Chat with Wiki - costar 框架

Answer

CO-STAR 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 GPT-4 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。

CO-STAR 框架涵盖以下要素：

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。
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）。
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。
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。
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。
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。CO-STAR 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 CO-STAR 框架时：

（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。
（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。
（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。
（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。
（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。
（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。

Content generated by AI large model, please carefully verify (powered by aily)

References

安迪：写给职场人的 AI 办公手册——如何与 AI 高效对话

CO-STAR是一个获奖的提示词框架，由**Sheila Teo**开发**。**作者在新加坡首届GPT-4 Prompt Engineering大赛中使用CO-STAR框架，获得冠军。新加坡首届GPT-4提示工程（Prompt Engineering）大赛，由新加坡政府科技署（GovTech**）组织，汇聚了超过400位优秀的参与者。CO-STAR框架涵盖以下要素：**Context（上下文）、Objective（目标）、Style（风格）、Tone（语气）、Audience（受众）、Response（回复）**。Context（上下文）定义：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。重要性：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。示例：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。Objective（目标）定义：明确说明希望从LLM那里得到的具体结果或行动。重要性：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。示例：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）。Style（风格）

我如何夺冠新加坡首届 GPT-4 提示工程大赛-翻译自宝玉

在使用大语言模型时，有效的提示构建至关重要。CO-STAR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，帮助你获得更优的反馈。[heading3]如何应用CO-STAR框架：[content](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。(O)目标：明确你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。(S)风格：明确你期望的写作风格你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。这将指导大语言模型以一种符合你需求的方式和词汇选择进行回应。(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。可能的语气包括正式、幽默、富有同情心等。(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。(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你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。

4、调度器、采样器介绍副本

采样器决定了如何从潜在空间中选择和处理噪声,以生成最终图像。ComfyUI支持多种采样器,每种都有其特点:基础采样器:如Euler,Heun,DDIM等。DPM系列:包括各种DPM(Denoising Diffusion Probabilistic Models)变体。Karras变体:许多采样器都有对应的Karras版本,通常能产生更清晰的结果。SDE(Stochastic Differential Equation)变体:如DPM++ SDE,适合生成精细纹理。Exponential变体:如Euler Exponential,在采样过程中使用指数噪声调度。特殊用途采样器:如LCM(Latent Consistency Model),Restart,Dynamic Thresholding等。[heading2]1、基础采样器[heading3]Euler[content]特点:一种常见的梯度下降方法，提供平衡的质量和速度。生成效果较为稳定，适合广泛的图像生成任务。推荐场景:适合新手和实验性生成，尤其在需要平衡速度和质量时。[heading3]Euler a[content]特点:增强版的Euler方法，进一步提高了生成质量或效率。更适合需要更高质量输出的场景。推荐场景:适合创意性更强或需要更细节图像的任务。[heading3]Euler Exponential[content]特点:结合了指数衰减的Euler采样器，生成图像可能更平滑。推荐场景:在生成过程中需要更平滑过渡和结果的场景。