COSTAR-A: 增强 LLM 在视角问题上表现的提示框架

Posted on

COSTAR-A: 增强 LLM 在视角问题上表现的提示框架

ArXiv ID: 2510.12637
作者: Nzubechukwu C. Ohalete, Kevin B. Gittner, Lauren M. Matheny
发布日期: 2025-10-14

摘要

大型语言模型对提示设计高度敏感。本研究引入 COSTAR-A，一种增强现有 COSTAR 方法的新型提示工程框架。该框架特别针对视角（Point-of-View）问题进行了优化，增加了 Assumption（假设） 维度。研究在多个视角相关任务上评估 COSTAR-A，实验表明该框架在所有模型规模上都带来了8-20% 的性能提升，对小型模型的提升更加显著。

COSTAR-A 框架

从 COSTAR 到 COSTAR-A

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
原始 COSTAR 框架（6 维度）：
┌─────────────────────────────────────────┐
│ C - Context (上下文)                     │
│ O - Objective (目标)                     │
│ S - Style (风格)                         │
│ T - Tone (语气)                          │
│ A - Audience (受众)                      │
│ R - Response (响应)                      │
└─────────────────────────────────────────┘

COSTAR-A 新增维度：
┌─────────────────────────────────────────┐
│ A - Assumption (假设) ← 新增            │
│   • 采取的视角                          │
│   • 使用的知识                          │
│   • 推理边界                            │
└─────────────────────────────────────────┘

完整框架详解

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
COSTAR-A 7 维度：

┌─────────────────────────────────────────────────────────┐
│                    COSTAR-A Framework                    │
│                                                         │
│  C - Context (上下文)                                   │
│      提供任务背景和相关信息                             │
│      例："你是一位有 10 年经验的心理学家..."               │
│                                                         │
│  O - Objective (目标)                                   │
│      明确任务目标和期望结果                             │
│      例："帮助来访者理解他们的情绪反应..."              │
│                                                         │
│  S - Style (风格)                                       │
│      指定输出风格和格式                                 │
│      例："使用温暖、共情的语言，避免专业术语..."        │
│                                                         │
│  T - Tone (语气)                                        │
│      设定交流语气                                       │
│      例："保持支持性、非评判性的语气..."                │
│                                                         │
│  A - Audience (受众)                                    │
│      定义目标受众                                       │
│      例："受众是第一次寻求心理咨询的大学生..."          │
│                                                         │
│  R - Response (响应)                                    │
│      指定响应格式和结构                                 │
│      例："首先确认感受，然后提供 3 个具体建议..."         │
│                                                         │
│  A - Assumption (假设) ← 新增                           │
│      明确推理基础和视角                                 │
│      例："假设来访者的感受是有效且重要的，从来访者的   │
│           视角理解问题，不引入外部评判..."              │
└─────────────────────────────────────────────────────────┘

Prompt 模板

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
def build_costar_a_prompt(context, objective, style, tone,
                          audience, response, assumption):
    """
    构建 COSTAR-A 提示

    Returns:
        完整的结构化提示
    """
    template = """
# Context (上下文)
{context}

# Objective (目标)
{objective}

# Style (风格)
{style}

# Tone (语气)
{tone}

# Audience (受众)
{audience}

# Response Format (响应格式)
{response}

# Assumption (假设)
{assumption}

---
请根据以上要求回答问题。
"""

    return template.format(
        context=context,
        objective=objective,
        style=style,
        tone=tone,
        audience=audience,
        response=response,
        assumption=assumption
    )


# 使用示例
prompt = build_costar_a_prompt(
    context="你是一位有 10 年经验的心理治疗师，专长是认知行为疗法。",
    objective="帮助来访者理解他们的焦虑情绪，并提供应对策略。",
    style="使用温暖、共情的语言，避免过多的专业术语。",
    tone="保持支持性、非评判性的语气，传达理解和接纳。",
    audience="受众是第一次寻求心理咨询的大学生，对心理健康了解有限。",
    response="首先确认和验证来访者的感受，然后提供 3 个具体可行的应对策略。",
    assumption="假设来访者的感受是有效且重要的，从来访者的主观视角理解问题，不引入外部评判标准。相信来访者有改变的潜力和资源。"
)

实验结果

实验设置

任务类型：

  • 角色对话生成
  • 立场分析
  • 观点论证
  • 视角转换

评估模型：

  • 小型模型（<3B 参数）
  • 中型模型（7B-13B 参数）
  • 大型模型（70B+ 参数）

对比方法：

  • 零样本提示
  • 少样本提示
  • Chain-of-Thought
  • 原始 COSTAR

主要结果

角色对话生成

模型规模 零样本 CoT COSTAR COSTAR-A
小型 (<3B) 52.3% 58.5% 65.2% 72.8%
中型 (7B) 61.5% 68.2% 73.5% 79.1%
大型 (70B) 72.3% 78.5% 82.1% 85.3%

提升：相比 COSTAR 提升 5-8%

立场分析

方法 小型模型 中型模型 大型模型
零样本 45.2% 55.3% 68.5%
少样本 52.1% 62.5% 72.3%
COSTAR 58.5% 68.2% 78.1%
COSTAR-A 68.3% 75.5% 82.5%

消融实验

假设维度贡献

配置 对话生成 立场分析 观点论证
COSTAR 65.2% 58.5% 62.3%
+ 假设（隐式） 68.5% 62.1% 65.8%
+ 假设（显式） 72.8% 68.3% 70.5%

结论：显式假设维度是关键提升因素

各维度重要性

维度移除 性能下降
移除 Context -12%
移除 Objective -15%
移除 Assumption -18%
移除其他 -5% ~ -8%

结论：Assumption 是最重要的新增维度

实践指南

快速上手

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
# 简化的 COSTAR-A 快速模板
quick_template = """
【角色】{role}
【任务】{task}
【风格】{style}
【语气】{tone}
【对象】{audience}
【格式】{format}
【假设】{assumption}

问题：{question}
"""

# 快速示例
quick_prompt = quick_template.format(
    role="资深产品经理",
    task="评估这个产品功能的优先级",
    style="结构化、数据驱动",
    tone="专业但友好",
    audience="技术团队和管理层",
    format="先给出推荐，然后列出 3 个理由",
    assumption="假设资源有限，需要优先做 impact 最大的功能",
    question="我们应该先做 A 功能还是 B 功能？"
)

最佳实践

场景 推荐重点
客服对话 Assumption + Tone
创意写作 Style + Context
分析任务 Objective + Assumption
教育内容 Audience + Tone

总结

COSTAR-A 通过增加 Assumption 维度，显著提升了视角相关任务的表现：

核心贡献：

  1. 新增 Assumption 维度明确推理基础
  2. 7 维度结构化框架
  3. 适用于各种模型规模

实际价值：

  • 8-20% 性能提升
  • 对小型模型提升更显著
  • 减少试错成本

评分: 4.0/5.0 ⭐⭐⭐⭐

推荐度: 推荐。实用的提示工程框架。

© 2026 Generative AI Discovery All Rights Reserved.
Theme by hiero