Нейросеть как советчик по книгам и фильмам: как получить небанальную подборку

Спросите у любой текстовой модели «посоветуй хорошую книгу» — и получите список, который видели уже раз двадцать. «Мастер и Маргарита», «1984», «Сто лет одиночества», что-нибудь из Ремарка. С фильмами то же самое: «Побег из Шоушенка», «Начало», «Интерстеллар». Это не потому, что модель глупая. Это потому, что вопрос был задан никому конкретно, и ответ пришёл тоже никому конкретно — усреднённому человеку с усреднённым вкусом.

Полезной рекомендация становится тогда, когда вы сообщаете модели достаточно, чтобы она перестала угадывать. И тут выясняется, что «достаточно» — это не «я люблю фантастику». Разберём, что работает.

Почему общий запрос всегда даёт топ-10

Текстовая модель выдаёт то, что чаще всего встречалось в связке с вашим запросом. Запрос «хорошая книга» связан в первую очередь с теми книгами, которые чаще всего называют хорошими — то есть с самыми известными. Чем шире вопрос, тем ближе ответ к общему знаменателю.

Жанр сужает круг слабо. «Посоветуй детектив» отсекает мелодрамы, но внутри детективов остаётся тот же принцип: сначала пойдут самые растиражированные. Год выпуска работает чуть лучше, «книга не старше пяти лет» реально убирает классику. Но и там модель просто возьмёт самое обсуждаемое из свежего.

Небанальность появляется не от сужения жанра, а от смены координат. Вместо «что мне почитать в этом жанре» — «что мне почитать, чтобы почувствовать вот это». Ниже три приёма, которые эту смену обеспечивают.

Приём первый: описывайте впечатление, а не жанр

Жанр — это внешняя классификация. Впечатление — то, ради чего вы вообще читаете и смотрите. Люди редко любят «фантастику», обычно они любят «ощущение, что мир огромный и его правила ещё предстоит понять» — а это может оказаться и фантастикой, и историческим романом, и документальной книгой про океан.

Попробуйте описать не что вы хотите, а как хотите себя чувствовать после первых пятидесяти страниц или после титров.

Я хочу книгу, после которой остаётся ощущение тихой осени: ничего
страшного не происходит, но всё время чувствуешь, что время идёт
и что-то заканчивается. Спокойный темп, мало событий, много быта
и деталей. Меня раздражают книги, где герой к финалу «преодолел
себя» и всё стало хорошо.

Предложи 7 книг с таким настроением. По каждой: автор, год,
две-три строки о том, чем именно она даёт нужное ощущение, и одна
строка о том, кому она точно не подойдёт.

Обратите внимание на две детали. Во-первых, здесь сказано, что раздражает — это отсекает целый пласт мотивационной прозы, куда модель по умолчанию сворачивает. Во-вторых, запрошено объяснение по каждому пункту: так вы сразу видите, попала модель в ваше описание или подставила случайное название и подогнала под него оправдание.

С фильмами тот же принцип, только впечатление удобно описывать через сцену, а не через сюжет:

Мне нравятся фильмы, где почти ничего не объясняют, и половину
происходящего приходится достраивать самому. Люблю длинные планы,
неуютную тишину и финал, после которого непонятно, чем всё
кончилось. Не люблю, когда напряжение делают музыкой и монтажом.

Назови 6 фильмов, подходящих под это. Для каждого — режиссёр, год,
страна и одна конкретная сцена или приём, из-за которых он сюда
попал.

Требование назвать конкретную сцену полезно вдвойне: оно и уточняет подбор, и заметно повышает шанс, что вы поймаете выдумку — про несуществующий фильм модель обычно описывает сцену размыто и обобщённо.

Приём второй: три любимых и вопрос «что их роднит»

Самый быстрый способ объяснить свой вкус — показать три примера. Но не просто перечислить их и попросить «что-нибудь похожее»: похожее модель понимает буквально и подсунет книгу того же автора или фильм того же жанра.

Работает другое: сначала попросить модель сформулировать, что общего между вашими тремя, и только потом искать по этой общности.

Мои три любимых фильма: «Полёт над гнездом кукушки»,
«Апокалипсис сегодня» и «Магнолия».

Шаг 1. Не советуй пока ничего. Сформулируй 4-5 признаков, которые
объединяют эти три фильма: что общего в их устройстве, интонации,
типе героя, отношении к зрителю. Пиши конкретно, без слов
«глубокий» и «атмосферный».

Шаг 2. Покажи мне эти признаки и жди моего ответа: я скажу, какие
из них попали в цель, а какие мимо.

Дальше вы отмечаете, что угадано, а что нет, — и вот теперь просите подборку по подтверждённым признакам. Этот двухшаговый заход даёт заметно более точный результат, чем однократный запрос, потому что вы правите модель до того, как она начала перебирать названия. И часто вы сами узнаёте про свой вкус что-то новое: формулировка вроде «во всех трёх герой не меняется, меняется отношение к нему» объясняет, почему вам не заходят истории про личностный рост.

Второй шаг выглядит так:

Признаки 1, 3 и 4 попали точно, признак 2 мимо.

