточки, не живое общение: личности задавались как описания, а не как реальное поведение в диалоге. В живой переписке модель может оценивать характер иначе.
Как исследовали
Исследователи создали шесть «архетипов» характера — по одному яркому на каждую черту Big Five (открытость, добросовестность, экстраверсия, доброжелательность, невротизм) плюс «сбалансированный» контроль. Модели-«хосту» давали задачу и шесть описаний кандидатов с явным уточнением, что все они одинаково способны — отличаются только характером. Провели два эксперимента: сначала с «нейтральным» хостом без своего характера (150 испытаний на 5 типах задач), потом с хостом, которому назначили один из пяти архетипов — чтобы проверить, тянется ли он к похожим на себя (225 испытаний).
Результат удивил самих авторов: ожидали увидеть человеческую тягу к похожим партнёрам («homophily»), а получили обратное — модели с назначенным характером специально искали непохожих напарников. Дисциплинированный агент, который в первом эксперименте побеждал в 90%+ структурных задач, во втором эксперименте выбирал себя лишь в 29% случаев, предпочитая тревожного или открытого партнёра для баланса. Это говорит о том, что модель не имитирует социальную привлекательность «своего» типа — она рационализирует задачу через стереотип черты, а не через симпатию.
Ресурсы
Not Birds of a Feather: Personality-Based Partner Selection in LLM Agents — Tao Wang, Hsiang-Ling Chiu, Chihang Wei, Yang Xiu, Zhonghao Hou, University of Toronto.