Markdown vs. XML für KI-Prompts: Das optimale Format für jeden Anwendungsfall

Genauigkeitsvorteil: Bei Reasoning-Aufgaben erzielte GPT-4 81,2 % Genauigkeit mit Markdown-strukturierten Prompts im Vergleich zu 73,9 % mit JSON – eine Verbesserung um 7,3 Prozentpunkte . Markdown verbraucht zudem etwa 15 % weniger Tokens als JSON bei gleichbleibender Klarheit .

Menschenfreundlich: Markdown wird allgemein empfohlen, um Prompts und Anweisungsdateien sowohl für Menschen als auch für KI-Modelle verständlicher zu machen . OpenAIs eigener Playground schlägt Markdown mit H1-Überschriften für die Prompt-Generierung vor .

Der größte Nachteil: Markdown-Überschriften sind weichere Grenzen. Sie sind anfälliger für Prompt-Injection, da das Modell

## Eingabe

XML-ähnliche Tags: Präzise Grenzen

XML-ähnliche Tags verwenden explizite Öffnungs- und Schließmarkierungen wie <anweisungen>, <schema> und <eingabe>, um Prompt-Abschnitte zu trennen. Die offizielle Anleitung von Anthropic empfiehlt ausdrücklich XML-Tags als primäres Strukturwerkzeug für komplexe Prompts und stellt fest, dass sie eindeutige Grenzen schaffen, die Fehlinterpretationen reduzieren .

Sicherheitsvorteil: XML bietet explizite Öffnungs-/Schließgrenzen, was es für injizierte Inhalte schwieriger macht, zwischen Abschnitten zu wandern . Für KI-Agenten wird argumentiert, dass XML-Tags Markdown-Überschriften bei der Trennung von Anweisungen, Beispielen, Referenzdaten und Benutzerfragen übertreffen .

Nicht immer besser: Bei kurzen, einfachen Prompts kann XML die Genauigkeit sogar leicht verringern. Ein Test zeigte eine Genauigkeit von 97,6 % für flache Prompts gegenüber 96,4 % für XML – ein kleiner Penalty von 1,2 Prozentpunkten bei unveränderter Halluzinationsrate . Derselbe Test zeigte einen Anstieg des Token-Overheads um 31 % bei XML . Der Nutzen von XML skaliert mit der Prompt-Komplexität, nicht mit der Prompt-Qualität: Er hilft, wenn der Prompt etwa 500 Tokens mit 3 oder mehr logischen Abschnitten überschreitet .

Was die großen KI-Anbieter empfehlen

Alle drei großen Anbieter empfehlen XML als effektives Trennzeichen-Muster, aber die Formalität des XML muss nicht streng sein – die semantische Absicht ist entscheidend .

Praktische Empfehlungen nach Anwendungsfall

Ein hybrider Ansatz: Die pragmatische Wahl

Viele Praktiker verwenden einen Hybrid: Markdown-Überschriften für die Gesamtstruktur plus XML-ähnliche Tags oder Code-Blöcke um Benutzereingabeblöcke . Dieser Ansatz kombiniert die Lesbarkeit von Markdown mit den Sicherheitsgrenzen von XML.

Ein Beispiel:

Dieses Muster bietet das Beste aus beiden Welten – klar beschriftete Abschnitte, die für Menschen leicht lesbar sind, plus harte Grenzen um den nicht vertrauenswürdigen Teil des Prompts.

Fazit

Verwende Markdown für die meisten alltäglichen Prompts, da es lesbar, tokeneffizient ist und in dokumentierten Formatvergleichen gut abschneidet . Wechsle zu XML-Tags, wenn du komplexe, mehrteilige Prompts hast, harte semantische Grenzen für die Sicherheit benötigst oder mit Claude arbeitest . Die Effektivität des Formats hängt auch vom KI-Modell ab – die Wartbarkeit auf der menschlichen Seite ist ebenso wichtig wie die Modellleistung .