借助 CO-STAR 框架构建高效的提示

本思维导图分享的是CO-STAR提示工程策略，这些策略能够精准地驱动任何大语言模型为你服务。

借助 CO-STAR 框架构建高效的提示

• CO-STAR Framework
  • 上下文（Context）：提供任务的背景信息
    • 通过为大语言模型（LLM）提供详细的背景信息，可以帮助它精确理解讨论的具体场景，确保提供的反馈具有相关性
  • 目标（Objective）：明确你要求大语言模型完成的任务
    • 清晰地界定任务目标，可以使大语言模型更专注地调整其回应，以实现这一具体目标。
  • 风格（Style）：明确你期望的写作风格
    • 你可以指定一个特定的著名人物或某个行业专家的写作风格，如商业分析师或 CEO。这将指导大语言模型以一种符合你需求的方式和词汇选择进行回应。
  • 语气（Tone）：设置回应的情感调
    • 设定适当的语气，确保大语言模型的回应能够与预期的情感或情绪背景相协调。可能的语气包括正式、幽默、富有同情心等。
  • 受众（Audience）：确定响应的目标受众
    • 针对特定受众定制大语言模型的回应，无论是领域内的专家、初学者还是儿童，都能确保内容在特定上下文中适当且容易理解。
  • 响应（Response）：提供响应格式
    • 确定输出格式是为了确保大语言模型按照你的具体需求进行输出，便于执行下游任务。常见的格式包括列表、JSON 格式的数据、专业报告等。对于大部分需要程序化处理大语言模型输出的应用来说，JSON 格式是理想的选择。
• 实际案例
  • # CONTEXT（上下文） #
  • 我想推广公司的新产品。我的公司名为 Alpha，新产品名为 Beta，是一款新型超快速吹风机。
  • # OBJECTIVE（目标） #
  • 帮我创建一条 Facebook 帖子，目的是吸引人们点击产品链接进行购买。
  • # STYLE（风格） #
  • 参照 Dyson 等成功公司的宣传风格，它们在推广类似产品时的文案风格。
  • # TONE（语调） #
  • 说服性
  • # AUDIENCE（受众） #
  • 我们公司在 Facebook 上的主要受众是老年人。请针对这一群体在选择护发产品时的典型关注点来定制帖子。
  • # RESPONSE（响应） #
  • 保持 Facebook 帖子简洁而深具影响力。
  • 回复
    • 用 Alpha Beta——超快速吹风机，体验轻松的优雅生活，它是为具有洞察力的一代人设计的。
    • 与 Alpha Beta 一起，重新找回简单而高效的护发乐趣。我们的最新创新不仅是一款吹风机；它还承诺为那些懂得欣赏生活美好事物的人提供快速、柔和且可靠的发型打理。
    • - 易用且直观：向复杂的设备说再见。Alpha Beta 专为舒适和简便而设计，非常适合那些喜欢简洁、无麻烦操作的人。- 节省时间的技术：我们知道您的时间非常宝贵。因此，Alpha Beta 显著缩短吹发时间，让您有更多时间享受生活。
    • 每天都是与 Alpha Beta 相伴的美好发型日。立即体验优雅与简约的完美结合。
    • [您的产品链接在此]
• 新加坡GPT4提示词工程竞赛最佳方案