我如何夺得新加坡首届GPT-4提示工程大赛冠军（译文）

1月 22, 2024

2566 0

内容简介：

在2023年11月举行的新加坡首届GPT-4提示工程大赛中，张席拉（Sheila Teo）获得了冠军，并在这篇文章中，阐述了个人对提示词的心得体会。

她的文章里，写了4种提示词方法。

原文较长，拆分为了4部分。本文是第一部分——CO-STAR提示词写法。

原作者：张席拉（Sheila Teo），发布于medium。叶赛文编译。原文链接： https://towardsdatascience.com/how-i-won-singapores-gpt-4-prompt-engineering-competition-34c195a93d41

正文

深入解析我所掌握的，利用大型语言模型（LLMs）潜力的策略

上月，我有幸赢得了新加坡首届GPT-4提示工程大赛的冠军，这场大赛吸引了超过400名极具才华的参与者，由新加坡政府科技局（GovTech）主办。

提示工程是一门结合了艺术与科技的学问——它既涉及技术层面的理解，也包含创意与战略思维。本文汇集了我在实践中学到的各种提示工程策略，这些策略可以让任何LLM准确执行你的指令，甚至达到更多的可能性！

作者的话：在撰写这篇文章时，我尽量避免了那些已经在网上被广泛讨论和记录的传统提示工程方法。我的目标是分享我通过实验学到的新洞见，以及我个人对某些方法的理解和应用方式。希望你们能喜欢这篇文章！

文章主要包括以下内容，🔵代表适合初学者的提示技巧，而🔴代表更高级的策略：

[🔵] 使用CO-STAR框架构建提示
[🔵] 使用分隔符划分提示
[🔴] 创建带有LLM安全措施的系统提示
[🔴] 仅用LLMs分析数据集，不借助插件或编码—— 并提供了一个实际例子，即使用GPT-4分析真实世界Kaggle数据集

1. [🔵] 使用CO-STAR框架构建提示

为了从LLM获得最佳反应，有效的提示构建至关重要。CO-STAR框架，由新加坡GovTech的数据科学与人工智能团队创造，是一个非常实用的提示构建模板。它考虑了所有影响LLM回应效果和相关性的关键因素，帮助你获得更优的反馈。

其工作机制如下：

(C-context) 上下文：提供关于任务的背景信息，这有助于LLM理解正在讨论的特定情境，确保其回应的相关性。

(O-objective) 目标：明确你希望LLM完成的任务，明确目标能够帮助LLM集中回应，以达成特定目标。

(S-Style) 风格：指定你希望LLM采用的写作风格。这可以是某位名人的写作风格，或某个领域专家的风格，比如商业分析师或CEO。这有助于指导LLM采用与你需求相符的表达方式和词语选择。

(T-tone) 语气：确定回应的情感态度。这确保LLM的回应能与预期的情感或情绪背景相契合。例如，正式、幽默、同情等。

(A-audience) 受众：识别回应的目标受众。让LLM的回应针对特定受众，比如领域专家、初学者、儿童等，保证其在所需语境中的适宜性和易懂性。

(R-response) 回应：指定回应的格式。这确保LLM按照你需要的确切格式输出，以便于后续任务。例如，列表、JSON、专业报告等等。对于大多数程序化处理LLM回应的应用而言，JSON输出格式将是理想选择。

CO-STAR实践应用

以下是一个CO-STAR框架实用性的现实示例。假设你是一名社交媒体经理，需要帮助撰写一个Facebook帖子，以宣传公司的新产品。

如果不使用CO-STAR，快速提示可能是这样的：

为我公司的新产品编写一个Facebook帖子。公司名为Alpha，产品名为Beta，是一款新型超快速吹风机。

GPT-4的输出如下：

推出Alpha公司的革命性Beta吹风机！

向漫长乏味的吹风时间说再见！Alpha公司自豪地推出Beta——我们在护发技术上的最新创新。

超快速干燥：Beta的设计可以让你的吹风时间减半，感谢其先进的强力电机。快速准备，享受更多你喜爱的事物！

立即购买：[产品页面链接]

虽然这个回应足够使用，但却过于普通，缺乏必要的细节和针对性，不足以吸引公司的目标受众。

现在，让我们试用CO-STAR模板，它提醒你在提示中纳入任务的其他方面，特别是前一个快速提示中缺少的STYLE、TONE和AUDIENCE：

c-上下文我想在Facebook上宣传我公司的新产品。公司名为Alpha，产品名为Beta，是一款新型超快速吹风机。

目标-objective 创建一个Facebook帖子，目的是吸引人们点击产品链接并购买。

风格-style 参照那些在宣传类似产品方面成功的公司，如戴森，的写作风格。

语气-tone 说服力十足

受众-audience 我们公司在Facebook上的目标客户主要是年长一代。请根据这个受众群体在头发产品上的典型需求定制你的帖子。

回应-response 保持简洁有力的Facebook帖子。

应用了CO-STAR后，GPT-4的回应变得更加具有针对性和效果：

用Alpha Beta迎接毫不费力的优雅——超快速吹风机，专为智慧长者设计。重新发现简单而高效的护发乐趣。我们的最新创新不仅是一个吹风机，它是对迅速、温和、可靠造型的承诺，适合那些珍视生活中美好事物的人。

轻松直观的使用：告别复杂的设备。Alpha Beta的设计注重舒适和简单，完美适合那些重视直接、无麻烦技术的人。

节省时间的技术：我们知道你的时间非常宝贵。Alpha Beta的设计大幅缩短了吹风时间，让你有更多时间享受生活的乐趣。让每一天都是美好发型日。现在就来体验优雅与简洁的完美结合。 [产品链接]

CO-STAR框架指导你以结构化的方法提供给LLM关于任务的所有关键信息，确保得到一个完全符合你需求的定制化和优化的回应。