Теперь предложи 8 фильмов по признакам 1, 3 и 4. Условия: ни одного
фильма из первой сотни любого популярного рейтинга, не больше одного
фильма на режиссёра, минимум три — не англоязычные. По каждому
напиши, какой из трёх признаков он закрывает лучше всего.

Приём третий: ограничения

Ограничение — это способ силой вытолкнуть модель из очевидной зоны. Оно работает грубо, но работает. Полезные ограничения:

• По известности: «ничего из школьной программы», «ни одной книги, которая была в списках бестселлеров», «фильмы, у которых меньше пятидесяти тысяч оценок».
• По географии и языку: «минимум половина — не американское кино», «книги, переведённые с языков, кроме английского».
• По времени: «книги, изданные между 1960 и 1985 годом», «ничего снятого после 2010».
• По объёму и формату: «книги до 250 страниц», «фильмы короче полутора часов», «только первые романы авторов».
• По разнообразию внутри списка: «не больше одного произведения на автора», «все восемь — из разных стран».

Есть и обратная сторона: чем жёстче условия, тем сильнее модель начинает выкручиваться. Если под ваш набор ограничений реально подходит три книги, а вы попросили десять, оставшиеся семь она добьёт наугад — и почти наверняка с выдумкой. Поэтому ограничения стоит вводить по одному и смотреть, что происходит со списком: когда в ответе начинают появляться незнакомые названия с расплывчатыми описаниями, вы уже перешли границу, за которой модель импровизирует. Здоровая мера — два-три ограничения на запрос.

Ограничения удобно накладывать поверх уже удачной подборки. Если первый список получился приличным, но предсказуемым, не переписывайте промт с нуля — попросите пересобрать:

Список неплохой, но первые четыре позиции я знаю. Собери его заново
с теми же критериями, но: ни одного автора из предыдущего ответа,
все книги изданы до 1990 года, каждая — до 300 страниц. Если под эти
условия подходит меньше семи книг, скажи честно и предложи столько,
сколько есть.

Последняя фраза важна. Без неё модель добьёт список до нужного количества чем попало — в том числе выдумкой.

Модель уверенно называет книги и фильмы, которых нет

Это главная проблема жанра, и её нужно проговорить прямо. Текстовая модель не сверяется с каталогом. Она собирает правдоподобный ответ, и правдоподобное название несуществующего романа выглядит ровно так же убедительно, как настоящее. Вы получите автора, год, издательство и краткое содержание — и всё это может быть придумано целиком.

Риск выше в предсказуемых местах:

• редкие и узкие запросы, где реальных примеров мало;
• жёсткие ограничения, под которые трудно найти достаточно книг;
• требование назвать точное число позиций;
• малоизвестные национальные кинематографии и непереведённая литература;
• смешанные случаи, когда автор существует, а названной книги у него нет.

Отдельно коварна вторая половина списка: первые два-три пункта почти всегда настоящие, а к седьмому-восьмому модель уже вычерпала уверенное знание и начинает достраивать. Так что проверять нужно не выборочно, а весь список — и особенно хвост.

Проверка занимает минуту на позицию и делается вне нейросети: ищете название и автора в поиске, в каталоге библиотеки или в любой открытой базе фильмов. Если по точному названию находится только пересказ вашей же переписки или ничего — рекомендации не существует. У фильмов дополнительный маркер: реальный фильм всегда имеет постер, страну производства и хотя бы одного известного участника съёмочной группы.

Полезно сразу закладывать проверку в промт:

После списка добавь раздел «Что проверить». В нём отдельно перечисли
позиции, в существовании которых ты не уверен, и позиции, где можешь
ошибаться в годе, авторе или названии. Не сглаживай: мне нужен честный
список сомнительных пунктов, а не вежливый.

Это не гарантия — модель может ошибиться и в оценке своей уверенности, — но такой раздел заметно чаще указывает именно на те строки, которые потом не подтверждаются. Подробнее о природе таких ошибок есть отдельный разбор: почему нейросеть ошибается и как это проверять.

Второй способ снизить риск — брать модель с доступом к поиску. В каталоге Most AI для этого есть Perplexity Sonar Pro и Sonar: они опираются на найденные источники, а не только на память, и по спорным названиям с ними проще разобраться. Для самой подборки удобнее длинный диалог в ChatGPT, Claude Opus 4.8 или Gemini 3.1 Pro Preview, а сомнительные пункты потом прогнать через поисковую модель.

Как вести диалог дальше

Одна подборка — это ещё не результат. Ценность появляется на втором и третьем круге, когда вы говорите, что не подошло и почему. «Три первых мимо: слишком много действия» — это сильнее любого нового промта, потому что уточняет ту же самую систему координат.

Хорошо работает и обратный ход: попросить модель задать вопросы вам. «Прежде чем советовать, задай мне пять вопросов, ответы на которые сильнее всего сузят подбор». Вопросы часто оказываются неожиданными — про то, читаете вы дома или в дороге, дочитываете ли начатое, важен ли вам финал. И именно они выводят на небанальное.

Работать со всеми этими моделями можно в одном кабинете, без VPN, с оплатой в рублях; чат ChatGPT доступен в бесплатной дневной квоте без ограничения по числу запросов, условия по остальным моделям — в прайсинге.

Частые вопросы