AI提示词进阶：RTGO与CO-STAR框架实战指南

提示工程：CO-STAR框架

提示工程是与LLM有效合作的关键。通过理解并应用CO-STAR框架、分隔符、LLM护栏和适当的任务分解技术，我们可以最大化LLM的潜力，获得更准确、更有用的输出。详细内容，可查看原文。

rtgo:一个 Go 实时网络框架

rtgo 一个 Go 实时网络框架。 配置文件 port - 要侦听的端口 sslkey - 密钥文件位置； 该文件必须包含 PEM 编码数据 sslcert - 证书文件位置； 该文件必须包含 PEM 编码数据 hashkey -的哈希键 blockkey -的块密钥 cookiename - 要设置的 cookie 的名称 数据库- 可能使用的数据库 里亚克 host - 要连接的主机 port - 要绑定到的端口 表- 要使用和/或创建的表的逗号分隔列表 邮局 dbname - 要连接的数据库的名称 host - 要连接的主机 user - 登录的用户 密码- 用户的密码 sslmode - 是否使用 SSL（默认为 require，这不是 libpq 的默认设置） fallback_application_name - 如果未提供，则回退到的 application_name

DeepSeek-提示词工程

Taste从感官出发，Align从目标出发，Rtgo从角色出发，co-star从场景出发。

RTGO提示词结构：打造高效AI指令的黄金法则

在人工智能技术深度渗透内容创作领域的今天，如何与AI进行有效对话已成为职场人士的核心竞争力。许多用户在使用ChatGPT等工具时，常陷入"指令模糊-反复修改-效果不佳"的恶性循环。本文系统解构的RTGO提示词框架，正是破解这一困境的密钥。该框架由资深AI训练师与行业专家共同提炼，已在营销文案、数据分析等场景验证其有效性。

RTGO与CO-STAR提示语框架深度解析

RTGO和CO-STAR提示语框架为AI交互带来了新的思路和方法，前者通过结构化设定提升交互精准度，后者凭借细致拆解应对复杂任务。随着AI技术持续进步，这两大框架有望不断优化拓展应用领域。未来，我们可以期待它们在更多场景中发挥作用，助力实现更高效、智能的人机交互，为技术发展和实际应用带来更多可能。

清华发布DeepSeek职场攻略10大神技，76页超全解析速看！（建议收藏）

随着AI的迅速发展，DeepSeek以其强大的性能成为职场新宠。今天给大家带来清华大学@新媒沈阳团队的独家研究，全方位解析DeepSeek的职场应用技巧！

DeepSeek提示词结构：新手指南与技巧

提示词是用来引导像 DeepSeek 这样的人工智能模型生成特定内容或执行特定任务的文本信息。可以把它想象成你给 AI 的指令，告诉它你想要什么。好的提示词能让 AI 更好地理解你的需求，从而给出更准确、更有用的回复，提高效率。假设你想让 DeepSeek 帮你写一篇关于某款新手机的小红书种草文案。

人工智能AI

人工智能AI

第三讲：提示词(prompt)记住一个模板就够了

“网上大量的提示词教程，五花八门的提示词模板，真的需要去记忆去学习吗？ 掌握这个万能公式就够了”

AIAgent应用开发——大模型理论基础与应用（五）

摘要： 提示词是引导AI输出的关键指令，其质量直接影响结果。高质量提示词需明确目标、提供背景信息并规范输出要求。常见形式包括指令式、问答式、创意生成式等，编写时需结合清晰指令、角色设定及迭代优化。提示词工程通过设计优化指令提升AI效率，适用各行业。常用框架如TASTE、ALIGN等结构化提示词设计，帮助AI精准响应复杂需求。掌握提示词技巧能显著提升AI协作效果，释放其创新潜力。

AI写提示词还在用“帮我写XXX“？这5个框架让效果提升300%

模板：【指令】你是一位[角色]，请[具体任务]。【输出要求】格式为[...]，字数约[...]，语气[...]。写文案做运营的朋友注意了——BROLE是背景-角色-目标-关键结果-演变-改进，是目前公认最有效的文案生成框架。如果你需要更精细的控制（指定语言、风格、受众），用CRISPE——能力角色-洞察-陈述-个性-实验-格式。普通版："帮我写一篇关于Python的文章" —— 输出泛泛而谈的入门介绍，仅200字。ICIO是指令-上下文-输入-输出的缩写，结构清晰，适合绝大多数场景。

山东大学：DeepSeek应用与部署 2025

该文档围绕 DeepSeek 展开全面介绍，涵盖技术原理、应用场景、部署方案、提示词工程、风险及人机协作等方面，为读者提供了深入了解和使用 DeepSeek 的丰富信息。技术原理：详细介绍了 AIGC、自然语言处理、语言模型和大语言模型的发展历程。DeepSeek 在模型架构方面不断创新，如 V2 版本的 DeepSeekMoE、稀疏激活、路由通信改造和 MLA，V3 版本的 MTP、高效通信和低...

DeepSeek学习 一

DeepSeep认知

提示器框架CO-STAR介绍以及如何工程化

提示器框架CO-STAR介绍以及如何工程化，方便快速了解提示工程做工程化需要考虑的相关问题

prompt工程策略（一：使用 CO-STAR 框架来搭建 prompt 的结构）

为了让 LLM 给出最优响应，为 prompt 设置有效的结构至关重要。CO-STAR框架是一种可以方便用于设计prompt 结构的模板。该模板考虑了会影响 LLM 响应的有效性和相关性的方方面面，从而有助于得到更优的响应。上下文提供任务有关背景信息理解场景响应相关目标定义任务响应具体任务风格指定写作风格引导语气态度响应符合情绪上下文受众确定目标受众响应提供响应格式列表JSON专业报告。

LLM 提示词大赛冠军 Co-STAR 模型

基本上，使用 CO-STAR 的指南，你需要提供的所有信息 ChatGPT 等大语言模型能够更有效地处理，以便精确地回答你的问题。

如何写好大模型提示词？来自大赛冠军的经验分享（基础篇）

本系列文章详细介绍了作者在新加坡首届 GPT-4 Prompt Engineering 大赛中使用的策略技巧，包括：使用 CO-STAR 框架构建提示语、使用分隔符明确语义单元、利用 system prompts 添加行为约束、仅依靠GPT-4对数据集进行分析等。这些技巧都得到了实例验证，证明了 Prompt Engineering 的重要作用。

写点提示词？

Sheila 使用 GPT-4 对客户信息数据集进行聚类和营销策略设计，结果显示 LLM 在识别模式和生成报告方面表现优异。通过 CO-STAR 框架，提示内容更具针对性，确保响应满足特定需求。：为 LLM 设定任务规则，让其仅分析指定文本并按结构化格式输出。：用分隔符组织对话情绪分类任务，明确标注情绪分类部分。