CO-STAR Structuur

CO-STAR is een ezelsbruggetje dat je helpt effectievere prompts te schrijven. In plaats van korte one-liners te gebruiken en te hopen dat de AI je gedachten kan lezen, helpt dit framework je om systematisch alle belangrijke informatie mee te geven voor betere resultaten.

CO-STAR staat voor:

• Context
• Objective
• -
• Style of Structure
• Tone
• Audience
• Response

Waarom CO-STAR?

Veel AI-gebruikers schrijven korte one-liner prompts en verwachten dat de LLM hun gedachten kan lezen. Dit leidt vaak tot:

• Irrelevante of incomplete antwoorden
• Hallucinaties en onbetrouwbare outputs
• Frustratie omdat het resultaat niet aansluit bij de verwachtingen

CO-STAR biedt een systematische methode om je prompts te structureren, wat zorgt voor:

• Betere nauwkeurigheid: Antwoorden die beter aansluiten bij wat je daadwerkelijk zoekt
• Minder hallucinaties: Door duidelijke context en objectieven worden foutieve outputs significant verminderd
• Kostenbesparingen: Geoptimaliseerde prompts gebruiken minder tokens en vereisen minder iteraties

De zes componenten van CO-STAR

CO-STAR bestaat uit zes essentiële elementen die samen een complete prompt vormen:

C - Context

Geef achtergrondinformatie om de AI te gronden in je specifieke situatie. Context helpt de AI begrijpen in welke omgeving of met welk probleem je werkt, waardoor irrelevante outputs worden verminderd.

Voorbeeld:

"Het Zonneplan CRM is geschreven in PHP met het Laravel framework. Het gebruikt een MySQL database en een mix van Javascript en Typescript voor de frontend code."

O - Objective (Doel)

Specificeer exact wat je wilt bereiken. Een helder doel voorkomt dat de taak afdwaalt of niet aansluit bij je verwachtingen.

Voorbeeld:

"Het doel is om de leesbaarheid van de README.md file te verbeteren en de inhoud up-to-date te maken."

S - Style (of Structure)

Definieer hoe de LLM het doel moet bereiken. Bijvoorbeeld door te brainstormen, kritisch te zijn, analyseren, etcetera. Dit is ook de plek waar je bijvoorbeeld Chain-of-Thought of Tree-of-Thoughts kunt gebruiken.

Voorbeeld:

"Analyseer eerst de structuur van de codebase codebase en identificeer alle functionele groepen (domains). Vervolgens analyseer je de inrichting van het framework en de libraries die gebruikt worden. Van die inrichting en libraries kun je afleiden welke handelingen en commands nuttig zijn voor de ontwikkelaar. Lees vervolgens de README en beoordeel de relevantie en accuraatheid van de inhoud."

T - Tone (Toon)

Stel de emotionele kwaliteit in: formeel, vriendelijk, voorzichtig, enthousiast, professioneel, speels, etc. De toon zorgt ervoor dat de output passend aanvoelt voor de situatie.

Voorbeeld:

"Formeel, praktisch, taakgericht, no fluff (to the point)"

A - Audience (Doelgroep)

Identificeer wie de output gaat gebruiken of lezen. Dit helpt de AI om de juiste woordenschat, complexiteit en voorbeelden te kiezen.

Voorbeeld:

"Software ontwikkelaars die bekend zijn met Laravel en PHP."

R - Response (Gewenst formaat)

Specificeer het gewenste format: paragrafen, bullets, JSON, CSV, markdown tabel, etc. Dit is vooral belangrijk voor systeem integratie of wanneer je output wilt hergebruiken.

Voorbeeld:

"Herschrijf de README.md van het CRM in een meer gebruiksvriendelijke taal en structureer de inhoud in een duidelijke, logische volgorde."

Voor en na voorbeeld

❌ One-liner prompt

Maak de README.md up-to-date op basis van de huidige codebase.

✅ CO-STAR prompt

Je hoeft de headers niet te gebruiken, maar ze zijn wel handig om prompt een vaste structuur te geven.

# Context

Het Zonneplan CRM is geschreven in PHP met het Laravel framework. Het gebruikt een MySQL database en een mix van Javascript en Typescript voor de frontend code.

# Objective

Het doel is om de leesbaarheid van de README.md file te verbeteren en de inhoud up-to-date te maken.

# Style

Analyseer eerst de structuur van de codebase codebase en identificeer alle functionele groepen (domains). Vervolgens analyseer je de inrichting van het framework en de libraries die gebruikt worden. Van die inrichting en libraries kun je afleiden welke handelingen en commands nuttig zijn voor de ontwikkelaar. Lees vervolgens de README en beoordeel de relevantie en accuraatheid van de inhoud.

# Tone

Formeel, praktisch, taakgericht, no fluff (to the point)

# Audience

Software ontwikkelaars die bekend zijn met Laravel en PHP.

# Response

Herschrijf de README.md van het CRM in een meer gebruiksvriendelijke taal en structureer de inhoud in een duidelijke, logische volgorde.

Een minimalistische versie van een CO-STAR prompt die alleen Objective, Style en Response gebruikt:

"Schrijf een commit message voor de wijzigingen in de huidige codebase. Gebruik git om de staged en unstaged changes te bekijken en geef een korte beschrijving van de wijzigingen. De commit message moet volgens Conventional Commits geschreven zijn, in het Engels, en maximaal 50 tekens lang zijn. Geef alleen de commit message terug, geen andere tekst."

Tips voor gebruik

1. Start klein: Je hoeft niet altijd alle zes componenten te gebruiken. Begin met Context, Objective en Response.
2. Itereer: Als het resultaat niet goed is, verfijn dan specifiek de relevante componenten.
3. Maak templates: Voor terugkerende taken kun je CO-STAR templates maken die je steeds hergebruikt.
4. Wees specifiek: Hoe specifieker je bent in elk component, hoe beter het resultaat.

Waarom werkt dit beter?

CO-STAR vervangt giswerk met een gestructureerde methodologie. In plaats van te vertrouwen op trial-and-error aanpassingen, analyseert het framework systematisch het gedrag van het model. Het is model-agnostisch en werkt met verschillende LLMs zoals OpenAI GPT, Claude, Gemini, etc.

Door expliciete instructies te geven over context, doel, doelgroep en formaat, geef je de LLM alle informatie die nodig is om een goed antwoord te genereren - in plaats van te verwachten dat de AI je gedachten kan lezen.