Как научить нейросеть чужому стилю без дообучения

Агента, который пишет голосом бренда, обычно предлагают получать дообучением: выгрузить архив постов, собрать датасет, арендовать A100 и оставить LoRA учиться на ночь. Я вместо этого написал два навыка для Claude Code / Codex. Вместе они снимают манеру автора с его готовых текстов и переписывают по ней любой нейрослоп в голос этого автора, без обучения ^[1], датасета и видеокарты. Водянистый текст, написанный ChatGPT, расходился с манерой одного крупного телеграм-канала по 14 признакам из 31, а после работы навыков осталось 2. Вся работа занимает вечер, а результат переносится на любую модель, потому что правила стиля лежат в промпте, а не в весах.

Работают навыки по очереди. Первый ^[2] читает выгрузку канала и снимает с неё профиль стиля: скрипт замеряет десятки признаков, от длины фразы и абзаца до частоты тире, эмодзи и обращений к читателю, а модель превращает замеры в правила. Второй навык ^[3] берёт эти правила и переписывает по ним любой черновик. Профиль снимается один раз и живёт дальше обычным текстовым файлом в git, а текстов по нему пишется сколько угодно.

Мера тоже оттуда. Скрипт считает по каждому признаку не среднее значение, а вилку: нижнюю и верхнюю границу обычного разброса автора. Готовый текст сверяется с этими вилками, и признак, вышедший за край, идёт в счёт как отклонение. Ориентир дают живые посты самого канала: они попадают в собственный профиль с 2-5 отклонениями из 31, так что мои 2 – это попадание, а не подгонка. Корпус я обезличиваю: он принадлежит крупному бренду, а все тексты в примерах сгенерированы и живому каналу не принадлежат.

Почему дообучение здесь лишняя работа

Цену видно по публичным разборам. Автор клона себя на дообученной модели ^[4] собрал 51 000 примеров из переписки, арендовал A100 на 40 ГБ, потратил 10,5 часа обучения, а результат описал сам как странное поведение ^[5] и генерацию несвязанного текста. Тем же путём идёт разбор Системного Блока про дообучение под чужую манеру письма ^[6]. Через API карты не нужны, но 5000 примеров стоят $100-300, а 24 000 около $700, при аренде A100 от 200 ₽ в час.

Упрекать эти разборы неудачей нечестно, они писались при другом выборе моделей. Довод против дообучения держится на механике: оно зашивает манеру в веса конкретной модели, и переход на другую модель обнуляет работу целиком. Профиль стиля остаётся обычным текстом, поэтому файл, который сегодня читает Claude, завтра прочитает GPT. Вторая причина менее очевидная: дообученную модель нельзя показать заказчику изнутри, а за каждым правилом профиля стоит число, посчитанное по текстам самого заказчика.

Почему модель не умеет копировать стиль сама

Модель знает про автора факты, а не приёмы. Ведёт популярный канал, пишет коротко, любит хлёсткие формулировки: этого хватит, чтобы узнать человека в пересказе, и не хватит, чтобы им писать. Приёмы выглядят мелко и незаметно: длина обычной фразы вместе с разбросом этой длины, длинное тире против дефиса с пробелами у того, кто печатает с телефона, кавычки ёлочками или прямые, обращение к читателю или дистанция. Таких мелочей десятки, и ни одну из них модель не считала, поэтому она берёт две-три самые заметные черты и утрирует их до карикатуры.

Это измеряли и не на моём стенде: в работе arXiv:2509.14543 ^[7] больше 400 живых авторов и свыше 40 000 генераций, а вывод там про усреднённый тон и про то, что рост числа примеров в промпте почти не помогает. Проверяли few-shot, а не дообучение, так что «учёные доказали, что файнтюн не работает» я не утверждаю.

Профиль стиля: два файла и три слоя

Отсюда и вырос профиль. Раз посчитать приёмы автора модель не может, посчитать их нужно за неё и отдать готовыми, в том виде, который она исполняет буквально: не «пиши энергично», а норма с частотой. Такой набор норм я и называю профилем стиля, и лежит он в двух файлах, а внутри у них три слоя, где числа стоят снизу, слова над числами, а инструкции сверху.

Первый слой – замеры, отдельный файл JSON: ни одного слова про автора, только цифры, посчитанные обычным скриптом без участия нейросети. Он меряет геометрию текста, частоту первого лица и обращений, тире, дефисы в роли тире, кавычки, эмодзи, капслок, латиницу, официальные обороты и оговорки, приводит всё к частоте на 1000 слов и по каждому признаку выдаёт вилку, а не среднее.

Второй слой – карта голоса словами, уже во втором файле. Её пишет модель, прочитав корпус, и отвечает на то, что цифрами не измеряется: в каком регистре говорит автор, как шутит, чем доказывает правоту, как относится к читателю. Здесь работает правило, без которого всё разваливается: каждый пункт опирается либо на число из первого слоя, либо на конкретный кусок корпуса, а если подтверждения нет, модель обязана написать «в текстах не проявлено», иначе получится профиль человека, которого не существует.

Третий слой – правила генерации, там же следом за картой: техническое задание для модели, которая пишет новый текст. С чего начинать, что чем чередовать, какая медиана длины фразы, чем набирать тире, чего не делать никогда. Формулировка «энергичный и авторитетный тон» тут бесполезна, нужна норма с частотой.

Сквозное правило всех трёх слоёв: в профиль идёт приём, а не содержание. Проверяется оно попыткой угадать по готовому профилю, о чём были исходные тексты, и если угадывается, снят пересказ корпуса, а написанное по нему будет выглядеть плагиатом. Под это в профиле отведён отдельный раздел с перечнем того, что притворяется стилем: предметная область, имена и версии, жанровые рамки площадки и высокая доля латиницы, которая растёт и падает вместе с темой.

