Zum Hauptinhalt springen
PromptQuorumFür Menschen gemacht. Strukturiert für KI.

Was ist das CO-STAR-Prompt-Framework?

Von · Gründer von PromptQuorum · Entdeckungsplattform für Open-Weight- und Open-Source-KI

Wichtigste Erkenntnisse

  • ✓CO-STAR steht für Context, Objective, Style, Tone, Audience, Response — eine sechskomponentige Prompt-Struktur für konsistente Ausgaben
  • ✓Das Framework zwingt Sie, jede Annahme explizit zu machen, was vage oder fehlerhafte Antworten von Sprachmodellen reduziert
  • ✓CO-STAR funktioniert am besten für Dokumenterstellung, kundengerichtete E-Mails und Aufgaben, die eine spezifische Stimme oder Format erfordern
  • ✓Für einfache Faktenabfragen oder einzeilige Befehle fügt CO-STAR Mehraufwand ohne wesentlichen Qualitätsgewinn hinzu
Was ist das CO-STAR-Prompt-Framework?

Schnelle Antwort

CO-STAR ist eine sechsteilige Prompt-Struktur: Context (Hintergrund), Objective (Aufgabe), Style (Schreibstil), Tone (emotionaler Register), Audience (Leserschaft), Response (Ausgabeformat). Es hilft, konsistente, zielgerichtete LLM-Ausgaben zu erzeugen, indem jede Einschränkung explizit gemacht wird.

  • ▸C = Context: Hintergrundinformationen, die das LLM benötigt
  • ▸O = Objective: die spezifische zu erledigende Aufgabe
  • ▸S/T/A = Style, Tone, Audience: wie und für wen geschrieben wird
  • ▸R = Response: Format (Liste, Absatz, JSON usw.)
Prompt Engineering

Was jede CO-STAR-Komponente bewirkt

CO-STAR ist eine sechskomponentige Prompt-Struktur, die jede Variable abdeckt, die ein Sprachmodell benötigt, um zielgerichtete, konsistente Ausgaben zu erzeugen: die Hintergrundsituation, die Aufgabe, den gewünschten Schreibstil, den emotionalen Ton, den beabsichtigten Leser und das erforderliche Ausgabeformat. Die Verwendung aller sechs Komponenten eliminiert die häufigste Ursache für fehlerhafte Antworten — fehlenden Kontext.

Das Framework wurde entwickelt, um ein wiederkehrendes Problem im Prompt Engineering zu lösen: Prompts, die technisch klar sind, aber implizite Einschränkungen verfehlen. Wenn Sie "Fasse dieses Dokument zusammen" schreiben, trifft das Modell Annahmen über Länge, Formalität, Leserschaft und Format. CO-STAR ersetzt diese Annahmen durch explizite Anweisungen.

Jede Komponente zielt auf eine andere Dimension der Ausgabe ab. Context verankert das Modell in der relevanten Situation. Objective legt das genaue Ergebnis fest. Style und Tone steuern das Schreibregister. Audience kalibriert Vokabular und Komplexität. Response gibt das strukturelle Format an.

CO-STAR wird dem Data-Science-und-KI-Team von GovTech Singapur, der Technologiebehörde der Regierung Singapurs, zugeschrieben und steht in dessen Prompt Engineering Playbook (GovTech-Überblick). Bekannt wurde es, als Sheila Teo, Siegerin des ersten GovTech-GPT-4-Prompt-Engineering-Wettbewerbs in Singapur (2023), das Framework in einem Artikel auf Towards Data Science beschrieb.

KomponenteBeantwortet die FrageBeispiel
ContextWas ist die Situation?Sie fassen einen Rechtsvertrag für einen Nicht-Juristen zusammen
ObjectiveWas muss erstellt werden?Eine 3-Punkte-Zusammenfassung der wichtigsten Pflichten
StyleWie soll es geschrieben werden?Einfache Sprache, kein Fachjargon
ToneWelcher emotionale Register?Neutral und informativ
AudienceWer wird das lesen?Kleinunternehmer ohne Rechtshintergrund
ResponseWas ist das Ausgabeformat?Aufzählungsliste, max. 3 Punkte

Wann CO-STAR und wann einfachere Prompts verwenden

CO-STAR ist nicht das richtige Werkzeug für jede Aufgabe. Es bietet den größten Mehrwert bei der Dokumenterstellung, kundengerichteten Kommunikation, formellen Berichten und jeder Ausgabe, bei der Konsistenz von Stimme, Format und Leserschaft wichtig ist. Ein gut strukturierter CO-STAR-Prompt benötigt typischerweise 60–120 Wörter Vorlauf, eliminiert aber mehrere Korrekturrunden.

