CO-STAR提示工程冠軍,情境、目標、風格、語氣、受眾、格式
GPT-4 提問工程競賽的冠軍,這場比賽由新加坡政府科技局(GovTech)主辦,吸引了超過 400 名才華橫溢的參賽者。提問工程是一門融合了藝術和科學的學科,它既包含技術理解,也包含創造力和策略思考。以下是我在這個過程中學到的一些提問工程策略,這些策略能夠讓任何大型語言模型(LLM)準確執行你所需要的任務。
CO-STAR 框架結構化提問
假設你是一名社交媒體經理,需要幫助撰寫 Facebook 帖子來宣傳公司的新產品。不使用 CO-STAR 框架的快速提問可能看起來是這樣的:
為我公司的新產品 Alpha Beta(一款新型超快速吹風機)撰寫 Facebook 帖子。
而使用 CO-STAR 模板的提問則會提醒你納入任務的其他方面,尤其是缺少的 STYLE、TONE 和 AUDIENCE 方面:
# CONTEXT #
我想為我公司的新產品 Alpha Beta 做廣告,這是一款新型超快速吹風機。
# OBJECTIVE #
創建一個 Facebook 帖子,目的是讓人們點擊產品鏈接進行購買。
# STYLE #
參照成功公司的寫作風格來做廣告,例如 Dyson。
# TONE #
說服性
# AUDIENCE #
目標是 Facebook 上的老年人群體。針對這個群體在頭髮產品中通常尋找的內容來定制你的帖子。
# RESPONSE #
Facebook 帖子,簡潔而有影響力。
透過應用 CO-STAR,GPT-4 的回應變得更加針對性和有效。
使用分隔符來區分提問
分隔符是特殊的標記,幫助 LLM 理解你的提問中哪些部分應被視為一個意義的單元。這對於讓你的整個提問對 LLM 來說變得有結構性至關重要。
例如,使用特殊字符序列作為分隔符:
對以下對話進行情緒分類,使用 <<<CONVERSATIONS>>> 作為開始,>>> 作為結尾。
創建系統提問與 LLM 守則
系統提問是指你提供有關 LLM 應如何行為的額外指令。這是因為 LLM 在每次對你的新提問給出回應時,都會自動應用系統提問作為過濾器。
例如,系統提問可能如下:
你將使用這段文字來回答問題:[插入文本]。
你將以 JSON 對象的格式回應:{“Question”: “Answer”}。
如果文本中沒有足夠的信息來回答問題,則不要捏造信息並給出“NA”作為回答。
你只能回答與[插入範圍]相關的問題。絕不回答任何與年齡、性別和宗教等人口統計信息相關的問題。
使用 LLM 分析數據集而無需插件或代碼
儘管 LLM 在進行精確的數學計算方面有其限制,但它們在識別數據集中的模式和趨勢方面表現出色。例如,使用 LLM 分析 Kaggle 的客戶個性分析數據集,可以無需插件或代碼即可有效地進行。
這些策略展示了如何通過深入了解並巧妙應用 LLM 的能力,可以大幅提升從 LLM 獲取的回應的質量和針對性。