品业务工作流进行分层，梳理，然后抽象出一个个需求，将业务需求与产品合情合理的映射起来，最终使业务数据在产品中流动，执行，记录，使用。 查看详情 > （O目标：确定你希望LLM执行的任务是什么 明确你的目标有助于LLM把回答的重点放在实现这一具体目标上。 （S风格：指明你希望LLM使用的写作风格 这可以是某个名人的写作风格，
也可以是某个行业的某个
专家，如商业分析专家或首席执行官。这将引导LLM以符合你需求的方式和用词做出回复。 （T语气：确定回复的态度 这可确保LLM的回复与 电话数据 所需的情感或情绪背景产生共鸣。例如，正式的、幽默的、善解人意的等。 （A受众：确定回复的对象 根据受众（如某一领域的专家、初学者、儿童等量身定制LLM的回复，确保其在所需的语境中是恰当的、可以理解的。 （R回复：提供回复格式 这可确保LLM按照下游任务所需的准确格式输出。例如，列表、JSON、专业报告等。大多数LLM应用程序都会以编程方式LLM回复进行下游操作，对于这些应用程序来说，
JSON输出格式是最理想的
CO-STAR的实际应用 下面是一个真实的例子，说明CO-STAR框架为什么有用。 假设你是一名社交媒体经理，你需要帮助起草一篇Faceboo帖子来宣传公司的新产品。 没有CO-STAR的提示工程 燕麦，一种治疗便秘的谷物 是这样的： 在Faceboo上写一篇文章，为新产品做广告。我的公司名为Alpha，产品名为Beta，是一种新型超快速吹风机。 下面是GPT-的输出结果：
介绍Alpha公司革命性的Beta吹风机！ – 告别冗长乏味的吹发过程！阿尔法隆重推出贝塔型吹风机，这是我们在护发技术方面的最新创新。 – 超快吹干：得益于先进、强劲的电机，Beta可以将你的吹干时间缩 ch 领先 短一半。让你更快做好准备，有更多时间做自己喜欢的事情！ 这种输出方式虽然够用，但却非常普通，缺乏必要的细微差别和有针对性的吸引力，无法引起公司受众的共鸣。 下面是一个使用CO-STAR模板的示例，它提醒你将任务的其他方面融入你的提示中，特别是之前的快速提示中缺少的「风
