如今大模型的能力越来越强，但很多人用起来总觉得“差点意思”——明明问的是同一件事，为什么别人能得到精准的答案，自己得到的却总是泛泛而谈？这里，整理一个非常实用的提示设计框架：CO-STAR。它不是什么高深的理论，而是新加坡政府科技局的数据科学与人工智能团队在实际工作中沉淀下来的方法。一句话概括就是：通过结构化的方式，把影响LLM（大语言模型）回复质量的几个关键维度都考虑进去。

CO-STAR 框架的六个组成部分

具体怎么用？很简单，每次写提示词的时候，从以下六个角度问问自己：

C（Context, 背景）：把任务的来龙去脉说清楚，这决定了模型输出的“上下文”是否准确。比如你要写一篇关于环保的文章，那“这篇文章将用于学校的环保宣传活动”这句话，就是直击要害的背景信息。

O（Objective, 目标）：你到底想让它干什么？是写文案、做分析、还是编故事？目标越具体，模型越不容易跑偏。比如“撰写一段吸引顾客购买新产品的宣传文案”，这就比“写点关于产品的东西”强得多。

S（Style, 风格）：你想要什么风格？是商业分析报告、新闻稿、还是社交媒体上的轻松口吻？明确风格，输出才能“对味”。

T（Tone, 语气）：设定好回应的“情绪底色”——是需要正式严谨、轻松幽默，还是充满同理心？这个微调，往往能决定回复的“人情味”有多浓。

A（Audience, 受众）：回复是给谁看的？给技术专家写报告，还是给小学生解释概念，内容深度和用词的专业程度完全两个样。

R（Response, 回复）：最后，明确回复的格式。是在列表里逐条列举，还是输出JSON数据供程序调用？格式一旦明确，后续处理效率会高很多。

实战：用CO-STAR改写求职信

光说不练假把式。假设你是一名社交产品经理，面试官是一位40岁左右的女士，她要求你写一封求职信。

先看一个“裸问”的例子：

提示：请你帮我写一封求职信，以便我找到一份产品经理的工作。

得到的回复，大概率是那种“万金油”式的模板，没什么亮点。

现在，我们用CO-STAR框架把需求包装一下：

#背景#
我是一名有两年工作经验的社交产品经理，擅长做用户增长，想入职一家公司。我的面试官，一位40岁左右的大姐让我写一封求职信。

#目标#
我希望你帮助我写这封求职信。

#风格#
这封求职信需要感情充沛，表达真挚。能够打动面试官。

#语气#
请用有同理心的语气，充满亲切感和真挚感。

#受众#
我的面试官，一位中年女性。也有可能抄送其他领导。

#回复#
希望你使用中文回复，字数在800字左右。

对比两个版本的回复，高下立判。加了CO-STAR框架的那一封，不仅详细讲述了求职者在用户增长方面的具体工作经历和成就，还突出了对产品经理角色的责任感和用户中心理念，语气亲切而真挚，容易引发面面试官的情感共鸣。

从“泛泛而谈”到“精准表达”，关键就在于你是否愿意多花一分钟，把提示词里藏着的那个“潜台词”清清楚楚地告诉模型。CO-STAR框架，就是帮你把那层“潜台词”挖出来的最佳工具。