与知识库对话

COSTAR 框架是一个获奖的提示词框架，由 Sheila Teo 开发。作者在新加坡首届 GPT4 Prompt Engineering 大赛中使用该框架并获得冠军。此框架由新加坡政府科技署（GovTech）组织的大赛中产生，汇聚了超过 400 位优秀的参与者。 COSTAR 框架涵盖以下要素： 1. Context（上下文）：提供必要的背景信息，帮助大型语言模型（LLM）理解对话或请求的环境和条件。没有足够的上下文，LLM 可能会误解问题或给出不相关的信息。明确的上下文有助于确保 LLM 的回答既准确又相关。例如，如果文章是为一个特定的行业会议撰写，那么上下文中应该包含会议的主题、参与者的背景信息以及任何相关的行业趋势。 2. Objective（目标）：明确说明希望从 LLM 那里得到的具体结果或行动。清晰的目标可以帮助 LLM 集中精力解决问题，并减少无关的回答。例如，如果目标是撰写一篇文章，那么应具体说明文章的目的（比如介绍新技术、分析市场趋势等）以及期望达到的效果（比如提高品牌知名度、激发行业讨论等）。 3. Style（风格）：明确您期望的写作风格。您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 LLM 以一种符合您需求的方式和词汇选择进行回应。 4. Tone（语气）：设置回应的情感调。设定适当的语气，确保 LLM 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。 5. Audience（受众）：识别目标受众。针对特定受众定制 LLM 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。 6. Response（回复）：规定输出的格式。确定输出格式是为了确保 LLM 按照您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 LLM 输出的应用来说，JSON 格式是理想的选择。在使用大语言模型时，有效的提示构建至关重要。COSTAR 框架，由新加坡政府科技局数据科学与 AI 团队创立，是一个实用的提示构建工具。它考虑了所有影响大语言模型响应效果和相关性的关键因素，帮助您获得更优的反馈。应用 COSTAR 框架时： 1. （C）上下文：为任务提供背景信息。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。 2. （O）目标：明确您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。 3. （S）风格：明确您期望的写作风格。您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。 4. （T）语气：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。 5. （A）受众：识别目标受众。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。 6. （R）响应：规定输出的格式。确定输出格式是为了确保大语言模型按照您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。