COSTAR

COSTAR — это структурированный метод (фреймворк) для составления запросов (промптов) к большим языковым моделям (LLM), таким как GPT (OpenAI — продукт компании, признанной иноагентом в РФ), Claude, YandexGPT и другим. Акроним COSTAR расшифровывается как Context (Контекст), Objective (Цель), Style (Стиль), Tone (Тон), Audience (Аудитория) и Response (Формат ответа). Метод разработан для повышения точности, релевантности и полезности генерируемого моделью текста, особенно в профессиональных и бизнес-задачах.

История и происхождение

Метод COSTAR был предложен в 2023 году в контексте быстрого развития генеративных нейросетей и роста популярности инженерии промптов (prompt engineering). Точное авторство установить сложно, однако фреймворк получил широкое распространение в профессиональных сообществах, специализирующихся на взаимодействии с ИИ, в частности, в рамках курсов и публикаций компании DataCamp и других образовательных платформ. COSTAR стал одним из ряда подобных фреймворков (например, RTF, RASCEF), предназначенных для стандартизации и оптимизации общения с LLM.

Структура и компоненты

Каждый элемент акронима COSTAR представляет собой отдельный блок информации, который рекомендуется включать в запрос для достижения наилучшего результата.

Context (Контекст)

Этот блок предоставляет модели фоновую информацию, необходимую для понимания задачи. Контекст может включать:

• Описание текущей ситуации или проблемы.
• Предысторию вопроса.
• Исходные данные, на которые нужно опираться.
• Ограничения или специфические условия.

Пример: «Я работаю в отделе маркетинга компании, производящей спортивное питание. Мы запускаем новую линейку протеиновых батончиков для веганов».

Objective (Цель)

Чёткое определение того, что именно требуется от модели. Цель должна быть конкретной, измеримой и однозначной. Вместо расплывчатых формулировок («напиши текст») следует указывать точную задачу.

Пример: «Составь текст для рассылки по электронной почте нашим постоянным клиентам, который анонсирует запуск новой линейки».

Style (Стиль)

Указание на стиль письма, которому должна следовать модель. Это может быть:

• Деловой или официально-деловой стиль.
• Научный или публицистический стиль.
• Разговорный или дружеский стиль.
• Подражание конкретному автору или жанру (например, «в стиле Эрнеста Хемингуэя» или «в стиле рекламного буклета»).

Пример: «Используй вдохновляющий и энергичный стиль, характерный для фитнес-блогов».

Tone (Тон)

Тон определяет эмоциональную окраску текста. В отличие от стиля, тон более гибок и может меняться в зависимости от аудитории. Примеры тонов:

• Убедительный.
• Официальный.
• Дружелюбный.
• Юмористический.
• Сочувствующий.
• Нейтральный.

Пример: «Тон должен быть дружелюбным, но не панибратским, и побуждающим к действию».

Audience (Аудитория)

Описание целевой аудитории, для которой создаётся текст. Чем точнее модель понимает, кто будет читать результат, тем лучше она сможет адаптировать содержание. Указываются:

• Демографические характеристики (возраст, пол, профессия).
• Уровень знаний в предметной области.
• Интересы и потребности.
• Возможные возражения или сомнения.

Пример: «Аудитория — мужчины и женщины 25–45 лет, активно занимающиеся спортом, интересующиеся здоровым питанием, но скептически настроенные к новым продуктам».

Response (Формат ответа)

Определение структуры и формата, в котором модель должна выдать результат. Это может быть:

• Список (нумерованный или маркированный).
• Таблица.
• Связный текст определённого объёма (например, 500 слов).
• Код на языке программирования.
• JSON или XML.
• Пошаговая инструкция.
• План или тезисы.

Пример: «Предоставь ответ в виде маркированного списка из 5 ключевых преимуществ продукта, а затем — текст письма объёмом не более 200 слов».

Применение

Метод COSTAR универсален и применяется в различных сферах:

• Маркетинг и реклама: создание рекламных текстов, сценариев для видео, постов в социальных сетях, email-рассылок.
• Образование: разработка учебных материалов, планов уроков, контрольных вопросов, объяснение сложных тем.
• Разработка программного обеспечения: генерация кода, написание документации, составление тестовых сценариев.
• Бизнес-аналитика: подготовка отчётов, резюме, анализ данных, формулирование гипотез.
• Юриспруденция: составление проектов договоров, исковых заявлений, правовых заключений (с обязательной последующей проверкой юристом).
• Научная деятельность: написание аннотаций, формулирование исследовательских вопросов, структурирование статей.

Пример использования

Запрос без COSTAR: «Напиши текст о новом телефоне».

Запрос с использованием COSTAR: «Контекст: Мы — российская компания-разработчик смартфонов, выпускаем модель “Гравитон-2024”. Цель: Написать пост для официального сообщества во “ВКонтакте” (социальная сеть, принадлежит компании VK), который анонсирует выход модели. Стиль: Информационно-рекламный, с элементами технического обзора. Тон: Уверенный, но не хвастливый, подчёркивающий инновационность. Аудитория: Технически подкованные пользователи 20–35 лет, интересующиеся новинками в сфере мобильных устройств. Формат ответа: Текст объёмом 150–200 слов, разбитый на 3 абзаца, с использованием эмодзи».

Критика и ограничения

Несмотря на эффективность, метод COSTAR не является универсальным решением для всех задач. Критики отмечают следующие недостатки:

• Избыточность: Для простых запросов (например, «переведи слово “cat” на русский») использование всех шести компонентов излишне и замедляет взаимодействие.
• Требовательность к пользователю: Для составления качественного запроса по COSTAR необходимо хорошо понимать задачу, аудиторию и желаемый результат, что не всегда возможно.
• Отсутствие гарантии: Даже самый детально проработанный запрос не гарантирует идеального результата, так как LLM остаются вероятностными моделями и могут допускать ошибки или «галлюцинировать» (выдавать ложные факты).
• Ограниченная применимость: Метод лучше всего работает для задач генерации текста и плохо подходит для задач, требующих диалога, уточнений или итеративного решения проблемы.

Сравнение с другими фреймворками

COSTAR — не единственный фреймворк для инженерии промптов. Среди аналогов выделяют:

• RTF (Role, Task, Format): Более простой фреймворк, фокусирующийся на роли, задаче и формате.
• RASCEF (Role, Action, Steps, Context, Examples, Format): Расширенная версия, добавляющая пошаговые инструкции и примеры.
• CREATE (Context, Role, Example, Action, Target, Evaluation): Фреймворк, включающий в себя критерии оценки результата.

Выбор конкретного фреймворка зависит от сложности задачи и предпочтений пользователя. COSTAR считается одним из наиболее сбалансированных вариантов, сочетающим достаточную детализацию с относительной простотой запоминания.

Источники

• DataCamp. «Prompt Engineering: A Guide to COSTAR Framework».
• OpenAI. «Best practices for prompt engineering with the OpenAI API».
• Статьи и публикации в блогах, посвящённых искусственному интеллекту и инженерии промптов (Medium, Habr, Towards Data Science).
• Материалы курсов по взаимодействию с LLM (Coursera, Udemy).