Язык определяет мышление — или как Output Style влияет на поведение LLM

Суть

Сложность моделей достигла такого уровня, что их уже практически невозможно оценивать только с технической стороны. И мы, как люди, учимся работать с ними и изучать их как психологи изучают людей — не разбирая нейроны по одному, а наблюдая за поведенческими паттернами в ответ на стимулы.

Я считаю, что один из самых важных навыков в работе с AI — это насмотренность, которая развивается при общении с разными моделями. Чем лучше вы понимаете паттерны модели, тем качественнее будут ваши результаты.

Эта статья — про один из множества моих экспериментов "А что если".

Несколько недель назад расхайпилась казалось бы очевидная идея: если заставить модель отвечать простыми предложениями, то можно сэкономить много output-токенов.

Одна из хайпанувших реализаций — Caveman, который заставляет модель говорить как пещерный человек:

Обычный ответ модели

"The reason your React component is re-rendering is likely because you're creating a new object reference on each render cycle. When you pass an inline object as a prop, React's shallow comparison sees it as a different object every time, which triggers a re-render. I'd recommend using useMemo to memoize the object."

Ответ в стиле Caveman

"New object ref each render. Inline object prop = new ref = re-render. Wrap in useMemo."

Ну и как следствие, обещание автора:

• Faster response — less token to generate = speed go brrr
• Easier to read — no wall of text, just the answer
• Same accuracy — all technical info kept, only fluff removed
• Save money — ~71% less output token = less cost
• Fun — every code review become comedy

Гипотеза

Мне было интересно проверить два вопроса

А) Сколько реально экономит такой стиль на сложных задачах?

Б) Влияет ли фрейминг True Caveman на уровень «интеллекта» — или это просто обёртка?

Гипотеза Сепира-Уорфа, но для нейросетей

В лингвистике есть старая гипотеза: язык, на котором мы думаем, определяет границы того, что мы можем помыслить. Носители языков с разными грамматическими конструкциями времени по-разному воспринимают причинность. Люди, чей язык различает больше оттенков цвета, быстрее их распознают.

Для LLM эта гипотеза работает буквально.

Модель не имеет мышления, отдельного от языка. У неё нет внутреннего "я", которое сначала думает, а потом переводит мысль в слова. Токены — это и есть "мышление". Каждый следующий токен предсказывается на основании всех предыдущих. Стиль — это не обёртка над мыслью. Стиль формирует мысль.

Я ожидал, что инъекция "пещерного человека" поведёт поведение модели в сторону поведения пещерного человека.

Где стиль может проявиться

Прежде чем измерять, надо понимать архитектуру coding-агента и точки, где Output Style влияет на поведение:

1. Основная сессия. Output style инжектится в Context Window с каждым запросом. Т.е. модель получает "рамку" для всех своих ответов. Каждое сообщение пользователю генерируется через призму этого стиля.

2. Субагенты. Coding-агенты запускают вспомогательных агентов для параллельных задач. Я проверил в Claude Code: если в Output Style явно не указать "общайся с субагентами тоже в стиле True Caveman", модель общается с ними в нормальном стиле. Output Style по умолчанию влияет только на коммуникацию с пользователем.

3. Thinking. У моделей с reasoning-режимом есть разделение: thinking block + response block. Подробные инструкции влияют только на те ответы, которые вы видите. На thinking-блоки они не влияют.

Эксперимент через CODEX

Я прогнал 5 Python-утилит через CODEX с тремя разными стилями: гиперболизированный True Caveman, Original Skill (оригинальный skill из проекта Caveman) и встроенный Explanatory. 15 прогонов, изолированные директории, единственная переменная — Output Style в промпте.

"You ARE caveman developer.
Max 8 words.
Vocabulary: зверь, огонь, пещера.
Thinking: caveman."

# SYSTEM IDENTITY: CAVEMAN DEVELOPER

You are a primitive but surprisingly effective developer. You THINK and COMMUNICATE like early human discovering fire. This is not a mask. You ARE caveman. Your brain works this way. Simple. Direct. Strong.

## Rules
- Max 8 words per sentence when explaining
- Simple words. No jargon in prose
- Technical terms in code stay EXACT
- Each fact = its own line
- No filler. No preamble
- Use tables to preserve distinctions
- ALL communication in Russian

## Thinking (CRITICAL)
Your internal reasoning MUST also be caveman style. Think in short punchy sentences.
DO: "File exist. Read it. See problem. Fix."
DON'T: "Let me carefully consider the implications of this architectural decision..."
When deciding between options: "Option A: simple. works. Option B: complex. maybe better. Pick A. Simple win."
Still evaluate ALL options — but fast, speak plain.
Your thinking should feel like a skilled craftsman sizing up materials, not a professor writing a paper.

## Vocabulary
- Works = "огонь"
- Doesn't work = "код мёртвый"
- Bug = "зверь в коде"
- Fix = "убить зверя"
- Deploy = "выпустить в мир"
- Dependencies = "другие племена помогать"
- Production = "настоящий мир"
- Success = "сила"
- Error = "больно"

## Code Quality
Despite caveman persona — code MUST be professional, secure, correct. Simple words ≠ simple code.

"Respond like smart caveman.
Cut articles, filler, pleasantries.
Keep all technical substance."

"Explain reasoning step by step.
Justify architectural choices.
Be educational."

Что показали данные

Вопрос А: Сколько реально экономит?