Разделение на три слоя я не придумал за вечер, оно собрано из работ по переносу стиля и стилометрии, и каждая дала свою часть.

• From theories on styles to their transfer in text ^[8], Troiano и соавторы: иерархия типов стиля и вывод, что стиль и содержание полностью не разделяются. Отсюда в профиле раздел про утечку содержания.

• Deep Learning for Text Style Transfer: A Survey ^[9], Jin и соавторы: стиль как набор контролируемых атрибутов при генерации. Отсюда третий слой, где стиль задаётся нормами, а не описанием.

• A Survey on Representing Linguistic Style ^[10]: интерпретируемые признаки по языковым уровням против непрозрачных нейронных представлений. Отсюда первый слой в виде обычных чисел, которые можно прочитать глазами.

• Analyzing Writing Styles of Bloggers with Different Opinions ^[11]: прикладная стилометрия блогов, лексические, синтаксические и структурные признаки. Отсюда сам перечень того, что имеет смысл мерить в постах.

Отправной точкой была и вещь попроще: промпт-шаблон «портрет стиля» Антона Вдовиченко ^[12], один плоский JSON, где измеримое, интерпретируемое и додуманное лежали вперемешку и заполнялись на глаз. Перечень тем оттуда полезен для карты голоса, а разведение замеров, интерпретации и правил по трём слоям с требованием опоры на число появилось уже как ответ на эту кашу.

Как этим пользоваться

Разбираться в устройстве профиля полезно, а собирать его руками не придётся: замеры считает скрипт, карту голоса и правила пишет модель, от человека нужны три промпта обычными словами. Профиль снимается один раз на автора, дальше по нему пишется сколько угодно текстов. Имя канала в промптах ниже я обезличил.

Первый промпт снимает профиль по штатной выгрузке канала из Telegram Desktop:

Сними профиль стиля по выгрузке export‑channel.json: корпус сохрани как corpus‑channel.md в корне стенда, профиль положи в папку profiles

Корпус агент собирает сам и выбрасывает пересылы: пересланный пост написал другой человек, и его манера иначе достанется автору по ошибке ^[13]. У меня из 1085 сообщений выгрузки осталось 252 своих поста с текстом, это 191 456 знаков.

Второй промпт пишет текст (в примере ниже – это изменение уже готового текста, но можно тем же способом генерить сразу новый текст в указанном стиле):

Перепиши slop.md голосом канала, результат сохрани в out-channel.md, исходник не меняй, профиль лежит в profiles. Соблюдай профиль целиком

Третий промпт не обязательный, но позволяет фактически проверить результат:

Прогони сверку скриптом навыка, style.py check, против профиля канала из profiles по двум файлам: slop.md и out-channel.md

Что показала сверка

Теперь числа, ради которых всё и затевалось. По умолчанию сверка пропускает признак, который на длине черновика ожидается реже 1,5 раза, и тексты разной длины считаются по разным знаменателям. Я эту экономию отключаю, поэтому оба текста ниже проверены по всем 31 признаку профиля.

Так выглядит вывод сверки на исходнике, а так на тексте, написанном по профилю: те же признаки, тот же знаменатель.

Приметы нейротекста, которые ничего не значат

У этих чисел есть слабое место, и назову его я сам: сверка считает моим скриптом по моему же профилю, то есть инструмент проверяет собственную работу. Поэтому дальше два взгляда со стороны, которые про профиль ничего не знают: народная примета, по которой нейротекст принято узнавать на глаз, и внешний детектор.

Начну с приметы. Первым признаком машины обычно называют длинное тире. У исходного текста от ChatGPT оно стоит 51,85 раза на 1000 слов при вилке живого канала 24,0-63,16, то есть машинный текст попадает внутрь неё целиком: по главной примете нейротекста живой бренд и нейрослоп неразличимы.

Теперь взгляд второй, машинный. Детектор нейротекста ^[14] режет текст на сегменты и метит каждый отдельно, а про мой профиль и про то, как текст писался, не знает ничего. Исходник от ChatGPT он разбирает так: 2 сегмента из 2 с признаками генерации.

А вот тот же текст после переписывания по профилю канала, с эмодзи, капслоком и длинным тире через слово.

Вывод отсюда простой: считать длинное тире уликой бессмысленно. Общее правило описывает среднего пишущего, профиль описывает конкретного, и там где они спорят, выигрывает профиль. Инструмент, который вычистил бы у этого канала длинное тире, эмодзи и капслок по общему правилу, срезал бы вместе с ними его фирменную манеру.

Как повторить

Оба навыка открыты и ставятся двумя командами:

/plugin marketplace add vyacheslav-startsev/claude-plugins

/plugin install style-skills@startsev-plugins

Скрипту понадобятся razdel и pymorphy3, около 15 МБ, и ставить их нужно руками: pip install razdel pymorphy3 pymorphy3-dicts-ru. Без них профиль тоже снимется, только без разбора по частям речи и временам глаголов. Дальше остаётся отдать агенту выгрузку и попросить словами снять профиль.

Исходники навыков: https://github.com/vyacheslav-startsev/claude-plugins/tree/main/plugins/style-skills ^[15]

Повторять ^[16] это разумнее всего на собственных текстах: снять профиль, прогнать сверку на любом готовом посте и посмотреть на число отклонений. У меня живые авторские тексты дают от 2 до 5 из 31, и мне интересно, какая цифра выйдет у других: напишите её в комментариях.