一个普通人入坑GPT的心路历程是怎样的？
初见GPT：惊为天人
再见GPT：效果好像不是很好啊
最后的GPT：乖乖待在回收站吧
看到这里是不是很多人都深有同感，包括以前的小编也是这样的
但是随着小编的奋发图强，废寝忘食，逐日研究，深入的了解大模型
哥们肤浅了，太肤浅了
所以不是大模型的能力不行，有可能，极有可能是你不会使用
要不然李彦宏会说未来会有一种职业叫提示词工程师，未来的50%的工作机会来自提示词工程，他还说，提示词工程师的门槛不高，做的好的话，可以轻松年入百万。
所以小编的任务就是教大家写提示词，让大家更好的使用大模型。
此前在新加坡首届GPT-4提示词工程大赛中，张席拉（Sheila Teo）摘得桂冠。
使用CO-STAR框架构建提示
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词构建模板。它考虑了所有影响LLM回应效果和相关性的关键因素，让我们得到更好的输出。
CO-STAR框架由六部分组成
1，（C-context) 上下文：提供任务上下文信息
2，(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。
3，(S-Style) 风格：指明LLM输出的写作风格
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。
4，(T-tone) 语气：确定回应的情感态度
这确保LLM的回应和我们希望的回复情感相同。例如，正式、幽默、同情等。
5，(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、CEO、初学者、儿童），保证其在所需语境中的适宜性和易懂性。
6，(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。
下面我们来做一下对比，来看一下CO-STAR框架的实际用途
假如你是一名新媒体运营师，你要写一篇关于“安慕希”的种草文案
没有CO-STAR框架的是这样的：
帮我写一篇关于安慕希的种草文案
GPT是这样输出是这样的
其实这样写的是没毛病的，但是不是我想要的
有CO-STAR框架的是这样的
#上下文#
我想为我公司的新产品写一篇文案。产品名叫安慕希，是一款超级好喝的酸奶。
#目标#
为我创建一个小红书帖子，目的是让看到这篇帖子的人购买安慕希。
#风格#
小红书的种草风格。
#语气#
幽默的，有说服力的。
#受众#
我们的群体是6~18岁的年轻群体
小红书上的种草文案，简明扼要而又富有感染力。
GPT的回复是这样的：
这样就会更加符合我的想要表达的意思了，缺点就是没有给我配图。。。
最近小编在追求小美，索性看一下用CO-STAR框架生成的情书效果如何
#上下文#
我想为我暗恋对象写情书。我暗恋的对象叫小美，人美心善，我非常非常喜欢
#目标#
帮我写一封情书，让小美看到情书后就答应我
#风格#
鲁迅的风格
#语气#
幽默的，有说服力的。
#受众#
小美，年芳22
情书的格式，简明扼要而又富有感染力。
我只能说好肉麻啊！我好喜欢啊啊啊啊啊~~~
通过对比我们也就知道会写提示词和不会写提示词的差别有多大了
所以掌握提示词的方法真的很重要！很重要！很重要！
最后小编也整理了关于学习提示词的方法
系统学习推荐吴恩达教授的《提示词工程师课程》
链接如下：
Open AI的官方文档也帮大家找到了
链接如下：
最后给大家推荐的是通往AGI之路，上述的学习内容里面都有，还有很多提示词框架，大家可以参考这些大神的框架
好了，今天的任务圆满结束
都看到这里，记得去写一下提示词
扫码邀请进群，我们带你一起来玩转ChatGPT、GPT-4、文心一言、通义千问、讯飞星火等AI大模型，顺便学一些AI搞钱技能。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.