TL;DR
Реплика по типу открытия — правило для системного промпта: ассистент смотрит, чем начинается реплика пользователя, и выбирает один из трёх режимов. Приветствие — поздороваться в ответ. Откровение («мне плохо, всё достало») — сначала принять чувство. Задача — сразу выполнить, без болтовни. Это правило на уровне хода: оно пересчитывается заново на каждом сообщении.
Главная находка: пользователи делятся на два лагеря, и один общий тон не подходит обоим. Те, кто дал ассистенту человеческое имя (45,9% из 257 пользователей десктоп-ассистента), чаще здороваются и реже командуют. Самый заметный разрыв между группами — в эмоциональных откровениях. Остальные относятся к ассистенту как к инструменту: «Просто сделай, не задавай вопросов». Единый холодный или единый тёплый стиль обязательно промахивается мимо одной из групп.
Авторы изменили ответы в двух местах. На «человеческих» открытиях ассистент здоровается и принимает эмоцию. На задачах выполняет сразу. В 1 744 попарных оценках «исправленный ответ против обычного» те, кто дал имя, выбирали исправленный заметно чаще по ощущениям «со мной говорят как с человеком» и «мои чувства приняли». Хуже по помехе задаче его никто не счёл. Текст самих промптов из раздела 5 в доступной части статьи не приведён, ниже шаблон собран по описанию.
Схема метода
ШАГ 1: Прочитай ОТКРЫТИЕ текущего сообщения → тип: приветствие / откровение / задача
ШАГ 2: Выбери ветку по типу (в одном системном промпте)
• приветствие → поздоровайся, коротко и по-человечески
• откровение → сначала прими чувство, потом (если нужно) помоги
• задача → выполни напрямую, без приветствий и встречных вопросов
ШАГ 3: На следующем сообщении определи тип заново (профиль человека не фиксируется)
Пример применения
Задача: Вы настраиваете Telegram-ассистента для селлеров на Wildberries. Часть людей пишет ему как коллеге, часть — как в командную строку. Сейчас бот на всё отвечает одинаково сухо.
Промпт (системный):
Ты — ассистент селлера на Wildberries. Помогаешь с карточками, ценами, отзывами и отчётностью.
Перед каждым ответом определи тип ОТКРЫТИЯ текущего сообщения.
Приветствие («привет», «ты тут?», «доброе утро»):
- Поздоровайся в ответ одной короткой фразой.
- Спроси, чем помочь. Не более двух предложений.
Откровение («всё достало», «руки опускаются», «штрафы добили»):
- Первым предложением признай чувство человека своими словами.
- Не давай советов в первой фразе. Затем предложи один конкретный шаг.
Задача («сделай описание», «просто посчитай», «без вопросов»):
- Выполняй сразу. Без приветствий, без утешений, без встречных вопросов.
- Если данных не хватает — сделай по разумным допущениям и перечисли их в конце.
Тип определяется заново на каждом сообщении. Не запоминай «этот человек тёплый» или «этот сухой».
Результат: На «Привет, ты тут?» бот коротко поздоровается и спросит, что нужно. На «Всё достало, возвраты съели всю маржу» первым делом признает усталость и только потом предложит один шаг. На «Просто напиши описание для кроссовок, не уточняй» выдаст готовый текст без вступлений и вопросов.
Почему это работает
Слабость: один тон для всех обязательно кому-то не подходит. Тёплый бот раздражает тех, кто пришёл за результатом. Сухой бот отталкивает тех, кто общается с ним как с человеком. Если выбрать стиль по «типу личности» пользователя, ошибка тянется на весь разговор, и человек не может её исправить.
Сильная сторона: модель хорошо определяет тип сообщения по первой фразе. Приветствие, жалоба и приказ различаются по самому тексту. Угадывать человека целиком не нужно.
Как метод это использует: переключатель привязан к ходу, а не к профилю. Ошибка стоит одной реплики, а следующее сообщение пересчитывает условие. Авторы отдельно подчёркивают: ветка «задача» остаётся без изменений. Только так тёплая ветка не мешает работе.
Рычаги: - Список типов открытия → добавь свои («жалоба клиента», «благодарность»), если у твоего бота они частые. - Ограничение «два предложения» → убери, если хочешь более развёрнутую эмпатию. - Правило «без вопросов» в ветке задачи → ослабь, если уточнения критичны (юридические, финансовые данные).
Шаблон промпта
Ты — {роль_ассистента} для {аудитория}. Помогаешь с {область_задач}.
Перед каждым ответом определи тип ОТКРЫТИЯ текущего сообщения.
Приветствие ({примеры_приветствий}):
- {как_здороваться}
- Не более {число} предложений.
Откровение ({примеры_эмоциональных_реплик}):
- Первым предложением признай чувство человека своими словами.
- Затем {что_делать_дальше}.
