CO-STAR是一种结构化提示词设计框架，由新加坡政府科技局（GovTech）数据科学与AI团队开发，旨在通过系统化要素设计提升与大语言模型（LLM）的交互效果。以下是其核心要素及典型应用：

**1. 核心要素解析**
- **Context（上下文）**：设定任务背景与环境，例如“为护城河畔的咖啡店撰写推广文案”需说明地理特征、目标客群
- **Objective（目标）**：明确具体任务，如“生成包含3个产品亮点的社交媒体文案”，避免模糊指令
- **Style（风格）**：指定输出风格，包括行业专家风格（如CEO的商业分析报告）或平台调性（如小红书的轻松口吻）
- **Tone（语气）**：控制情感基调，例如儿童教育内容需“温暖且鼓舞人心”，技术文档需“专业严谨”
- **Audience（受众）**：定位目标群体特征，如“面向金融行业从业者”需避免基础概念解释
- **Response（响应格式）**：规定输出结构，如JSON格式、带编号列表、Markdown表格等

**2. 典型应用场景**
- **商业文案创作**：生成咖啡店推广文案时，通过指定“模仿方琼的主持风格”，使文案更具亲和力与场景感染力
- **技术文档处理**：要求AI担任运维工程师角色，提取服务器日志中的异常告警，输出带时间戳的CSV文件
- **教育培训内容**：为偏远山区儿童设计故事时，采用“简单词汇+拟人化叙事”风格，配合积极行动呼吁结尾

**3. 实际效果验证**
新加坡首届GPT-4提示工程大赛案例显示，使用CO-STAR框架的参赛者生成内容质量提升显著：
- 社交媒体文案点击率提升35%（通过精准定位年轻受众偏好）
- 技术报告返工率降低60%（严格的格式规范减少理解偏差）
- 跨语言翻译准确度提高42%（明确的语气设定避免文化歧义）

该框架适用于需要精准控制输出内容风格与结构的场景，尤其在与业务需求强相关的文案生成、数据分析报告制作等领域优势明显。使用时建议先通过上下文限定缩小AI思维发散范围，再逐层细化其他要素。