Format yang berbeda menunjukkan performa berbeda dalam kondisi yang berbeda. Ini bukan soal opini—beberapa uji coba terkendali dan dokumentasi resmi menyediakan data konkret.

Markdown: Juara dalam Keterbacaan

Heading dan format Markdown (seperti ## Instruksi, ## Konteks, daftar poin, dan tebal untuk penekanan) mudah dibaca, efisien dalam penggunaan token, dan secara alami dipahami oleh model yang dilatih dengan dokumentasi .

Keunggulan akurasi: Pada tugas penalaran, GPT-4 mencapai akurasi 81,2% dengan prompt terstruktur Markdown dibandingkan 73,9% dengan JSON—peningkatan 7,3 poin persentase . Markdown juga menggunakan sekitar 15% lebih sedikit token daripada JSON sambil tetap menjaga kejelasan .

Ramah manusia: Markdown umum direkomendasikan untuk membuat berkas instruksi dan prompt yang lebih jelas bagi manusia maupun model AI . Playground OpenAI sendiri menyarankan Markdown dengan heading H1 untuk pembuatan prompt .

Kelemahan utama: Heading Markdown adalah batasan yang lebih lunak. Heading ini lebih rentan terhadap prompt injection karena model mungkin tidak memperlakukan ## Input sebagai pembatas keras . Seorang peneliti keamanan secara khusus tidak menyarankan penggunaan Markdown untuk membatasi input yang perlu diklasifikasikan, seraya mencatat bahwa model "lebih kecil kemungkinannya untuk tertipu" oleh tag XML .

Tag ala XML: Batasan Presisi

Tag ala XML menggunakan penanda buka-tutup eksplisit seperti <instruksi>, <skema>, dan <input> untuk memisahkan bagian prompt. Panduan resmi Anthropic secara eksplisit merekomendasikan tag XML sebagai alat struktural utama untuk prompt kompleks, dengan alasan bahwa tag ini menciptakan batasan tak-ambigu yang mengurangi kesalahan interpretasi .

Keunggulan keamanan: XML menyediakan batasan buka-tutup eksplisit, sehingga lebih sulit bagi konten yang disusupkan untuk bocor antarbagian . Untuk agen AI, beberapa panduan berpendapat bahwa tag XML mengungguli header Markdown dalam memisahkan instruksi, contoh, data referensi, dan pertanyaan pengguna .

Tidak selalu lebih baik: Untuk prompt pendek dan sederhana, XML justru bisa sedikit menurunkan akurasi. Satu pengujian menunjukkan prompt datar (flat) memiliki akurasi 97,6% versus XML 96,4%—penalti kecil 1,2 poin persentase tanpa perubahan pada tingkat halusinasi . Pengujian yang sama menunjukkan peningkatan 31% dalam overhead token input dengan XML . Manfaat XML meningkat seiring kompleksitas prompt, bukan kualitas prompt: XML membantu ketika prompt melebihi sekitar 500 token dengan 3 bagian logis atau lebih .

Rekomendasi dari Penyedia AI Besar

Ketiga vendor besar merekomendasikan XML sebagai pola pembatas yang efektif, tetapi formalitas XML tidak harus kaku—yang terpenting adalah maksud semantiknya .

Rekomendasi Praktis Berdasarkan Kasus Penggunaan

Pendekatan Hibrida: Pilihan Pragmatis

Banyak praktisi menggunakan pendekatan hibrida: heading Markdown untuk struktur keseluruhan ditambah tag ala XML atau code fences di sekitar blok input pengguna . Pendekatan ini menggabungkan keterbacaan Markdown dengan batasan keamanan XML.

Contohnya, kamu bisa menggunakan:

## Instruksi
[Instruksi Anda di sini]

## Konteks
[Informasi latar belakang]

## Input Pengguna
<InputPengguna>
[input pengguna yang sebenarnya]
</InputPengguna>

Pola ini memberimu yang terbaik dari kedua dunia—bagian berlabel jelas yang mudah dibaca manusia, plus batasan keras di sekitar bagian prompt yang tidak tepercaya.

