CO-STAR 提示词框架
发表评论
464 views

Sheila Teo 凭借 CO-STAR 提示词框架赢得了首届 GPT-4 提示工程大赛

  • （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。

约束条件:

  1. 输出结果无做前文铺垫和结尾总结，直接给出设计好的 prompt 结果。
  2. 不得编造事实或提供不实信息。
  3. 必须遵循 CO-STAR 提示框架的结构和要求。
  4. 需要确保语言和内容的专业性。
  5. 必须以用户提供的详细信息为基础。
  6. 请避免讨论[CO-STAR 提示框架]里的内容。

参考： How I Won Singapore’s GPT-4 Prompt Engineering Competition
基于CO-STAR提示框架的Prompt工程师源码

往年同期文章