摘要 — CO-STAR 是新加坡政府科技局提出的结构化提示词构建方法，通过 Context（背景）、Objective（目标）、Style（风格）、Tone（语气）、Audience（受众）、Response（响应格式）六个组件，系统化地提升 Prompt 质量。核心价值在于消除歧义、双维度约束输出、从内容形式和情感两个维度控制质量、减少后续解析成本。
CO-STAR 框架
CO-STAR 是新加坡政府科技局（GovTech）提出的一种结构化提示词构建方法，被广泛认为是 Prompt Engineering 最实用的框架之一。
框架结构
| 组件 | 含义 | 作用 |
|---|---|---|
| C Context | 背景信息 | 提供任务相关的上下文，让模型理解场景 |
| O Objective | 目标 | 明确告知模型需要完成什么 |
| S Style | 风格 | 指定输出的写作/表达风格 |
| T Tone | 语气 | 指定输出的情感基调 |
| A Audience | 受众 | 明确目标读者群体 |
| R Response | 响应格式 | 指定输出的格式要求 |
模板
# Context（背景）
[描述任务的背景信息]
# Objective（目标）
[明确你要完成的任务]
# Style（风格）
[例如：专业报告、简洁摘要、技术文档]
# Tone（语气）
[例如：正式、友好、严谨]
# Audience（受众）
[例如：技术团队、CEO、非技术人员]
# Response（响应格式）
[例如：Markdown、JSON、表格、列表]
实际案例
原始 Prompt
写一篇关于 AI 的文章
CO-STAR 优化后
# Context
我们公司正在开发一款面向中小企业的 AI 客服产品，需要向投资人演示技术能力。
# Objective
撰写一篇 800 字的技术博客，介绍我们产品中使用的 RAG 检索增强生成技术。
# Style
专业技术博客风格，参考《Stripe》的技术文章水准。
# Tone
自信、权威，但避免过度吹嘘。
# Audience
技术背景的投资人（了解机器学习基本概念）。
# Response
Markdown 格式，包含小标题，必要时使用表格辅助说明。控制在 800 字以内。
为什么 CO-STAR 有效
- Context 消除歧义 — 模型不再需要猜测任务场景
- Style + Tone 双维度约束 — 从内容形式和情感两个维度控制输出质量
- Audience 锚定 — 模型据此调整专业术语的深浅和举例的易懂程度
- Response 格式化 — 减少后续 JSON 解析或格式调整的成本