TL;DR
Исследователи проверили: если AI-агент проанализирует твою переписку с ним и сделает файл с твоими личными привычками — станет ли он работать лучше? Метод строит такой файл в два шага: сначала грубый набросок всех замеченных паттернов (как ты общаешься, что правишь, как проверяешь результат), потом чистка — правило остаётся только если оно повторилось минимум в двух разных разговорах, а не в одном.
Главная находка обидная: личный профиль почти не помогает. Прибавка к качеству — 1 балл из 100, и то нестабильная: в 43% случаев личный профиль работал даже хуже, чем если бы агент вообще не знал твои привычки. Причина проста: если в твоей истории мало похожих задач, AI не может отличить твою устойчивую привычку от разовой просьбы. Ты один раз попросил "сделай короче" — и модель записала это как твоё вечное правило, хотя это было исключение.
Зато общий профиль, собранный из переписок сразу многих людей, стабильно давал лучший результат — почти в 51% случаев он побеждал сценарий без всякого профиля. Персонализация начинает реально работать только тогда, когда у тебя накопилось шесть или больше похожих задач в истории — тогда AI видит устойчивый паттерн, а не шум.
Схема метода
ШАГ 1 (бутстрап): LLM просматривает историю переписки → выделяет повторяющиеся паттерны
по категориям (стиль общения, манера работы, обработка правок, что перепроверяется,
поведение на финальном этапе) → черновой файл-профиль
ШАГ 2 (проверка доказательствами): другой проход LLM берёт черновик + исходную историю →
оставляет правило только если оно подтверждено минимум в 2 разных диалогах →
удаляет разовые случаи → финальный компактный профиль
Оба шага можно выполнить в одном чате последовательными промптами.
Пример применения
Задача: Копирайтер месяцами работает с Claude/ChatGPT над постами для соцсетей. Устал каждый раз объяснять, что не любит канцелярит, всегда хочет CTA в конце и просит сокращать длинные абзацы. Хочет сделать один файл-инструкцию из истории переписки, чтобы вставлять его в новые чаты.
Промпт:
Просмотри нашу переписку о текстах для соцсетей за последние 15-20 диалогов.
ШАГ 1 — Черновой профиль:
Найди все повторяющиеся особенности того, как я формулирую задачи и что правлю.
Разбей по категориям:
- Стиль общения: как я обычно формулирую просьбы
- Манера работы: что я чаще всего прошу изменить
- Обработка уточнений: как я реагирую, когда ты о чём-то спрашиваешь
- Проверка результата: что я обычно критикую или переделываю
- Формат вывода: что должно быть в готовом тексте
ШАГ 2 — Проверка доказательствами:
Пройди по каждому пункту из черновика. Оставь пункт только если он встречается
минимум в 2 разных диалогах. Если пункт основан на одном случае — удали его,
это может быть разовая просьба, а не постоянная привычка.
Выдай финальный список правил компактно — я буду вставлять его в начало новых чатов.
Результат: Модель сначала выдаст широкий черновой список (10-15 пунктов), затем отфильтрует его до 5-8 подтверждённых правил с пометкой, в скольких диалогах каждое встретилось. Финальный текст — короткая инструкция на 100-200 слов, готовая для вставки в новые чаты или в кастомные инструкции.
Почему это работает
LLM плохо отличает постоянную привычку от разовой просьбы — если увидела правку один раз, может решить, что это твоё правило навсегда. Из-за этого профиль, собранный "на глаз" из пары диалогов, часто состоит из случайностей, а не реальных предпочтений.
Зато LLM хорошо умеет искать повторяющиеся паттерны, если её явно попросить это сделать и задать порог подтверждения. Двухэтапный процесс — сначала собрать всё без фильтра, потом перепроверить каждый пункт на количество подтверждений — заставляет модель саму отсеять шум вместо того, чтобы гадать.
Рычаги управления: - Порог повторений (в оригинале — 2 подтверждения) → если у тебя богатая история, можно поднять до 3-4 для более надёжного профиля. - Объём истории → чем больше похожих диалогов ты дал на анализ, тем надёжнее итоговый профиль. Меньше 5-6 похожих случаев — профиль скорее навредит. - Категории паттернов → можно менять под свою задачу: для копирайтинга — стиль текста и формат, для аналитики — структуру отчётов и уровень детализации.
Шаблон промпта
Просмотри мою переписку с тобой за {период/количество диалогов} по теме {тема}.
ШАГ 1 — Черновой профиль:
Найди все повторяющиеся особенности того, как я формулирую задачи и что я правлю.
Разбей по категориям:
- Стиль общения: как я обычно формулирую просьбы
- Манера работы: что я чаще всего прошу изменить
- Обработка уточнений: как я реагирую, когда ты о чём-то спрашиваешь
- Проверка результата: что я обычно перепроверяю или критикую
- Формат вывода: что должно быть в готовом результате
ШАГ 2 — Проверка доказательствами:
Пройди по каждому пункту из черновика. Оставь пункт только если он встречается
минимум в {2} разных диалогах. Если пункт основан на одном случае — удали его.
Выдай финальный список правил компактно — я буду вставлять его в начало новых чатов.
Подставь: {период/количество диалогов} — сколько чатов анализировать, {тема} — область задач (тексты, код, аналитика), {2} — минимальное число подтверждений для правила.
🚀 Быстрый старт — вставь в чат:
Вот шаблон для создания моего личного профиля привычек на основе прошлых чатов.
Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит, сколько диалогов доступно для анализа и по какой теме — потому что без достаточного объёма истории (меньше 5-6 похожих случаев) профиль может получиться из случайных правок, а не реальных привычек.
Ограничения
⚠️ Мало истории — вредный профиль: если у тебя меньше 5-6 похожих диалогов по теме, персональный профиль не улучшает результат и может даже сбить модель с толку разовыми правками, принятыми за правило.
⚠️ Общая инструкция часто лучше личной: без большого объёма истории обычные качественные общие рекомендации работают стабильнее, чем узко персонализированные.
⚠️ Профиль не ускоряет работу: даже когда личный профиль помогал, модель делала больше действий и проверок, а не меньше — выигрыш в качестве результата, не в скорости и не в количестве уточнений от тебя.
Ресурсы
Do Personalized Skills Help Coding Agents? An Empirical Study of Developer Interaction Histories — Shuyan Huang (UMass Amherst), Kai Du (OpenRefinery.ai), Andrew Lan (UMass Amherst). Датасет: SWE-chat (206 сессий, 13 разработчиков), агент Codex/GPT-5.5 для генерации и оценки скиллов.