TL;DR
Если попросить LLM "ответить как обычный человек" без деталей, она выдаёт один-два усреднённых ответа на любой вопрос — никакого разброса, никакой индивидуальности. Исследователи нашли простое решение: вместо долгого описания персонажа задать числовой профиль черт — например, "2 из 5 по Альтруизму, 4 из 5 по Отношению к риску" — и попросить модель принимать решения с этим профилем в разных ситуациях.
Главная находка: без профиля модель схлопывается в шаблон. В десяти классических экономических играх (где реальные люди распределены очень по-разному — кто-то жадный, кто-то щедрый, кто-то рискует, кто-то нет) LLM без числового профиля выдаёт почти одинаковый ответ раз за разом. Стоит добавить хотя бы одну числовую черту — разброс ответов резко приближается к тому, что показывают настоящие люди. А для полного совпадения с реальным человеческим поведением хватает всего трёх черт: Отношение к риску, Стратегическая изощрённость и Доверие — дальше добавлять черты почти бесполезно.
Метод устроен просто: пишешь короткий профиль из 2-3 числовых шкал (1-5), вставляешь его перед описанием ситуации, и просишь модель принять решение как персонаж с этим профилем. Меняя цифры, получаешь разных "людей" — и их решения ведут себя предсказуемо, плавно, без хаотичных скачков.
Схема метода
ШАГ 1: Выбери 2-3 черты характера (например: Риск, Доверие, Альтруизм)
ШАГ 2: Задай каждой черте число от 1 до 5 → "Ты человек: 4 из 5 по Риску, 2 из 5 по Доверию"
ШАГ 3: Добавь описание ситуации и вопрос о выборе → LLM выдаёт решение персонажа
Все три шага собираются в один промпт (system + user часть), отдельные запросы не нужны.
Пример применения
Задача: Основатель фудтех-стартапа готовит питч для инвестора и хочет заранее понять, как разные типы инвесторов отреагируют на условия сделки — до того, как выйти на реальные переговоры.
Промпт:
Ты — инвестор с следующим профилем:
4 из 5 по Отношению к риску (высокая осторожность, избегаешь неопределённости)
2 из 5 по Доверию (скептичен к обещаниям основателя)
5 из 5 по Стратегической изощрённости (просчитываешь ходы наперёд)
Ситуация: основатель предлагает вложить 10 млн рублей за 15% компании
с оценкой 65 млн рублей, без права вето на будущие раунды.
Вопрос: Принимаешь условия, просишь пересмотреть или отказываешься?
Обоснуй решение исходя из своего профиля.
Результат: Модель отыграет решение через призму заданных цифр — осторожный и недоверчивый инвестор скорее всего попросит защитные условия (право вето, антидилюшн) или снизит оценку. Если поменять профиль на "5 из 5 Доверие, 2 из 5 Риск" — ответ сместится в сторону более лёгкого согласия. Меняя цифры, можно быстро прогнать 5-10 архетипов инвесторов и подготовить ответы на их вероятные возражения.
Почему это работает
LLM по умолчанию отвечает "усреднённо-вежливо" — без явного указания, кто говорит, она выдаёт самый частый, самый безопасный вариант ответа. Это и есть слабость: модель не умеет сама придумывать разнообразие людей, если её не попросить.
Сильная сторона LLM — она отлично считывает числовые "рычаги" в тексте и плавно меняет поведение при их изменении. Исследование показало: если менять цифру от 1 до 5, ответ модели меняется постепенно, без скачков — как будто внутри есть настоящая шкала, а не случайный генератор.
Метод берёт эту чувствительность к числам и направляет её на конкретные черты характера, вместо того чтобы полагаться на расплывчатые словесные описания типа "рискованный человек". Число вместо прилагательного — потому что число задаёт точку на шкале, а не смутный образ.
Рычаги управления: - Количество черт — 2-3 обычно достаточно; 4-5-я добавляют мало пользы, но тратят токены и усложняют промпт. - Выбор черт — под разные задачи разные черты решают: для переговоров о цене — Риск+Доверие, для оценки щедрости — Альтруизм+Справедливость. Нет универсального набора, нужно подбирать под сценарий. - Шкала — 1-5 хорошо работает, но можно расширить до 1-10 для более тонкой градации. - Явная формулировка вопроса ("обоснуй решение исходя из профиля") — заставляет модель держаться заданных черт, а не сваливаться в дефолтный ответ.
