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:
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: