CO-STAR 框架是一个获奖的提示词框架，由 Sheila Teo 开发。在新加坡首届 GPT-4 Prompt Engineering 大赛中使用该框架并获得冠军。
CO-STAR 框架涵盖以下要素：
其中：(C)上下文（Context）也就是Background，讨论的背景信息，让大语言模型聚焦在我们讨论的具体场景下。避免偏离主线瞎扯。如：公司正在研发一个新产品，为公司会议准备简报(O)目标（Objective）希望大语言模型要做的事，清晰明确的目标，传统的SMART原则能帮我们梳理。如：生成一份关于市场趋势的报告(S)风格（Style）大语言模型的语言风格。它有点像其他框架中的角色（Role），希望激发那个角色的训练数据。如：希望资深商业顾问的风格写(T)语气（Tone）指定大语言模型回复时的态度。符合我们期望的情绪和情感，比如严肃的，言简意赅的等如：正式且严谨(A)受众（Audience）指定目标受众。可以理解为对上面上下文的一个补充。我们希望大语言模型给出，我们能听懂的行话。如：企业高管(R)答复/回应（Response）返回的格式，列表形式，会话形式，Markdown格式等等。如生成一份包含图表和数据的报告结构化提示词，帮我们更好梳理需要大语言模型解决的问题。随着学习的深入，掌握了提示词的基本技巧以后，我们开始思考，如何把它们应用在更复杂的分析决策中。
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）
定义：指明文本的整体风格，包括使用的词汇选择、句式结构以及可能的参照对象。重要性：不同的风格适合不同的场合。例如，一种风格可能适合学术论文，而另一种则更适合社交媒体帖子。示例：对于一篇科学论文，可能需要使用正式的语言和客观的语气；而对于博客文章，则可以采用更轻松、更具个人色彩的写作风格。Tone（语气）定义：设定文本的情感基调，确保它符合预期的氛围。重要性：正确的语气可以帮助建立与读者之间的联系，并传达出适当的态度。示例：在撰写一篇面向潜在投资者的商业计划书时，可能需要采用正式、专业且具有说服力的语气；而在写一篇面向年轻人的产品评测时，则可能采用更加轻松和幽默的语气。Audience（受众）定义：明确回答或文本的目标读者是谁。重要性：了解受众有助于调整语言复杂度、术语使用以及整体信息传递的方式。示例：如果目标读者是专业人士，可以使用行业术语和复杂的概念；如果是面向大众，就需要简化语言并避免过于专业化的术语。Response（回复）定义：指定最终输出的形式和结构。重要性：正确的格式可以使信息更容易被理解和消化。示例：如果需要一份详细的分析报告，可能需要按照标准报告格式来组织信息，包括摘要、方法论、数据、结论等部分；而如果是一个简单的问答，直接以列表形式呈现答案即可。