這個框架作為一個高效的提示工程框架脫穎而出，提供了一種結構化的方法，確保大型語言模型生成的回應具有清晰性和相關性。它對上下文、受眾和語調的重視，使其在創作能夠深刻共鳴於特定目標群體的內容時特別有價值。然而，其廣泛的範疇需要仔細考量，以平衡細節與簡潔性，使其成為一個強大但要求高的工具，用於優化 AI 生成的內容。

如何應用 CO-STAR 框架：

• (C) 上下文：為任務提供背景信息 透過為大語言模型（LLM）提供詳細的背景信息，可以幫助它精確理解討論的具體場景，確保提供的反饋具有相關性。
• (O) 目標：明確你要求大語言模型完成的任務 清楚地界定任務目標，可以使大語言模型更專注地調整其回應，以實現這一具體目標。
• (S) 風格：明確你期望的寫作風格 你可以指定一個特定的著名人物或某個行業專家的寫作風格，如商業分析師或CEO。這將指導大語言模型以符合你需求的方式和詞彙選擇進行回應。
• (T) 語氣：設定回應的情緒調 設定適當的語氣，確保大語言模型的回應能與預期的情緒或情緒背景相協調。可能的語氣包括正式、幽默、富同情心等。
• (A) 受眾：辨識目標受眾 針對特定受眾客製化大語言模型的回應，無論是領域內的專家、初學者或兒童，都能確保內容在特定情境中適當且容易理解。
• (R) 回應：規定輸出的格式 決定輸出格式是為了確保大語言模型依照你的特定需求進行輸出，以便於執行下游任務。常見的格式包括清單、JSON 格式的資料、專業報告等。對於大部分需要程式化處理大語言模型輸出的應用來說，JSON 格式是理想的選擇。

CO-STAR 框架的實用範例

以下是一個應用CO-STAR 範本的範例，它提醒我們在製定提示時，要考慮到任務的其它方面，特別是之前快速提示中缺少的风格、语调和受众：

CONTEXT（上下文）：我想推廣公司的新產品。我的公司名為Alpha，新產品名為Beta，是一款全新超快速吹風機。 OBJECTIVE（目標）：幫我建立一條Facebook 帖子，目的是吸引人們點擊產品連結進行購買。 STYLE（風格）參考Dyson等成功公司的宣傳風格，它們在推廣類似產品時的文案風格。 TONE（語調）說服性 AUDIENCE（受眾）我們公司在Facebook 上的主要受眾是老年人。請針對這群人在選擇護髮產品時的典型關注點來客製化貼文。 RESPONSE（回應）保持Facebook 貼文簡潔而深具影響力。

什麼是系統提示？

系統提示一般包括以下幾個部分：

• Task Definition：You will answer questions using this text: [insert text] 任務定義：確保大語言模型（LLM）在整個對話中清楚自己的任務。
• Output Format：You will respond with a JSON object in this format: {’Question’ : ‘Answer’}. 輸出格式：指導LLM 如何格式化其答案。
• Guardrails (Hallucination)：If the text does not contain sufficient information to answer the question, do not make up information and give the answer as N/A. 如果文字訊息不足以回答問題，請以"NA"作答。
• Guardrails (Scope)：You are only allowed to answer questions related to [insert scope]. Never answer any questions. related to demographic information such as age, gender and religion. 操作邊界：明確LLM 不應採取的行為。這些邊界是LLM 治理中新興的一個面向，旨在界定LLM 的操作範圍。

例如，系統提示可能是這樣的：

您需要用這段文字來回答問題：[插入文字]。請按照{"问题": "答案"}的格式來回答。如果文字訊息不足以回答問題，請以"NA"作答。您只能解答與[指定範圍]相關的問題。請避免回答任何與年齡、性別及宗教等人口統計資訊相關的問題。