提示词工程——CO-STAR框架

2023年 11 月 8 日，Sheila Teo 在新加坡政府科技局（GovTech）组织的首届 GPT-4 提示工程（Prompt Engineering）竞赛中夺冠，随后发布了题为《我如何赢得了新加坡 GPT-4 提示工程赛》的博客文章，分享了包括CO-STAR框架、使用分隔符分节、使用 LLM 防护围栏等技术。

博客原文：

https://towardsdatascience.com/how-i-won-singapores-gpt-4-prompt-engineering-competition-34c195a93d41

中文翻译：

我是如何赢得GPT-4提示工程大赛冠军的 | 机器之心 (jiqizhixin.com)

为了让 LLM 给出最优响应，为 prompt 设置有效的结构至关重要。CO-STAR 框架是一种可以方便用于设计 prompt 结构的模板，这是新加坡政府科技局的数据科学与 AI 团队的创意成果。该模板考虑了会影响 LLM 响应的有效性和相关性的方方面面，从而有助于得到更优的响应。

其工作方式为：

(C) 上下文（Context）：提供与任务有关的背景信息。这有助于 LLM 理解正在讨论的具体场景，从而确保其响应是相关的。

(O) 目标（Objective）：定义你希望 LLM 执行的任务。明晰目标有助于 LLM 将自己响应重点放在完成具体任务上。

(S) 风格（Style）：指定你希望 LLM 使用的写作风格。这可能是一位具体名人的写作风格，也可以是某种职业专家（比如商业分析师或 CEO）的风格。这能引导 LLM 使用符合你需求的方式和词语给出响应。

(T) 语气（Tone）：设定响应的态度。这能确保 LLM 的响应符合所需的情感或情绪上下文，比如正式、幽默、善解人意等。

(A) 受众（Audience）：确定响应的目标受众。针对具体受众（比如领域专家、初学者、孩童）定制 LLM 的响应，确保其在你所需的上下文中是适当的和可被理解的。

(R) 响应（Response）：提供响应的格式。这能确保 LLM 输出你的下游任务所需的格式，比如列表、JSON、专业报告等。对于大多数通过程序化方法将 LLM 响应用于下游任务的 LLM 应用而言，理想的输出格式是 JSON。

举例：

#Context#

作为一名投资者，我对加密货币市场感兴趣，并正在考虑投资一定资金。我希望了解关于加密货币投资的基本原则和策略。

#Objective#

请向我介绍一些有关加密货币投资的基本原则和策略，以帮助我做出更明智的投资决策。

#Style#

请以一位专业的投资顾问的风格给出建议，确保内容简洁明了、专业可信。

#Tone#

请保持正式和专业的语气，以确保建议的严肃性和可信度。

#Audience#

我的目标受众是具有一定投资基础知识的个人投资者，但对加密货币市场不太熟悉的人群。

#Response#

建议以列表的形式呈现，包括每条建议的标题和详细说明，以便我能够清晰地了解每项建议的内容。不要长篇大论，最多一千字。

相关文章：

Unlocking the Power of COSTAR Prompt Engineering: A Guide and Example on converting goals into system of actionable items | by Frugal Zentennial | Medium

指令学习网站：5 个 AI 指令学习网站分享 | GPT AI Flow