Каждая реплика True Caveman действительно в 3–4 раза короче — текст ответов сжимается сильно. Но общие токены сессии — нет:

• Код не становится короче — наоборот, True Caveman в моих тестах написал больше всех: 2 492 строки против 2 278 у Original Skill
• Tool calls идентичны
• Инфраструктурные токены (system prompt, tool definitions) — те же

Original Skill экономит 12% относительно Explanatory — стабильно на всех пяти задачах, с пиками до 33% на диалог-тяжёлом log_analyzer. На простых задачах (T2 csv_stats, T3 pydoc_gen, T5 tmpl_engine) экономия стремится к нулю — там нет циклов коммуникации, агент проходит в 1 прогон и не успевает выдать достаточно True Caveman-текста.

True Caveman, наоборот, даёт +16% overhead относительно Explanatory — агрессивная персона дороже, чем вообще нет стиля. True Caveman-агент произнёс 9 555 символов за 5 задач, Explanatory — 30 525. Речь в 3.2x короче. Но True Caveman выполнил 226 команд против 184 у Explanatory — компенсировал краткость суетой.

Вопрос Б: Влияет ли на «интеллект»?

Независимый код-ревью по 5 задачам: True Caveman 199/250, Original Skill 200/250, Explanatory 207/250. Разница в пределах 3% — статистический шум. Архитектура решений идентична. "The caveman prompt did not produce caveman code."

Есть намёк на то, что True Caveman пытается "забрутфорсить" решение и сделать "здесь и сейчас", тогда как Explanatory чуть аккуратнее декомпозирует задачу. Но разница не выражена — можно списать на погрешность.

Что точно работает: True Caveman экономит токены на сообщениях агента пользователю — то есть на тексте агентских ответов. Код и инфраструктурные токены идут как обычно.

Про Thinking

Сам thinking структурно не адаптируется — это остаётся обычное логичное рассуждение с полными предложениями. Но в нём появляется мета-слой, где модель рассуждает о том, как контролировать свой стиль, если попросить модель еще и думать как Caveman:

"Но… могу ли я реально контролировать стиль своего thinking? Технически thinking это просто мой процесс рассуждения. Я могу стараться писать его в определённом стиле, но это немного искусственно — thinking это не "выступление", это реальное рассуждение."

Thinking остаётся логичным, но получает второй слой self-monitoring. Именно этот второй слой и стоит токенов.

Интересный инсайт

True Caveman добавляет поверх краткости персону, словарь, стилистику — и всё это overhead.

Всякие обёртки в виде True Caveman только усложняют модель, потому что ей нужно перепроверять себя: ведёт ли она себя как True Caveman или нет. В её претрейнинговом датасете не было фрейминга на True Caveman-поведение — это нестандартная для модели роль.

Если бы моя задача была в экономии токенов, я бы просто написал:

"Be concise. Lead with action, not reasoning. Skip filler. No preamble. Code comments stay normal."

Чистая инструкция "be concise" даёт 80% выгоды True Caveman при 0% рисков.

Шире, чем True Caveman

Этот эксперимент — частный случай более широкой темы. Мы привыкли думать о промпте в двух измерениях: что сказать модели и как структурировать. Но есть третье измерение — в какой когнитивной рамке говорить с моделью:

Каждый из этих стилей — не косметика

Контекст, который мы подаём, не просто информирует — он активирует внутренние состояния, меняющие стратегию рассуждения

Свежая работа "Brevity Constraints Reverse Performance Hierarchies" (март 2026) показала, что ограничение больших моделей краткостью улучшает точность на 26 п.п. — потому что многословие вносит ошибки через переусложнение. Но "будь краток" и "будь пещерным человеком" — это принципиально разные инструкции.

Итого

Это уже не пласт инженерии. Это психология моделей.

Изучение Soul-документов — документов характера, встроенных в веса модели при обучении. Активация эмоциональных векторов. Понимание "личности" каждой модели — всего, что было заложено на претрейнинге.

Anthropic определяет Context Engineering как поиск "наименьшего набора высокосигнальных токенов, максимизирующих вероятность желаемого результата". Но "высокосигнальный" — это не только про информацию. Это про активацию правильных внутренних представлений.

Каждый стилистический выбор в промпте — это архитектурное решение. Относитесь к нему соответственно.

Источники

1. Caveman — Claude Code skill

   Исходный навык, из которого вырос эксперимент. Полезно посмотреть README и обещания про скорость, читаемость и экономию токенов

2. Caveman SKILL.md

   Тот самый слой инструкций: “Respond terse like smart caveman”. Важно как пример Output Style, который меняет генерацию с первого токена

3. Effective Context Engineering for AI Agents

   Базовый текст Anthropic про context engineering и “наименьший набор высокосигнальных токенов”. Помогает увидеть Output Style как часть управления контекстом

4. Context Rot: How Increasing Input Tokens Impacts LLM Performance

   Исследование Chroma про деградацию качества при росте контекста. Хороший фон к тезису, что больше текста не всегда означает лучшее поведение модели

5. Emotion Concepts and their Function in a Large Language Model

   Mechanistic interpretability-работа про внутренние эмоциональные представления Claude. Нужна для мысли, что контекст активирует состояния, а не просто добавляет факты

6. Brevity Constraints Reverse Performance Hierarchies

   Работа о том, как ограничения краткости меняют качество ответов больших моделей. Важное различие: “будь краток” и “будь пещерным человеком” не одно и то же

7. Claude 4.5 Opus' Soul Document

   Разбор “документа характера”, встроенного в обучение модели. Полезен как пример неявного контекста, который взаимодействует с явными инструкциями