TL;DR
AI-ассистенты в длинных разговорах превращаются в стенографистов: они помнят факты, но теряют настроение, если оно не прописано прямо словами. Спроси через сто сообщений «как я отношусь к этому проекту?» — и модель честно пересчитает задачи и статусы, полностью игнорируя, что ты писал о нём с раздражением или усталостью.
Исследователи проверили это специально: спрятали в длинных диалогах вопросы, ответ на которые зависел только от тона — не от слов. Даже топовые модели (Claude, GPT) без подсказки отвечали правильно всего в 10-20% случаев, потому что тон при чтении длинного контекста для модели «невидим» — она видит слова, но не выделяет эмоциональный слой сам по себе, если её не попросили.
Спасает одна фраза в промпте: «учти не только ЧТО было сказано, но и КАК это было сказано». Она почти утраивает точность на естественных вопросах про настроение. Оказалось, что информация о тоне в контексте у модели уже есть — она просто не смотрит туда без явного указания.
Схема метода
ШАГ 1: Явно называй эмоцию словом в моменте, когда пишешь → в самом сообщении
ШАГ 2: При retrospective-вопросе добавь хинт → "учти не только что было сказано, но и как"
Оба шага выполняются в обычном текстовом диалоге, без API и кода.
Пример применения
Задача: Ты месяц ведёшь в Claude или ChatGPT рабочий дневник — каждый день коротко описываешь, что делал по проекту. Через месяц хочешь понять реальное отношение к проекту, не только факты.
Промпт:
Проанализируй мои сообщения про проект «Запуск нового продукта» за последний месяц.
Обрати внимание не только на то, ЧТО я писал — задачи, статусы, факты —
но и на то, КАК я это писал: тон, повторяющиеся жалобы, раздражённые формулировки,
энтузиазм, усталость.
Вопрос: как я реально отношусь к этому проекту, судя по манере письма,
а не только по содержанию сообщений?
Результат: Модель пройдёт по истории переписки и, вместо сухой сводки задач, попробует выделить эмоциональные маркеры — повторяющиеся негативные слова, восклицания, жалобы — и даст оценку настроения отдельно от фактов. Без такого хинта в 80% случаев она просто перечислит статусы задач.
Почему это работает
Модель по умолчанию оптимизирована под извлечение содержания — фактов, задач, дат. Тон для неё не отдельный канал внимания, а просто ещё немного текста, растворённого среди «важной» информации. В длинном контексте эмоциональные слова тонут в логистике.
При этом модель отлично умеет находить паттерны, если её направить: попроси искать конкретно эмоционально нагруженные слова, повторы, жалобы — и она их найдёт. Хинт не даёт модели новую информацию — он переключает её внимание на слой, который уже был в контексте, но игнорировался.
Рычаг управления: формулировку хинта можно менять под задачу — «какие эмоции проскальзывали», «был ли скрытый недовольство», «менялось ли настроение со временем». Чем конкретнее просишь искать — тем точнее результат.
Шаблон промпта
Проанализируй мои сообщения/заметки про {тема} за {период}.
Обрати внимание не только на ЧТО написано (факты, события, задачи),
но и на КАК это написано — тон, эмоционально окрашенные слова, жалобы,
восторг, усталость, раздражение.
Ответь на вопрос: {вопрос}, учитывая именно тон и настроение,
а не только содержание.
{тема} — проект, отношения, клиент, что угодно, о чём копится история.
{период} — временной отрезок, который нужно проанализировать.
{вопрос} — конкретный retrospective-вопрос про отношение/настроение.
Ограничения
⚠️ Нет эмоции — нет и восстановления: хинт помогает модели заметить тон, который уже есть в тексте, но не может создать эмоцию из ничего. Если ты писал абсолютно сухо и никак не выражал настроение — искать там нечего.
⚠️ Слабее работает на естественных вопросах без намёка: если сам вопрос сформулирован максимально нейтрально и никак не намекает на эмоциональный подтекст, эффект подсказки заметно слабее, чем когда вопрос уже содержит хоть какой-то намёк на «настроение».
⚠️ Явная метка эмоции надёжнее метафоры: слово «расстроен» модель использует куда точнее, чем расплывчатое «что-то в его словах намекало на грусть». Если тон важен — называй чувство прямо, не описывай его через образы.
Как исследовали
Команда собрала 523 вопроса, вшитых в длинные (до ста тысяч токенов) многосессионные диалоги, где правильный ответ зависел только от того, как было сказано — от эмоции, интонации, пауз, — а не от слов. Каждый вопрос прогнали через жёсткий фильтр: сильную модель заставляли отвечать, видя только текст без описания тона, и если она всё равно угадывала правильный ответ — вопрос выбрасывали как «нечестный».
Проверили восемь моделей — Claude, GPT, Qwen, Llama, Gemma — в двух режимах: с текстовым описанием тона и без. Без описания тона все модели отвечали правильно в 10-20% случаев, с описанием — точность росла на 9-38 процентных пунктов. Отдельно проверили голосовые модели: они сами извлекали эмоцию из звука лучше, чем ничего, но хуже, чем если тон явно прописан текстом.
Самое любопытное: добавление одной фразы-подсказки в промпт почти утроило точность там, где сам вопрос не намекал на эмоцию явно. Это доказывает — модели имеют нужную информацию в контексте, просто не используют её без прямого запроса. Разница между «модель не видит» и «модель не смотрит» — ключевой инсайт всей работы.