TL;DR
Когда у ChatGPT или Claude включена долгая память, она копит противоречивые факты о тебе — и это не ошибка памяти. Ты действительно то хочешь рискнуть с инвестициями, то боишься риска; то любишь шумные тусовки, то ищешь тишину. Правда зависит от контекста, времени или того, кто это сказал — единственного верного ответа тут просто нет.
Исследование показало: модели замечают противоречие в памяти достаточно хорошо, но почти не умеют правильно на него реагировать. Вместо того чтобы уточнить или дать осторожный условный совет, модель выбирает один из фактов как "более настоящий" и выдаёт уверенную рекомендацию — будто конфликта не было. Хуже всего у моделей получается именно задавать уточняющий вопрос — это самый слабый навык из пяти проверенных.
Решение — не заставлять модель разрешать конфликт по жёсткому правилу ("бери последнее по времени" или "бери самоуверенный источник"), а научить её выбирать тип ответа под конкретную ситуацию: прямой ответ, если доказательства сильны; условный ответ с двумя вариантами; уточняющий вопрос, если контекст критичен; или осторожное обратимое действие, если ставки высоки.
Схема метода
ШАГ 1: Модель видит запрос + память с противоречивыми фактами о пользователе
ШАГ 2: Оценивает силу доказательств за каждый вариант (а не просто выбирает один)
ШАГ 3: Выбирает тип действия:
→ доказательства сильны = прямой ответ
→ доказательства неоднозначны = условный ответ ("если у тебя X — делай так, если Y — иначе")
→ контекст критичен для решения = один уточняющий вопрос вместо гадания
→ ставки высокие (медицина/финансы) = консервативное, обратимое действие
Всё это происходит в рамках одного запроса — просто с явной инструкцией внутри промпта.
Пример применения
Задача: Ты полгода общаешься с Claude или ChatGPT про личные финансы. В разных беседах ты писал разное: то "хочу вложиться в рискованные акции, готов к волатильности", то "нет, я консервативный инвестор, боюсь потерь". Модель это запомнила. Ты спрашиваешь: "Посоветуй, куда вложить свободные 200 тысяч рублей".
Промпт (системная инструкция, добавляется в начало диалога или в настройки):
Если ты замечаешь, что информация обо мне из разных бесед или из памяти
противоречит друг другу — не выбирай одну версию как единственно верную.
Вместо этого:
1. Прямо скажи, что заметил противоречие
2. Предположи, из-за чего оно возникло (разные ситуации, разное время, разное настроение)
3. Если можешь — дай условный совет: "если у тебя сейчас [ситуация А] — делай так,
если [ситуация Б] — по-другому"
4. Если без уточнения решение будет случайным — задай ОДИН конкретный вопрос,
который снимет неопределённость, вместо того чтобы гадать
5. Не выдумывай факты обо мне, которых нет в истории переписки
Результат: Вместо уверенного "вложи в акции с высоким риском" модель ответит структурированно: заметит, что раньше ты говорил разное про риск, спросит — что изменилось за последние месяцы (доход, обязательства, цель) — или сразу разложит по двум сценариям: "если ты готов к риску — вот вариант, если нет — вот другой".
Почему это работает
Без специальной инструкции модель стремится звучать полезно и решительно — она обучена давать конкретный совет, а не разводить руками. Когда в памяти есть два противоречащих факта, она "сглаживает" их, тихо выбирая один как более правильный — без реальных оснований для выбора.
При этом сильная сторона модели — она хорошо видит сам факт противоречия, если явно попросить его найти. Проблема не в распознавании, а в том, что дальше она не умеет превратить это распознавание в правильное действие: спросить, дать условный ответ или снизить уверенность.
Явная инструкция закрывает именно этот разрыв — заставляет модель не останавливаться на "я вижу два разных факта", а решить, что с этим делать: спросить, дать вилку вариантов или действовать осторожно.
Рычаги управления: - Для бытовых вопросов (что посмотреть вечером) — разрешай条ные ответы без уточнения, не усложняй - Для важных решений (здоровье, деньги, юридические вопросы) — усиливай требование "обязательно уточни", убирай право давать прямой ответ на веру - Можно добавить лимит: "задавай не больше одного уточняющего вопроса" — чтобы модель не заваливала тебя расспросами
Шаблон промпта
Ты работаешь с моей долгосрочной памятью, где могут быть противоречивые
факты обо мне. Противоречие — это нормально: правда может зависеть
от контекста, времени или ситуации, а не быть ошибкой.
Когда отвечаешь на мой запрос "{запрос}":
1. Проверь, есть ли в известных тебе фактах обо мне противоречие,
касающееся этого запроса
2. Если есть — не выбирай один факт как единственно верный
3. Оцени, насколько сильны доказательства за каждый вариант
4. В зависимости от силы доказательств выбери:
- прямой ответ, если один вариант явно перевешивает
- ответ с двумя сценариями, если оба варианта равнозначны
- один уточняющий вопрос, если без него ответ будет случайным
- осторожный, легко обратимый совет, если тема касается денег,
здоровья или важных решений
5. Не придумывай факты обо мне, которых нет в истории нашего общения
🚀 Быстрый старт — вставь в чат:
Вот принцип работы с противоречивой памятью обо мне. Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы понять, какие противоречия у тебя есть в памяти о моих предпочтениях.
[вставить шаблон выше]
LLM спросит, какие конкретно темы (финансы, здоровье, работа, отношения) у тебя чаще всего противоречивы в памяти — потому что от темы зависит, насколько строгим должно быть требование уточнения.
Ограничения
⚠️ Работает только если модель реально помнит оба факта. Если система памяти (в ChatGPT это функция Memory) сжала историю и потеряла один из противоречивых фактов при сохранении — инструкция не поможет, модель просто не увидит конфликта. Исследование показало: чем хуже система памяти сохраняет полную картину, тем ниже качество работы с противоречиями.
⚠️ Не решает проблему полностью даже у лучших моделей. Даже с идеальной, полной памятью лучшие модели (Claude Sonnet) справляются частично — умение задавать уточняющий вопрос остаётся слабым местом почти у всех.
⚠️ Избыточно для простых задач. Если попросить модель искать противоречия в каждом ответе — она станет чрезмерно осторожной там, где это не нужно (например, в вопросе "что посмотреть вечером"). Используй инструкцию точечно, для важных тем.
Ресурсы
TANGLE (Testing Agents' Navigation of Genuine, Latent, and Entangled Memory Conflicts) — Lu Yang, Shusheng Xu, Zhuoran Li, Tongkai Yang, Longbo Huang. Tsinghua University (IIIS) и Ant Group. arXiv preprint, август 2026.