Шаблон промпта
Ты — {роль} со следующим профилем характера:
{X1} из 5 по {черта_1}
{X2} из 5 по {черта_2}
{X3} из 5 по {черта_3}
Ситуация: {описание_сценария}
Вопрос: {конкретный_вопрос_о_решении}
Обоснуй решение исходя из своего профиля.
Что подставлять:
- {роль} — кем выступает модель (инвестор, клиент, партнёр по переговорам, коллега)
- {черта_N} — конкретная черта характера, важная для твоей ситуации (Риск, Доверие, Альтруизм, Терпение, Лояльность к бренду и т.д.)
- {X_N} — число от 1 до 5, задающее интенсивность черты
- {описание_сценария} и {конкретный_вопрос_о_решении} — твоя реальная ситуация
🚀 Быстрый старт — вставь в чат:
Вот шаблон Type Vectors — симуляция персонажа через числовой профиль черт.
Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит, какие черты характера важны для твоей ситуации и какую роль должен играть персонаж — потому что без этого невозможно подобрать релевантные шкалы. Дальше она соберёт готовый профиль под твою задачу.
Ограничения
⚠️ Это про группы, не про одного человека: метод отлично воспроизводит распределение ответов множества людей, но для точного предсказания поведения одного конкретного знакомого человека 2-3 черт может не хватить — некоторым людям в исследовании требовалось больше измерений.
⚠️ Выбор черт критичен: для одной ситуации важен Риск, для другой — Справедливость. Нельзя взять случайные три черты и ожидать хорошего результата — нужно подбирать под конкретный сценарий, иначе точность падает.
⚠️ Разные модели дают разные ответы: проверка на нескольких топовых LLM показала совпадение паттернов, но не идентичное — совпадение корреляций 83-88%. Один и тот же профиль в разных моделях может дать слегка разное поведение.
⚠️ Проверено на экономических решениях: исследование тестировало игры про риск, доверие, справедливость. Для других типов поведения (креативность, эмоциональные реакции, моральные дилеммы) метод не проверялся напрямую.
Как исследовали
Исследователи взяли данные 119 147 решений от 78 657 живых людей из 35+ стран, которые играли в десять классических экономических игр — от игры на доверие до дилеммы общих ресурсов. Затем они прогнали через GPT-4.1 тысячи вариантов числовых профилей (комбинации из 1-5 черт по шкале 1-5) в тех же играх и сравнили, насколько распределение решений модели похоже на распределение решений реальных людей.
Без профиля модель выдавала кучку ответов в одной-двух точках — совсем не похоже на разброс реальных людей. С одной числовой чертой сходство резко выросло, а с тремя чертами (Риск, Стратегия, Доверие) распределения почти совпали с человеческими почти во всех играх. Добавление четвёртой-пятой черты давало минимальный прирост точности.
Отдельно проверили: можно ли предсказать поведение конкретного человека в новой, незнакомой игре, зная его профиль по другим играм? Оказалось — да, почти так же хорошо, как специально обученная ML-модель, которая видела все данные. А когда сгруппировали профили тысячи людей — получилось меньше десятка устойчивых кластеров (например, "рискующий и стратегический" тип, но не "рискующий и справедливый" — некоторые сочетания черт в реальности почти не встречаются).
Самое неожиданное: заменили экономические черты на психологические Big-5 личностные черты — результат был хуже. Значит, дело не просто в "любых пяти словах", а в том, что выбранные черты реально объясняют вариацию поведения в этих сценариях.
Ресурсы
How AI Prompts Can Teach Us About the Structure of Human Behavior — Matthew O. Jackson (Stanford, Santa Fe Institute), Benjamin S. Manning (MIT), Yutong Xie (MIT), Walter Yuan и Qiaozhu Mei (University of Michigan / MobLab). Данные — платформа MobLab Classroom.