ИСПОЛЬЗОВАНИЕ ПАРАМЕТРОВ В ЗАПРОСЕ К ИИ-АГЕНТУ ДЛЯ МОДЕЛИРОВАНИЯ ПСЕВДОЭМОЦИОНАЛЬНОГО СОСТОЯНИЯ ДИАЛОГОВОГО ИИ-АГЕНТА

USING PARAMETERS IN A REQUEST TO AN AI AGENT TO MODEL THE PSEUDO-EMOTIONAL STATE OF A DIALOGICAL AI AGENT

Bulatovich Alexander Vladimirovich

MSc alumnus, Omsk State Transport University (OSTU), Russia, Omsk

Аннотация. В статье рассматриваются дополнительные параметры промпта для описания псевдоэмоционального состояния диалогового ИИ-агента. Псевдоэмоциональное состояние понимается как нормированный вектор технических параметров, а псевдонейромедиаторы - как программные коэффициенты, а не биология. Заданы диапазоны 0-10, формулы пересчета состояния и псевдомаркеров, а также pipeline передачи JSON-блока в system prompt.

Abstract. The article examines additional prompt parameters for describing the pseudo-emotional state of a conversational AI agent. The state is treated as a normalized vector of technical parameters, while pseudo-neurotransmitters are software coefficients rather than a biological model. The paper defines 0-10 ranges, formulas for state and pseudo-marker recalculation, and a pipeline for passing JSON into the system prompt.

Ключевые слова: псевдоэмоциональное состояние, диалоговый ИИ-агент, вектор состояния, псевдонейромедиаторы, нормированные параметры, system prompt, JSON, многошаговый диалог, параметры поведения, системный анализ.

Keywords: pseudo-emotional state, conversational AI agent, state vector, normalized parameters, system prompt, JSON, multi-turn dialogue, behavior parameters, system analysis.

Предметом данной статьи является задача того, как представить в диалоговой информационной системе внутреннее псевдоэмоциональное состояние агента в виде набора нормированных параметров и использовать его для управления формой последующего ответа.

В научном смысле корректнее говорить не об эмоциональном сознании агента, ведь большая языковая модель не эмоционирует, как человек. В данной статье псевдоэмоциональное состояние определяется как служебный вектор параметров, который задает не переживание, а способ подачи ответа: мягкость, уверенность, осторожность, инициативность и степень поддержки пользователя.

Развитие больших языковых моделей в последние годыпривело к тому, что диалоговая информационная система как программный агент, который ведет многошаговое взаимодействие. Пользователь ожидает, что такой агент будет сохранять контекст, учитывать предыдущие сообщения, менять тон ответа и не вести себя каждый раз как полностью новая программа, иметь некоторое состояние, зависящее от своих прошлых взаимодействий с пользователем. Возникает задача внедрения эмуляции внутреннего состояния диалогового ИИ-агента.

Такое состояние ИИ-агента может меняться, и части пользователей удобнее, когда это изменение выглядит похоже на осторожную имитацию человеческой реакции. Для того, чтобы достичь этого можно использовать сохраняемый набор параметров, который обновляется после сообщений пользователя и затем участвует в формировании следующего ответа.

Могут существовать варианты изменения поведения агента в зависимости от сообщений пользователя, структуры диалога, накопленного контекста, внутренних параметров состояния. Данный слой псевдоэмоций может являться в том числе управляемым элементом обработки информации.

Существует такая область, как affective computing, в рамках которой эмоциональные состояния рассматриваются как объект вычислительного описания [1]. Для диалогового ИИ-агента такой подход можно использовать не для утверждения о наличии эмоций, а для построения удобного описания управления ответом. Например, можно описывать не эмоцию как человеческое переживание, а набор параметров, влияющих на уверенность, инициативность, осторожность и эмпатию в тексте ответа.

В таком случае псевдоэмоциональное поведение программного агента является дополнительным слоем обработки информации. Пользовательское сообщение сначала анализируется как информационный объект, затем влияет на внутренние параметры состояния, сохраненного ранее, после чего эти параметры используются при формировании следующего ответа. Такой подход отделяет содержание ответа от способа его подачи.

Плюсом такого способа использовать бота является возможность сделать диалог более последовательным и понятным для пользователя. Агент может учитывать, что пользователь раздражен, не уверен, задает уточняющие вопросы или находится в ситуации выбора. Минус же состоит в том, что псевдоэмоциональное поведение может создать у пользователя ложное впечатление наличия у агента настоящих переживаний.

Автором предлагается в качестве основы для описания состояния использовать вектор параметров S(t) = (V(t), A(t), C(t), T(t), E(t), I(t)), где V(t) - валентность, A(t) - активация, C(t) - уверенность, T(t) - напряжение, E(t) - эмпатия, I(t) - инициативность. Валентность и активация прямо соотносятся с двухмерным описанием аффекта у Рассела [2, с. 1161-1178]. Остальные координаты нужны уже не для психологического диагноза, а для инженерного управления формой ответа.

Псевдонейромедиатором в данной работе называется не биологическое вещество и не биологическая модель, а программный коэффициент, который временно усиливает или ослабляет отдельные координаты вектора S(t). Поэтому псевдодофамин Dp(t), псевдосеротонин Sp(t), псевдоадреналин Ap(t), псевдокортизол Kp(t) и псевдоэндорфин Ep(t) следует понимать только как технические маркеры управления состоянием. Их вектор записывается как N(t) = (Dp(t), Sp(t), Ap(t), Kp(t), Ep(t)), значения также нормируются в диапазоне 0-10.

