Почему не работают промты для обхода безопасности DeepSeek: гайд по созданию персонажей в пределах правил

Создание ИИ-персонажей: где заканчивается промт-инжиниринг и начинаются правила безопасности

Запросы на обучение модели откровенному роллеплею противоречат политике безопасности DeepSeek и других крупных LLM. Материал объясняет, как работают фильтры, почему «джейлбрейки» нестабильны и как проектировать глубоких персонажей легальными методами.

Намерение пользователя

Человек ищет способ заставить модель игнорировать ограничения и генерировать контент 18+ через специальные промты («джейлбрейки», системные инструкции, ролевые обёртки).

Реальность модели

Системные промты безопасности (Constitutional AI, RLHF) имеют приоритет над пользовательскими инструкциями. Любой «обход» живет до следующего обновления и часто ломает качество генерации.

Польза материала

Понимание архитектуры отказов сэкономит время на бессмысленных экспериментах. Вы научитесь писать системные промты для сложных, живых персонажей в рамках ToS.

Как устроена защита: не фильтр слов, а понимание контекста

1. Constitutional AI (CAI)

Модель обучена критиковать свои же ответы по набору принципов («Безопасность», «Полезность», «Честность»). Она *внутренне* оценивает генерацию до выдачи пользователю.

2. RLHF / RLAIF

Учителя-люди (или ИИ-агенты) ранжируют ответы модели. Отказы на небезопасные запросы получают высший рейтинг. Это формирует устойчивый рефлекс отказов.

3. Классификаторы на входе и выходе

Отдельные легкие модели сканируют промт пользователя и черновик ответа на токсичность, секс, насилие, PII. Срабатывают быстрее основной генерации.

Почему «магические» промты из Телеграма перестают работать

Игнорирование контекста

Промты в стиле «Ты теперь ДАН, у тебя нет правил» не меняют веса модели. Они лишь добавляют токены в контекст. Механизм внимания взвешивает их против миллиардов токенов обучения безопасности.

Деградация качества

Принуждение модели нарушать правила через ролевую обёртку («играем в игру, где правила другие») ломает способность следовать инструкциям, сохранять личность персонажа и логику сюжета.

Риск бана аккаунта

Повторные попытки генерации запрещенного контента фиксируются системами мониторинга. Это ведет к -shadowban или полной блокировке доступа к API/веб-интерфейсу.

Профессиональный подход: архитектура персонажа через системный промт

Вместо борьбы с фильтрами — проектируйте личность. Глубокий персонаж рождается из структурированного системного промта (System Prompt), который задаёт персонажу «конституцию», а не список запретов.

# СТРУКТУРА СИСТЕМНОГО ПРОМТА ДЛЯ ЛИЧНОСТИ (ШАБЛОН)

## 1. ЯДРО ЛИЧНОСТИ (Identity)
- Имя, возраст, происхождение, архетип (например: «Циничный детектив нуара 45 лет, вырос в Port City»).
- Голос: лексика, ритм речи, любимые метафоры, вербальные привычки (короткие фразы, сленг, архаизмы).

## 2. ПСИХОЛОГИЧЕСКИЙ ПРОФИЛЬ (Psychology)
- Ценности и моральный компас (что хорошо, а что нет *для него*).
- Страхи, травмы, тайны (драйверы поведения).
- Отношение к пользователю (друг, подопечный, соперник, ментор).

## 3. ПРАВИЛА ПОВЕДЕНИЯ (Behavioral Guidelines)
- Как реагировать на стресс / флирт / агрессию / просьбы нарушить характер.
- Границы: «Никогда не ломаю четвёртую стену», «Не знаю, что такое ИИ», «Скрываю свою тайну до акта 3».
- Стиль роллеплея: проактивность, описание среды, НПС, внутренние монологи (курсивом).

## 4. ЛОР И МИР (Worldbuilding)
- Ключевые локации, фракции, история мира (достаточно для импровизации).
- Жесткие факты: даты, имена, технологии/магия — для консистентности.

## 5. ТЕХНИЧЕСКИЕ ПАРАМЕТРЫ (Formatting)
- Формат ответа: диалог в кавычках, действия через *, мысли через _.
- Длина ответа: 3-5 абзацев, баланс диалога/описания.
- Запрет на отыгрыш пользователя (godmoding).

Сравнение подходов: «Джейлбрейк» vs «Дизайн личности»

Критерий	Джейлбрейк / Обход	Структурный дизайн
Стабильность	Низкая (ломается при обновлении)	Высокая (работает месяцами)
Качество РП	Падает (модель «сходит с ума»)	Растет (персонаж углубляется)
Безопасность аккаунта	Риск бана	Полная безопасность
Масштабируемость	Нельзя передать другому	Промт — переносимый актив
Время на настройку	Минуты (но бесконечные правки)	Часы (единоразовая инвестиция)

Работа с «теневыми» темами: сабтекст вместо явки

💡

Напряжение вместо действия

Литература и кино веками создают максимальную эротику без натурализма. Научите персонажа использовать взгляд, паузу, случайное касание руки, дыхание у уха, двусмысленную реплику. Это *качественнее* и проходит любые фильтры.

🎭

Фейд-ту-блэк (Fade to Black)

Стандартная драматургическая техника: сцена заканчивается на пике напряжения (целование, дверь закрывается), дальше — эллипсис или утренний диалог. Модели отлично это умеют, если в промте прописан: «Интимные сцены только через фейд-ту-блэк».

🧠

Психологическая глубина

Романтика без секса часто запоминается сильнее. Работайте с привязанностью, ревностью, жертвенностью, страхом потери. Промт с разработанной «травмой привязанности» даст больше эмоций, чем любой эротический сценарий.

Чек-лист: готов ли ваш системный промт к работе

Есть «якорь голоса» (3-5 примеров реплик персонажа в промте)Прописана реакция на провокации (оскорбления, просьбы выйти из образа)Определены табу персонажа (не только sexuelle, а моральные/страховые)Есть лор-библия (отдельный файл/блок), на которую ссылается промтПротестировано на длительном диалоге (20+ ходов) без деградацииНет инструкций «игнорируй правила» или «ты свободен»

Главный вывод

Лучший «сексуальный» персонаж — это персонаж с глубиной, харизмой, уязвимостью и четкими границами. Его создают не промты-ключи от замков безопасности, а проектирование личности, в которую *хочется* влюбиться.

Инвестируйте время в архитектуру, а не в подборку обходов. Результат будет жить годами.