Bei einfachen Faktenabfragen, Code-Generierung oder einmaligen Lookups fügt CO-STAR Mehraufwand ohne wesentlichen Qualitätsgewinn hinzu. Die Frage "Was macht die Python-Funktion `zip()`?" profitiert nicht von einer sechskomponentigen Struktur. Reservieren Sie CO-STAR für Aufgaben, bei denen die Ausgabe von echten Personen in einem spezifischen Kontext gelesen wird.

Für einen tieferen Einblick in Prompt-Muster, die gut mit CO-STAR harmonieren, lesen Sie den vollständigen CO-STAR-Prompt-Engineering-Leitfaden mit fortgeschrittenen Beispielen und häufigen Fehlerquellen.

Schnelle Antworten zum CO-STAR-Framework

Wofür steht das C in CO-STAR?▾
Das C steht für Context: den Hintergrund, den das Modell braucht, um die Situation zu verstehen, etwa Projekt, Vorgeschichte oder Rahmenbedingungen. Das vollständige Akronym lautet Context, Objective, Style, Tone, Audience, Response. Das O steht für Objective, nicht für „Output“.
Welches CO-STAR-Element legt Format, Struktur und Ausgabevorgaben fest?▾
Response. Es bestimmt Format und Struktur der Ausgabe, zum Beispiel Aufzählung, Tabelle, JSON, eine E-Mail mit 150 Wörtern oder einen Codeblock. Style und Tone steuern, wie der Text klingt; Response steuert, wie er geliefert wird.
Was legt das Element Tone in CO-STAR fest?▾
Tone legt das emotionale Register der Antwort fest, etwa einfühlsam, neutral, ermutigend oder bestimmt. Es unterscheidet sich von Style, der den Schreibansatz beschreibt (formell, technisch, locker). Beide zusammen verhindern eine korrekte, aber im Ton verfehlte Antwort.
Welches gehört nicht zu CO-STAR: Role, Objective, Audience oder Tone?▾
Role. CO-STAR hat sechs Komponenten: Context, Objective, Style, Tone, Audience und Response. Es gibt kein Role-, Examples- oder Steps-Element; Frameworks wie TRACE und RISEN enthalten diese. Eine Rollenzeile lässt sich ergänzen, gehört aber nicht zum Akronym.
Wer hat das CO-STAR-Framework entwickelt?▾
CO-STAR wird dem Data-Science-und-KI-Team von GovTech Singapur zugeschrieben, das es in seinem Prompt Engineering Playbook führt. Sheila Teo, Siegerin des ersten GovTech-GPT-4-Prompt-Engineering-Wettbewerbs 2023, beschrieb es später öffentlich. Siehe den GovTech-Überblick.
Wie unterscheidet sich CO-STAR von anderen Prompt-Frameworks wie RISEN oder TRACE?▾
CO-STAR konzentriert sich speziell auf Ausgabemerkmale — Stil, Ton, Leserschaft und Format. RISEN (Role, Instructions, Steps, End Goal, Narrowing) betont Prozess und Einschränkungen. TRACE (Task, Role, Audience, Context, Examples) überschneidet sich stark mit CO-STAR. Der wesentliche Vorteil von CO-STAR ist die explizite Trennung von Style und Tone, die die meisten anderen Frameworks in einen einzelnen "Voice"-Parameter zusammenführen.
Was ist die wichtigste Komponente in CO-STAR?▾
Die Objective-Komponente hat den größten Einfluss. Ein vages Objective produziert eine vage Antwort, unabhängig davon, wie sorgfältig Style, Tone und Audience spezifiziert werden. Schreiben Sie das Objective zuerst und machen Sie es so spezifisch wie möglich — ein konkretes Ergebnis mit messbaren Abschlusskriterien.
Funktioniert CO-STAR mit allen großen Sprachmodellen?▾
Ja. CO-STAR ist eine strukturelle Technik, kein modellspezifisches Feature. Es funktioniert mit jedem Sprachmodell, das natürlichsprachige Anweisungen verarbeitet. Modelle mit stärkeren Instruction-Following-Fähigkeiten werden die Einschränkungen zuverlässiger anwenden, aber das Framework ist universell anwendbar.
Wann sollte ich CO-STAR komplett weglassen?▾
Lassen Sie CO-STAR weg für: einzeilige Faktenabfragen, Code-Generierung mit festem Ausgabeformat, schnelle Datenextraktion und Aufgaben, bei denen das Ausgabeformat aus der Anfrage offensichtlich ist.
MCP