本文首发于我的博客。
STAR法则
- S: Situation，背景信息
- T: Task，任务目标
- A: Audience，受众
- R: Requirements，输出要求
在提问的时候，给LLM（大语言模型）提供上面四个不同维度的信息，可以让LLM生成更优质的回复。
举一个例子：
简单提问
介绍一下下面的概念：
附加律
化简律
假言推理
拒取式
析取三段论
假言三段论
等价三段论
构造性二难
构造性二难（特殊形式）
破坏性二难
使用STAR优化的提问
使用Deepseek官网的默认模型对话进行测试，效果差异非常明显。具体回答根据论坛规则，就不放出来了，感兴趣的也可以去我的博客查看。
提示词优化输出的本质
相信你应该有听说过提示词能够优化输出。比如说：
假如你是一个经验丰富的Python程序员。现在请你xxx……
这样的“套路化”的提示词，似乎是能够提升一些回复质量的。
现在主流厂家的LLM也在不断的进步。不少产品已经能够自动对用户的需求进行预测和优化了，由提示词带来的提示的边际效应已经初步显现。那么，在这样的情况下，写好的提示词的意义是什么呢？
我认为从本质上来说，优秀的提示词能够给LLM提供更多的信息，这些信息能帮助LLM生成更符合用户预期的内容。
很多用户会觉得LLM“不懂我”，但是其实有可能是用户并没有提供给LLM足够多的背景信息。LLM又不是他们肚子里的蛔虫，怎么会知道用户的具体需求呢？
这样不麻烦吗？
你可能会问，每次提问都这么写提示词，不觉得很麻烦吗？
这个问题的答案取决于你的需求。如果是比较简单的问题，比如说你只想让LLM作简单的翻译，让你能够看懂就行了，那确实并没有太大的必要。
但如果是相对重要一些的需求，比如说帮你润色文稿之类的任务，那我还是推荐这么写一下。毕竟一次让LLM获得让你更满意的回复，总比多次去调教好。
