LLM提示词的简单技巧：STAR
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：
提问：
1 | 介绍一下下面的概念： |
回答：
这些概念主要来自逻辑学，尤其是命题逻辑和推理规则。以下是它们的简要介绍：
- 附加律 (Addition)
附加律 是命题逻辑中的一条推理规则，形式为：
- 如果 ( P ) 为真，那么 ( P \lor Q ) 也为真，无论 ( Q ) 是什么命题。
- 即：从 ( P ) 可以推出 ( P \lor Q )。
- 化简律 (Simplification)
化简律 是命题逻辑中的一条推理规则，形式为：
- 如果 ( P \land Q ) 为真，那么 ( P ) 为真，且 ( Q ) 为真。
- 即：从 ( P \land Q ) 可以推出 ( P ) 或 ( Q )。
- 假言推理 (Modus Ponens)
假言推理 是命题逻辑中的一条基本推理规则，形式为：
- 如果 ( P \rightarrow Q ) 为真，且 ( P ) 为真，那么 ( Q ) 为真。
- 即：从 ( P \rightarrow Q ) 和 ( P ) 可以推出 ( Q )。
……这些推理规则在逻辑推理和数学证明中非常有用，帮助我们从已知的命题中推导出新的命题。
使用STAR优化的提问：
回答：
好的，同学们，期末备考紧张吧？别担心，我来给你们“翻译”一下这些离散数学的概念，保证你们笑出声的同时还能记住！
附加律：
这就像你已经有了一包薯片，但你觉得不够，又买了一包。逻辑上就是：如果你知道A是真的，那A∨B（A或B）也肯定是真的。反正A已经在了，B来不来都无所谓，薯片已经到手了！化简律：
这就像你买了一堆东西，结果发现只用了其中一样。逻辑上就是：如果A∧B（A和B）是真的，那A肯定是真的。别管B了，A已经够用了！假言推理：
这就像“如果今天下雨，我就带伞”。结果今天真的下雨了，那你肯定带伞了。逻辑上就是：如果A→B（A推出B），且A是真的，那B也是真的。别淋雨了，带伞吧！……
怎么样？是不是感觉这些概念没那么可怕了？记住，逻辑就像生活，有时候选择多了反而简单！加油备考，你们一定能行的！
使用Deepseek官网的默认模型对话进行测试，效果差异非常明显。
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。