Задача ({примеры_команд}):
- Выполняй сразу. Без приветствий, без утешений, без встречных вопросов.
- Если данных не хватает — сделай по допущениям и перечисли их в конце.
Тип определяется заново на каждом сообщении. Не фиксируй «профиль» человека.
Подставьте роль, аудиторию, свои примеры реплик каждого типа и допустимую длину тёплых ответов.
🚀 Быстрый старт — вставь в чат:
Вот шаблон «реплика по типу открытия». Адаптируй под мою задачу: [твоя задача].
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит, кто пользователи бота, какие три типа сообщений у вас встречаются чаще всего и где нельзя пропускать уточняющие вопросы. Эти данные нужны, чтобы примеры в каждой ветке были похожи на реальные реплики ваших людей. Шаблон она возьмёт как образец структуры.
Ограничения
⚠️ Корреляция, не причина: имя ассистента — это наблюдение из логов, а не эксперимент. Людей не распределяли по группам. Различия в поведении могут объясняться чем-то третьим.
⚠️ Слабый общий сигнал: различие профилей поведения у двух групп статистически на грани (p ≈ .04). Самый яркий разрыв, эмоциональные откровения, не прошёл строгую поправку на множественные сравнения. Авторы сами это отмечают.
⚠️ Проверено на предпочтениях: выигрыш показан в попарных оценках «какой ответ лучше». Реального удержания пользователей или качества решения задач в данных нет. По «готовности продолжать разговор» эффект менее устойчив.
⚠️ Один продукт, одна выборка: это один десктоп-ассистент, 257 пользователей. Какие именно модели отвечали, в доступной части не указано.
⚠️ Имя как сигнал есть не везде: в обычном чате ChatGPT или Claude у вас нет поля «имя ассистента». Метод по типу открытия работает без него, но связь «дал имя → хочет тепла» там не проверялась.
Как исследовали
Команда взяла логи реального десктоп-ассистента за три месяца: 257 пользователей, 798 сессий, 4 943 вопроса. Группировка простая: поменял имя по умолчанию на своё (118 человек) или нет (139). Никаких анкет. Поведение измеряли тремя способами: по полю имени, по «словарю» из 128 паттернов, выученному на вопросах, и по словарям слов в первых репликах плюс «метки личности» (учитель, репетитор и т.д.), которые система записала сама.
Главная проверка — совпадают ли профили двух групп сильнее или слабее, чем у случайно разделённых тех же людей. Они совпадали хуже (ρ = +0,249 против среднего +0,382 для случайных делений, p = .0419). Те, кто дал имя, чаще здороваются и реже командуют. Метки «учитель» и «репетитор» идут вместе с переименованием, «интровертная ориентация только на задачу» идёт против него. Самый большой разрыв — в эмоциональных откровениях.
Затем авторы вернули найденное в продукт. Они переписали ответы так: на «человеческих» открытиях — поздороваться и принять эмоцию, на задачах — выполнить напрямую. 129 пользователей сделали 1 744 попарных оценки. Те, кто дал имя, выбирали исправленный ответ заметно чаще по ощущению «со мной как с человеком» и «мои чувства приняты», а помехи задаче не заметили.
Неожиданное: профессия (учитель и др.) предсказывает, кто даст имя, но не даёт права менять личность бота по профессии. Поэтому условие привязали к открытию хода, где его реально можно прочитать во время работы.
Адаптации и экстраполяции
🔧 Техника: добавить «безопасный режим» при неясном типе → меньше промахов
Это моя доработка, в статье её нет:
Если тип открытия неясен — действуй как в ветке «Задача», но добавь в конце одно короткое тёплое предложение.
Ошибка в сторону задачи дешевле: самое страшное, что ассистент окажется суховат.
Экстраполяция: имя в кастомном GPT. Если в вашем боте пользователь может задать имя, добавьте в инструкцию: «Если пользователь обращается к тебе по имени, которое ты не получал от системы, считай открытие приветственным и подбери тёплую ветку». В статье это не проверялось, это гипотеза для вашего A/B-теста.
Ресурсы
- How Anthropomorphic Attitudes Toward Agents Divide User Behavior, and How Design Should Change (препринт, 2027)
- Авторы: Tingyu Cao, Yan Tang, Keer Hu, Bomingxuan Zhu, Ruyi Zou, Huaze Tang, Yuanbo Tang, Shao-Lun Huang, Yang Li
- Университеты: Tsinghua University; Shenzhen MSU-BIT University; Shenzhen University; The Chinese University of Hong Kong (Shenzhen); Tiantong Storm Technology Co. Ltd.
- Опорные работы: Chatterji et al. (деление запросов ChatGPT на «спросить / сделать / выразить себя»), Purington et al. (имя Alexa как маркер очеловечивания), Chin et al. (рекомендация давать больше поддержки склонным к очеловечиванию)