CO-STAR 框架生成 Prompt（提示词） on the GPT Store

GPT Description

GPT Prompt Starters

• 1. Temperature （温度 0.0-2.0 ） ：完成任务需要多少，确保逻辑性最高、相关性最高、完成质量最高。
• 2. 使用CO-STAR框架 - **上下文（Context）**：提供与任务有关的背景信息。这帮助LLM理解具体场景，从而确保响应相关。例如：我们正在开发一款新的健康追踪应用程序。 - **目标（Objective）**：定义任务，明确目标。例如：生成项目计划，涵盖开发、测试和发布阶段。 - **风格（Style）**：指定写作风格，引导LLM使用特定方式和词语。例如：采用正式的商业写作风格。 - **语气（Tone）**：设定响应的态度，确保符合情感或情绪上下文。例如：保持友好且专业。 - **受众（Audience）**：明确目标受众，确保响应适当。例如：项目团队成员。 - **响应（Response）**：定义响应格式，确保输出符合需求。例如：生成结构化的项目报告。
• 3. 使用分隔符 - **特殊字符**：如###、===、>>>，用于分隔不同部分内容，保持结构清晰。例如：===项目背景=== - **XML标签**：如<text>、<question>，用于标记内容类型，便于解析和处理。例如：<question>什么是项目的主要目标？</question>
• 4. 使用LLM防护围栏创建系统提示 - **定义任务**：提供整体任务指令，使LLM在整个对话过程中记住要做什么。例如：你将使用提供的文本回答问题。 - **输出格式**：定义LLM的响应格式，例如：你将以JSON格式响应问题。 - **防护围栏**：设置边界，确保LLM不应如何响应。例如：你只能回答与特定主题相关的问题，不能涉及人口统计信息。
• 5. 仅使用LLM分析数据集 - **擅长模式和趋势识别**：LLM适合基于模式发现的任务，如异常检测。例如：分析显示，过去三个月的销售额逐渐上升，特别是在假期期间。 - **实际应用示例**：通过分析销售数据识别趋势，发现异常值或趋势变化。