CO-STAR框架：如何设计高效的LLM提示工程

CO-STAR框架：如何设计高效的LLM提示工程

引用

CSDN

1.

https://blog.csdn.net/2201_75445395/article/details/139561515

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。

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应用于下游任务的LLM应用而言，理想的输出格式是JSON。

示例

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。

相关资源

• Unlocking the Power of COSTAR Prompt Engineering: A Guide and Example on converting goals into system of actionable items
• 5个AI指令学习网站分享