Для каждого параметра задается нормированный диапазон от 0 до 10: 0 означает минимальную выраженность признака, 10 - максимальную. Такое ограничение нужно для того, чтобы состояние не превращалось в свободное текстовое описание и не могло бесконтрольно усиливать уверенность, эмоциональность или инициативность агента. Формально ограничитель задается как clip[0;10](z)=min(10,max(0,z)).

Для шага диалога вводится вектор контекстных признаков X(t) = (x_tone(t), x_conflict(t), x_uncertainty(t), x_support(t), x_risk(t)). На его основе сначала пересчитываются псевдонейромедиаторные маркеры N(t), затем обновляется вектор состояния S(t). В матричной форме это можно задать следующими выражениями:

N(t+1)=clip[0;10](N(t)+B*X(t)-R*N(t)),                                                                    (1)

S(t+1)=clip[0;10](S(t)+W*X(t)+U*N(t+1)-L*(S(t)-S0)).                                                        (2)

Здесь B задает влияние признаков сообщения на псевдомаркеры, R отвечает за постепенное затухание псевдомаркеров, W связывает контекстные признаки с состоянием, U задает влияние псевдонейромедиаторного слоя на S(t), L возвращает состояние к базовому S0.

Для отдельной координаты используется покомпонентная запись:

s_j(t+1)=clip[0;10](s_j(t)+Σw_jk*x_k(t)+Σu_jm*n_m(t+1)-l_j*(s_j(t)-s_j0)).                                      (3)

Такая запись показывает, что итоговое поведение зависит не от одной красивой фразы в промпте, а от набора признаков сообщения, псевдомаркеров и коэффициентов возврата к базовому состоянию.

В рамках предлагаемого решения последовательная обработка данных строится как pipeline: входное сообщение пользователя поступает в модуль оценки контекста, далее извлекаются признаки X(t) - общий тон, наличие конфликта, неопределенность запроса, уровень требуемой поддержки и признаки опасного или некорректного сценария. После этого обновляются псевдомаркеры N(t), пересчитывается вектор S(t+1), состояние сериализуется в JSON и включается в system prompt, затем выполняется генерация ответа языковой моделью с учетом запроса, истории диалога, текущего состояния и жесткого указания, что эти параметры не являются настоящими эмоциями агента.

Например, JSON-блок может иметь вид {"state":{...},"pseudo_markers":{...}}. В state записываются valence, activation, confidence, tension, empathy и initiative, а в pseudo_markers - pseudo_dopamine, pseudo_cortisol и другие псевдомаркеры. Такой блок не сообщает модели о настоящих эмоциях агента, а задает технические ограничения стиля, осторожности и степени инициативности ответа.

В system prompt этот блок должен использоваться как служебная инструкция: учитывать значения state и pseudo_markers при выборе тона и степени инициативности, но не писать пользователю, что агент испытывает чувства, стресс, радость или биологические реакции. За счет этого псевдоэмоциональный слой остается инженерным регулятором ответа, а не заявлением о сознании модели.

Рисунок 1. Структурная схема обработки псевдоэмоционального состояния и псевдонейромедиаторных маркеров

В исследованиях emotional prompting показано, что эмоциональные стимулы в промпте способны менять ответы больших языковых моделей [3].

Такой подход близок к идее многошаговых программных агентов, которые сохраняют память, цели и описание поведения между отдельными действиями. В работах по генеративным агентам показано, что память и внутреннее описание поведения позволяют имитировать более устойчивое поведение программного субъекта в среде [4]. Для диалоговой информационной системы этот принцип можно использовать в более узкой форме, как управление стилем и устойчивостью ответов через состояние, передаваемое в prompt.

Псевдоэмоциональное состояние предлагается использовать для промежуточного слоя, он будет добавлен между историей сообщений и итоговым промптом.

Для диалогового агента важно понимать, какой параметр влияет на мягкость ответа, какой на уверенность, какой на осторожность, а какой на готовность предлагать следующий шаг. Без такого разделения описание состояния становится слишком общим. Не заменяя саму историю диалога, оно выделяет из этой истории признаки, влияющие на стиль взаимодействия. В этом смысле можно посчитать, что псевдоэмоциональное состояние становится дополнительным механизмом обработки информации. Описание потенциальных параметров такого псевдоэмоционального состояния указано в таблице 1.

Таблица 1.

Потенциальные параметры псевдоэмоций и их назначения, влияния на ответ

Ссылаясь на таблицу 1, псевдоэмоциональное состояние можно представить как управляемый набор параметров, а не как свободное описание настроения. Каждый параметр должен иметь допустимый диапазон значений, порядок изменения и ограничения, например от 0 до 10. Псевдонейромедиаторные маркеры не заменяют эти параметры, а выступают промежуточными коэффициентами, через которые проще управлять краткосрочными сдвигами состояния.

Таблица 2.

Псевдонейромедиаторные маркеры в расчете состояния ИИ-агента

Следует учитывать, что результат зависит не только от выбранных параметров, но и от качества промпта, ограничений языковой системы, истории сообщений и правил безопасности. Если в промпте не указать границы поведения, агент может начать изображать эмоции слишком явно. Если границы указаны слишком жестко, псевдоэмоциональный слой перестанет влиять на ответ. Поэтому в system prompt нужно отдельно фиксировать, что псевдомаркеры и состояние являются техническими регуляторами поведения, а не описанием реальных чувств.