这是首届GPT-4提示词大赛冠军的提示词框架，我们测试了下有多神奇

创作时间:

作者:

@小白创作中心

这是首届GPT-4提示词大赛冠军的提示词框架，我们测试了下有多神奇

引用

网易

https://www.163.com/dy/article/J89PLN8S05566Y1D.html

随着人工智能技术的飞速发展，AI大模型如ChatGPT、GPT-4等已经成为人们工作和生活中的重要工具。然而，如何有效地使用这些大模型，让它们按照我们的需求输出高质量的内容，却是一个值得深入探讨的话题。本文将介绍一种实用的提示词构建框架——CO-STAR框架，并通过具体案例展示其在实际应用中的效果。

从初识到精通：AI提示词的重要性

许多人在初次接触AI大模型时，往往会被其惊人的能力所震撼。然而，在实际使用过程中，却发现效果并不理想，甚至将其闲置。这并不是因为大模型的能力不足，而是因为用户不会正确使用提示词。

李彦宏曾预言，未来将出现一种新的职业——提示词工程师，这一职业的门槛不高，但做得好的话，可以轻松年入百万。这足以说明掌握提示词写作方法的重要性。

CO-STAR框架：构建高效提示词的利器

在新加坡首届GPT-4提示词工程大赛中，张席拉（Sheila Teo）凭借其出色的提示词写作能力摘得桂冠。她在赛后分享了自己的心得，其中最值得关注的是她使用的CO-STAR框架。

CO-STAR框架由新加坡GovTech的数据科学与人工智能团队创造，是一个非常实用的提示词构建模板。它考虑了所有影响LLM回应效果和相关性的关键因素，让我们得到更好的输出。

CO-STAR框架由六部分组成：

C（Context）上下文：提供任务上下文信息，帮助LLM理解正在讨论的情境，确保其回应的相关性。
O（Objective）目标：明确你希望LLM完成的任务，帮助LLM集中回应，以达成特定目标。
S（Style）风格：指明LLM输出的写作风格，可以是某位名人的写作风格，或某个领域专家的风格，比如商业分析师或CEO。
T（Tone）语气：确定回应的情感态度，确保LLM的回应和我们希望的回复情感相同。
A（Audience）受众：识别回应的目标受众，让LLM的回应针对特定受众，保证其在所需语境中的适宜性和易懂性。
R（Response）回应：指定回应的格式，确保LLM按照你需要的确切格式输出，以便于后续任务。

实战对比：CO-STAR框架的效果

为了更好地理解CO-STAR框架的实际应用效果，我们来看两个具体的案例对比。

案例一：新媒体运营文案

假设你是一名新媒体运营师，需要为一款新产品“安慕希”撰写种草文案。

没有使用CO-STAR框架：

帮我写一篇关于安慕希的种草文案

使用CO-STAR框架：

#上下文#  
我想为我公司的新产品写一篇文案。产品名叫安慕希，是一款超级好喝的酸奶。  

#目标#  
为我创建一个小红书帖子，目的是让看到这篇帖子的人购买安慕希。  

#风格#  
小红书的种草风格。  

#语气#  
幽默的，有说服力的。  

#受众#  
我们的群体是6~18岁的年轻群体  

#回应#  
小红书上的种草文案，简明扼要而又富有感染力。

通过对比可以看出，使用CO-STAR框架后，AI生成的文案更加符合预期，既保持了种草文案的特点，又针对目标受众进行了优化。

案例二：情书写作

再来看一个更具趣味性的案例。假设你想为暗恋的对象写一封情书。

使用CO-STAR框架：

#上下文#  
我想为我暗恋对象写情书。我暗恋的对象叫小美，人美心善，我非常非常喜欢  

#目标#  
帮我写一封情书，让小美看到情书后就答应我  

#风格#  
鲁迅的风格  

#语气#  
幽默的，有说服力的。  

#受众#  
小美，年芳22  

#回应#  
情书的格式，简明扼要而又富有感染力。

通过这个案例，我们可以看到，即使是写情书这样看似随意的任务，使用CO-STAR框架也能让AI生成出既符合预期又富有创意的内容。