最近在新加坡首届GPT-4提示工程大赛上，很多科学家、人工智能研究人员、技术开发者以及对LLM技术充满热情的专业人士都参加了参与。大神Sheila Teo在这次比赛中获得冠军，她展示了对AI技术深刻的理解，还结合了创造力和战略思维，分享了一系列高效的提示工程策略。这些策略包括使用CO-STAR框架构建提示词、利用分隔符优化LLM的理解、运用系统提示维持聊天的一致性，以及无需编写代码即可进行数据集分析的高级方法。

不得不说提示工程作为一门融合艺术与科学的学科，正在迅速崛起。新加坡（GovTech）举办的首届GPT-4提示工程竞赛中。她分享了一系列创新的提示工程策略。

CO-STAR框架是新加坡政府科技部数据科学与人工智能团队开发的，用于构建高效提示的模板。它包含六个要素：上下文（Context）、目标（Objective）、风格（Style）、语气（Tone）、受众（Audience）和回复（Response）。

上下文：为LLM提供任务的具体背景，确保答复的相关性。

目标：明确希望LLM执行的具体任务，以保持答复的重点。

风格：指定写作风格，如模仿某位名人或行业专家。

语气：设定答复的情感基调，如正式、幽默或善解人意。

受众：根据目标受众的特点，定制化LLM的答复。

回复：确定答复的格式，如列表、JSON或专业报告。

假设你是社交媒体经理，需要为公司的新产品——一种新型超快速吹风机——起草Facebook广告。使用CO-STAR框架，你可以创建一个更具针对性和吸引力的帖子。

分隔符帮助LLM识别提示中的不同部分，为长串标记提供结构。对于复杂任务，分隔符的使用可以显著提高LLM的答复质量。

分隔符可以是不常用的特殊字符序列，如"###"或"==="，它们足够独特，使LLM能将其识别为内容分隔符。

XML标签是另一种有效的分隔符，因为LLM已经接受了大量的XML格式内容训练。使用XML标签，如"

系统提示是附加提示，提供关于LLM行为方式的指令。它像过滤器一样，让LLM在回复新提示前自动应用。

系统提示适用于需要在整个聊天过程中维持一致性的场景。由于LLM的对话内存有限，系统提示可以确保LLM持续接收特定提示。

系统提示通常包括任务定义、输出格式和安全护栏，以确保LLM的答复符合预期。

系统提示中设置的护栏通常是固定的。然而，有时可能需要在聊天的不同阶段设置不同的护栏。

NeMo护栏是一个开源软件包，允许以编程方式设置更详细、更动态的护栏，适应聊天的进展。

LLM擅长识别模式和趋势，适合执行基于数据集模式识别的任务，如异常检测、聚类、文本分析等。

LLM在发现模式、解释多维数据集并提炼为有意义的见解方面表现出色。

通过一个Kaggle数据集的客户个性分析案例，展示了LLM如何在没有编程插件的情况下进行有效的数据分析。

通过对比使用高级数据分析插件的结果，验证了LLM分析的准确性和实用性。

Sheila Teo的分享为提示工程领域带来了新的视角。通过CO-STAR框架、分隔符的使用、系统提示以及LLM的数据分析能力，我们可以更有效地利用LLM，无论是在简单的任务中还是在需要复杂分析的场景下。

END：

最后我想说的是：写作是一件能让你一直受益的事，所以你应该坚持不懈地去做，不要放弃！

我是大象，一个专注于AI写作的自媒体玩家，最近做课很忙，但是我们对AI的学习和教学一直没停过。 很多学员觉得AI变化太快了，跟不上它的步伐，其实不用急，只要我们不断地学习AI，努力地跟上，就不会被时代落下。