去年 11 月,新加坡政府科技局(GovTech)舉辦了一場別開生面的活動──GPT-4 提示詞工程競賽。在超過 400 名參賽者中,Sheila Teo 脫穎而出,她使用的秘密武器是由 GovTech 的數據科學與人工智慧團隊開發的「CO-STAR」框架。這個框架以其整合性和高效性,成為構建提示詞以獲取大型語言模型(LLM)最有效回應的絕佳工具。
CO-STAR 框架
CO-STAR 框架提供了一個全面的指南,幫助使用者在構建提示詞時考慮到所有影響 LLM 輸出的重要方面。以下是框架中每個組成部分的關鍵作用:
C 代表 Context(背景)
背景提供了有關任務的必要資訊,幫助 LLM 理解正在討論的具體情景,確保回應的精確度和相關性。
O 代表 Objective(目標)
目標明確定義了您希望 LLM 執行的任務。清晰地界定目標有助於 LLM 集中其回應,以達成該特定目的。
S 代表 Style(風格)
風格指定了所需的寫作風格,可以是某位著名作家的風格,或者是某個專業領域的專家,如商業分析師或 CEO。這一規範指導 LLM 採用符合用戶需求的表達方式和詞彙。
T 代表 Tone(語氣)
語氣設定了回應的情感或正式態度,可包括正式、幽默或富有同理心等。此組件確保 LLM 的輸出與預期的情感或情感背景相符。
A 代表 Audience(受眾)
確定受眾對於回應的定制至關重要。無論受眾是領域專家、初學者還是兒童,回應都必須在給定的背景中適當且易於理解。
R 代表 Response(回應格式)
回應格式規定了 LLM 應如何結構化其輸出,這對於與下游任務對齊至關重要。無論是需要列表、JSON 文件還是專業報告,指定格式都確保了輸出正是所需的。
用CO-STAR 框架編寫華語教材
使用 CO-STAR 框架來建立針對華語教材製作的 GPT-4 提示詞,可以幫助確保產生的內容不僅準確,而且適合目標學習者。以下是如何運用 CO-STAR 框架來構建有效的提示詞:
C for Context(背景)
- 描述: 提供關於華語教材的背景信息,比如課程的目標是針對初學者學習日常對話,或者是進階學生學習商務溝通。
- 範例: “這是一本面向初級學習者的華語教材,旨在通過日常對話來提升語言實際應用能力。”
O for Objective(目標)
- 描述: 定義創建教材的具體目標,例如教授基本詞彙、語法結構或文化知識。
- 範例: “目的是讓學生能夠掌握基本的自我介紹和日常生活對話技巧。”
S for Style(風格)
- 描述: 指定希望 LLM 使用的寫作風格,如教育性的、友好的或權威的。
- 範例: “採用友好且鼓勵性的敘述風格,以增強學習者的學習動機。”
T for Tone(語氣)
- 描述: 設定回應的語氣,確保它適合教育環境且能激發學習興趣。
- 範例: “使用正面積極和支持性的語氣,以促進學習者的信心。”
A for Audience(受眾)
- 描述: 明確回應的目標受眾,這裡是華語學習者,可能包括不同的年齡層和語言背景。
- 範例: “這套教材是為了完全沒有華語基礎的成年學習者設計的。”
R for Response(回應格式)
- 描述: 指定期望的輸出格式,例如課文、練習題或多媒體互動元素。
- 範例: “生成一篇包含關鍵詞彙、實用短語和對話練習的教學文本。”
通過這樣結構化的方法,你可以確保生成的教材不僅符合教育目標,還能有效吸引和保持學習者的興趣,使學習過程更加有效和愉快。
用CO-STAR 框架編寫法語學習者詞典詞條
要利用 CO-STAR 框架為法語學習者編寫詞典的詞條,可以按照以下步驟建立高效的提示詞:
C – Context (背景)
在此部分,應提供詞條編寫的具體背景,例如是為初學者學習日常會話的詞典,還是為高級學習者準備的專業術語詞典。明確背景有助於精確定義詞條的深度和範圍。
提示: “編寫一個適合初級法語學習者的詞典詞條,專注於日常生活常用詞彙。”
O – Objective (目標)
目標是明確指出要達到的具體成果。在此案例中,目標可能是創建一個易於理解、含有足夠範例的詞條,讓學習者能夠快速掌握和運用新詞彙。
提示: “生成一個詳細解釋 ‘souvenir’ 這個法語詞彙的意思,用法和例句,以幫助初學者能夠在日常對話中正確使用它。”
S – Style (風格)
風格應該適合目標受眾,並與教育目的一致。風格可能是正式的、友好的或者是直觀的,取決於詞典的用途和受眾。
提示: “採用親切且易於理解的風格,編寫 ‘souvenir’ 的解釈和例句,使其適合初學者學習法語。”
T – Tone (語氣)
語氣應該鼓勵學習者學習和探索新詞彙。可以是激勵性的或是教育性的,重點是讓學習者感覺自信,能夠積極使用新學到的詞彙。
提示: “保持正面和鼓舞人心的語氣,介紹 ‘souvenir’,並鼓勵學習者實際應用於日常會話中。”
A – Audience (受眾)
受眾在此案例中是二語學習者,特別是初級學習者。理解他們的需求,例如清晰的解釋和實用的例句,是關鍵。
提示: “針對剛開始學習法語的學生,解釋 ‘souvenir’ 的基本意義和常見用法。”
R – Response (回應格式)
回應格式指的是詞條的具體結構,如定義、詞性、發音、例句等。格式應有助於學習者快速查找和理解信息。
提示: “生成一個包含 ‘souvenir’ 的法語詞條,包括詞性、發音指南、定義和至少兩個實用例句。”
利用 CO-STAR 框架,你可以創建一個結構化的、針對特定受眾的高效提示詞,以此來指導大型語言模型生成最適合二語學習者的詞典詞條。
結語
Sheila Teo 在 GovTech 競賽中運用 CO-STAR 框架的成功,展示了結構化提示如何顯著提升 LLM 回應的功能性和相關性。如果你對這種方法學感興趣,可以在下面的評論連結中閱讀 Sheila 在 Medium 上的完整文章。
透過結構化提示和對 CO-STAR 框架每個元素的深思熟慮,使用者可以充分利用 LLM 生成定制化、有效且與上下文相關的回應。