Промпты для создания персонажей: двухступенчатая система сохраняет характер после 30+ реплик

Автор открытого проекта по созданию ИИ-персонажей больше полугода тестировал способы удержать консистентность характера в длинных диалогах. Итог: вместо одного раздутого промпта он разбил каждый ход на два вызова модели и ввёл жёсткий набор допустимых реакций, «тегов», которые движок выбирает детерминированно, а модель лишь отыгрывает. Ниже разбираем метод пошагово, с кодом и конкретным примером.

Что понадобится

• Доступ к языковой модели с поддержкой структурированного вывода (JSON-формат ответа): подойдут API OpenAI, локальные модели через Ollama или LM Studio
• Python 3.10+ и базовое умение запускать скрипты
• Подготовленный «пак» персонажа: описание личности, список тегов реакций с дельтами (что это, объясню ниже)
• Примерно 2 часа на первую настройку, потом каждый новый персонаж занимает 20 минут

Пошаговая инструкция: семь шагов к устойчивому характеру

1. Составьте список допустимых реакций (тегов)

Определите набор эмоциональных реакций, которые персонаж может проявить. Это не свободный текст, а закрытый перечень. Для юной архимаг Мегумин из «Konosuba» автор проекта использует теги вроде «взрыв энтузиазма», «показная холодность», «смущение» и другие, характерные именно для неё.

Каждый тег привязан к конкретному набору текстовых инструкций, которые модель получит на втором шаге.

2. Настройте классификатор момента (первый вызов модели)

Классификатор получает только последние 6 реплик диалога и список ваших тегов. Его задача: выбрать один тег, подходящий к текущему моменту. Температура (параметр случайности) здесь строго нулевая, модель не импровизирует, а выбирает из закрытого перечня.

schema = {
    "type": "object",
    "properties": {
        "tag": {
            "type": "string",
            "enum": [t.id for t in pack.tags]
        }
    },
    "required": ["tag"]
}
raw = self._llm.chat(messages, fmt=schema, options={"temperature": 0.0})

Бэкенд физически не может вернуть тег, которого нет в списке. Если ответ не парсится, система делает одну повторную попытку и откатывается на тег по умолчанию. Ход не падает никогда.

3. Разверните тег в текстовые инструкции

Выбранный «сухой» тег (например, explosion_enthusiasm) разворачивается в понятный модели блок текста: «Персонаж сейчас в состоянии восторга, говорит быстро, упоминает взрывную магию, перебивает собеседника».

4. Соберите двухсегментный промпт для генерации (второй вызов модели)

Второй вызов собирает полный контекст:

• Стабильный префикс: описание личности и неизменные черты персонажа. Этот блок вшивается один раз, а его KV-кэш (внутреннее представление уже обработанных токенов) переиспользуется между ходами
• Динамический хвост: текущая стадия отношений, развёрнутый блок тега, релевантные воспоминания из векторной памяти и последнее сообщение пользователя

Температура здесь выше: модель импровизирует, но строго в границах полученного тега.

5. Добавьте числовые оси состояния

Тег это «погода» одного хода. Чтобы из отдельных реакций рос характер отношений, автор проекта ввёл три числовые оси:

• affection (симпатия)
• trust (доверие)
• bond (привязанность)

Каждому тегу в паке персонажа сопоставлен вектор дельт: насколько он сдвигает каждую ось. Модель эти числа не видит и не влияет на них. Двигает оси только движок по фиксированной таблице.

def apply(self, delta):
    for name in ("affection", "trust", "bond"):
        self._values[name] = clamp(
            self._values[name] + getattr(delta, name),
            0.0, self._max
        )
    return self.axes

Между ходами работает механизм затухания (decay): на паузах оси тянутся обратно к базовой линии, чтобы диалог не «залипал» на эмоциональном пике.

6. Настройте стадии отношений

Стадия это «климат», а не «погода». Текущая стадия вычисляется как процент от максимума осей. Параметр axis_max позволяет управлять скоростью: поставьте 1000 вместо 100, и те же дельты станут меньшей долей от целого. Персонаж будет теплеть медленнее (slow-burn), а сам пак менять не нужно.

Ось bond намеренно сделана медленной: её дельта по правилу движка никогда не превышает дельты симпатии и доверия.

7. Проверьте полный цикл хода

Вот как выглядит один ход целиком:

• Сообщение пользователя поступает в классификатор
• Классификатор выбирает тег из закрытого перечня
• Движок сдвигает числовые оси по таблице дельт и пересчитывает стадию
• Генератор получает стабильный префикс, диалоговое окно и динамический хвост с тегом, стадией и памятью
• Модель озвучивает ответ персонажа
• Реплика сохраняется в память

Что делать с этим прямо сейчас?

Авторам Дзена и копирайтерам. Промпты для создания персонажей по этой схеме работают не только в RP. Если вы ведёте канал от лица персонажа-эксперта или маскота бренда, двухступенчатая логика (классификатор плюс генератор) поможет сохранить единый голос в серии постов. Не обязательно писать код: достаточно вручную выбирать тег настроения перед каждым промптом и вставлять его отдельной строкой в системный промпт (системный промпт, это постоянная инструкция, которую модель получает до вашего сообщения).

Разработчикам ботов и RP-проектов. Код из статьи открыт и работает с любой моделью, поддерживающей JSON-формат ответа. Из доступных в РФ инструментов: Ollama с локальными открытыми моделями, LM Studio, а для облачных задач GigaChat API от Сбера поддерживает структурированный вывод.

Предпринимателям в РФ и СНГ. Если вы строите продукт с ИИ-ассистентом (поддержка клиентов, обучающий бот, игровой компаньон), эта архитектура решает конкретную бизнес-задачу: пользователь не сталкивается с «расщеплением личности» бота на двадцатой реплике.

Разделение «погоды» (тег) и «климата» (стадия) даёт персонажу то, чего не может дать даже идеальный промпт: возможность быть непредсказуемым в моменте и последовательным в развитии. Попробуйте начать с пяти тегов и трёх осей для одного персонажа, этого хватит, чтобы увидеть разницу уже на первом длинном диалоге.