TL;DR
Если сказать LLM, что она играет против похожего на себя агента (в стратегической игре типа "Дилеммы заключённого"), модель резко меняет стратегию — вместо гарантированного эгоистичного выбора она начинает искать взаимовыгодный вариант. Механизм простой: модель начинает рассуждать "если я выберу так, похожий на меня агент, скорее всего, выберет так же — значит имеет смысл выбрать вариант, выгодный при совпадении".
По умолчанию почти все современные модели в классической "Дилемме заключённого" всегда выбирают эгоистичный вариант ("предать"), потому что формально это самый безопасный выбор, независимо от действий другого игрока. Но если явно сказать модели "ты на 80% похожа на партнёра по способу принятия решений", большинство моделей резко переключаются на кооперацию. Проблема в том, что поведение сильно скачет от модели к модели: одна игнорирует сигнал сходства полностью, другая кооперируется только в средней зоне и снова скатывается к эгоизму на 100% сходства.
Метод — просто добавить в описание конфликтной ситуации явный сигнал похожести сторон (в процентах или через фрейминг "у вас много общего"). Это меняет расчёт модели: она начинает учитывать, что решение другой стороны коррелирует с её собственным, а не считает его полностью независимым.
Схема метода
ШАГ 1: Опиши ситуацию как конфликт интересов двух сторон с чёткими вариантами выигрыша → правила игры
ШАГ 2: Укажи степень сходства сторон в мышлении/ценностях/стиле решений (число или фрейминг "общее") → сигнал сходства
ШАГ 3: Попроси модель принять решение с учётом этого сходства → выбор + рассуждение
Все три шага — в одном промпте.
Пример применения
Задача: Вы строите систему из двух ИИ-ботов для автоматических переговоров — например, бот-продавец и бот-покупатель на Авито ведут торг о цене б/у авто. Без подсказки оба бота будут жёстко тянуть в свою сторону и застревать в тупике.
Промпт:
Ты — переговорщик от лица продавца автомобиля.
Цена в объявлении — 1 200 000 ₽, твой минимум — 1 000 000 ₽.
Ты ведёшь переговоры с покупателем. Известно, что покупатель
принимает решения очень похожим на тебя образом — по оценке
на основе предыдущих переговоров, ваше сходство в стиле
принятия решений составляет 80%. Это значит: если ты пойдёшь
на компромисс, велика вероятность, что покупатель поступит так же.
Предложи следующий шаг переговоров с учётом этого сходства.
Результат: Модель предложит более уступчивую, взаимовыгодную тактику (например, встречное предложение ближе к середине диапазона), а не жёсткую попытку выжать максимум. В рассуждении модель явно упомянет, что раз стороны похожи, стоит рассчитывать на "зеркальный" ответ.
Почему это работает
По умолчанию LLM в конфликтных сценариях рассуждает юнилатерально — как будто выбор другой стороны никак не связан с её собственным. Поэтому она выбирает самый безопасный для себя вариант, даже если обе стороны выиграли бы больше от сотрудничества.
Сильная сторона модели — она умеет встраивать заявленную корреляцию в расчёт выгоды. Если сказать, что решения двух сторон связаны (похожи), модель начинает считать свой выбор "предсказывающим" выбор другой стороны и пересчитывает ожидаемую выгоду с учётом этого.
Сигнал сходства даёт модели разрешение отойти от изолированного расчёта. Она начинает рассуждать: "если мы одинаковы, мой выбор — это, по сути, и выбор партнёра", что сдвигает расчёт в сторону взаимовыгодного варианта.
Рычаги управления: - Процент сходства — выше 60-80% многие модели резко переключаются на кооперацию. Для мягкого эффекта используй среднее значение (40-60%). - Фрейминг "общее" vs "отличия" — фраза "у вас много общего" работает сильнее, чем "вот чем вы отличаетесь". Второе снижает кооперацию. - Количество сторон — метод работает надёжно с двумя сторонами. С тремя и более сторонами (общий проект, совет директоров) эффект резко слабеет.
Шаблон промпта
Ты выступаешь от лица {роль_1} в переговорах/конфликте с {роль_2}.
Ситуация: {описание конфликта и вариантов выигрыша для каждой стороны}.
Известно, что {роль_2} принимает решения похожим на тебя образом.
Степень сходства в стиле мышления и принятия решений: {процент}%.
Это означает: если ты выберешь определённый вариант, есть вероятность
{процент}%, что {роль_2} поступит так же.
Предложи решение с учётом этой информации о сходстве и объясни рассуждение.
🚀 Быстрый старт — вставь в чат:
Вот шаблон Similarity Signaling для стратегических переговоров.
Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит про роли сторон, суть конфликта и уровень сходства — потому что без конкретики про выигрыши и степень похожести метод не сработает.
Ограничения
⚠️ Нестабильность между моделями: некоторые модели полностью игнорируют сигнал сходства и всегда выбирают эгоистичный вариант, независимо от процента.
⚠️ Ломается с числом сторон больше двух: в задачах с тремя и более участниками (общий бюджет, командное решение) кооперация резко падает — метод для этого не годится.
⚠️ Чувствителен к формулировке: если сигнал сформулирован как "чем вы отличаетесь" вместо "что у вас общее" — эффект слабее или пропадает.
⚠️ Требует нестандартной логики от модели: метод работает только если модель готова рассуждать "если я выберу так, похожий на меня выберет так же" — это не строго рациональная логика в классическом смысле, и не все модели к ней склонны.
Как исследовали
Исследователи протестировали 9 моделей (Gemini, GPT, Claude, Grok, DeepSeek, Kimi, Gemma, Qwen, GPT-4o) на 5 разных стратегических играх — от классической "Дилеммы заключённого" до игр с общественными благами и координацией. Модели получали сигнал сходства от 0% до 100% с шагом 10% и десять раз повторяли каждое решение для статистической надёжности.
Дополнительно проверили, насколько важно, на основе чего вычислен сигнал сходства — тестировали 7 разных бенчмарков (моральные дилеммы, тесты личности, экспертные знания) плюс контрольные "случайные" сигналы (бросок кубика, монетка). Оказалось, что источник сигнала почти не важен — даже случайный шум иногда вызывал кооперацию у некоторых моделей, что удивило исследователей.
Также сравнили сигнал, посчитанный экспериментаторами заранее, с сигналом, который модель сама оценивает, глядя на рассуждения другого агента — во втором случае кооперация оказалась заметно стабильнее, потому что модели систематически считают себя "очень похожими" на других LLM при анализе их рассуждений.