Intinya

Gunakan Markdown untuk sebagian besar prompt sehari-hari karena mudah dibaca, efisien token, dan berkinerja baik dalam perbandingan format prompt yang terdokumentasi . Beralihlah ke tag XML ketika kamu memiliki prompt multi-bagian yang kompleks, membutuhkan batasan semantik yang keras untuk keamanan, atau bekerja dengan Claude . Efektivitas format juga bergantung pada model AI—kemudahan pemeliharaan dari sisi manusia sama pentingnya dengan performa model .

Format yang berbeda menunjukkan performa berbeda dalam kondisi yang berbeda. Ini bukan soal opini—beberapa uji coba terkendali dan dokumentasi resmi menyediakan data konkret.

Markdown: Juara dalam Keterbacaan

Heading dan format Markdown (seperti ## Instruksi, ## Konteks, daftar poin, dan tebal untuk penekanan) mudah dibaca, efisien dalam penggunaan token, dan secara alami dipahami oleh model yang dilatih dengan dokumentasi .

Keunggulan akurasi: Pada tugas penalaran, GPT-4 mencapai akurasi 81,2% dengan prompt terstruktur Markdown dibandingkan 73,9% dengan JSON—peningkatan 7,3 poin persentase . Markdown juga menggunakan sekitar 15% lebih sedikit token daripada JSON sambil tetap menjaga kejelasan .

Ramah manusia: Markdown umum direkomendasikan untuk membuat berkas instruksi dan prompt yang lebih jelas bagi manusia maupun model AI . Playground OpenAI sendiri menyarankan Markdown dengan heading H1 untuk pembuatan prompt .

Kelemahan utama: Heading Markdown adalah batasan yang lebih lunak. Heading ini lebih rentan terhadap prompt injection karena model mungkin tidak memperlakukan ## Input sebagai pembatas keras . Seorang peneliti keamanan secara khusus tidak menyarankan penggunaan Markdown untuk membatasi input yang perlu diklasifikasikan, seraya mencatat bahwa model "lebih kecil kemungkinannya untuk tertipu" oleh tag XML .

Tag ala XML: Batasan Presisi

Tag ala XML menggunakan penanda buka-tutup eksplisit seperti <instruksi>, <skema>, dan <input> untuk memisahkan bagian prompt. Panduan resmi Anthropic secara eksplisit merekomendasikan tag XML sebagai alat struktural utama untuk prompt kompleks, dengan alasan bahwa tag ini menciptakan batasan tak-ambigu yang mengurangi kesalahan interpretasi .

Keunggulan keamanan: XML menyediakan batasan buka-tutup eksplisit, sehingga lebih sulit bagi konten yang disusupkan untuk bocor antarbagian . Untuk agen AI, beberapa panduan berpendapat bahwa tag XML mengungguli header Markdown dalam memisahkan instruksi, contoh, data referensi, dan pertanyaan pengguna .

Tidak selalu lebih baik: Untuk prompt pendek dan sederhana, XML justru bisa sedikit menurunkan akurasi. Satu pengujian menunjukkan prompt datar (flat) memiliki akurasi 97,6% versus XML 96,4%—penalti kecil 1,2 poin persentase tanpa perubahan pada tingkat halusinasi . Pengujian yang sama menunjukkan peningkatan 31% dalam overhead token input dengan XML . Manfaat XML meningkat seiring kompleksitas prompt, bukan kualitas prompt: XML membantu ketika prompt melebihi sekitar 500 token dengan 3 bagian logis atau lebih .

Rekomendasi dari Penyedia AI Besar

Ketiga vendor besar merekomendasikan XML sebagai pola pembatas yang efektif, tetapi formalitas XML tidak harus kaku—yang terpenting adalah maksud semantiknya .

Rekomendasi Praktis Berdasarkan Kasus Penggunaan

Pendekatan Hibrida: Pilihan Pragmatis

Banyak praktisi menggunakan pendekatan hibrida: heading Markdown untuk struktur keseluruhan ditambah tag ala XML atau code fences di sekitar blok input pengguna . Pendekatan ini menggabungkan keterbacaan Markdown dengan batasan keamanan XML.

Contohnya, kamu bisa menggunakan:

## Instruksi
[Instruksi Anda di sini]

## Konteks
[Informasi latar belakang]

## Input Pengguna
<InputPengguna>
[input pengguna yang sebenarnya]
</InputPengguna>

Pola ini memberimu yang terbaik dari kedua dunia—bagian berlabel jelas yang mudah dibaca manusia, plus batasan keras di sekitar bagian prompt yang tidak tepercaya.

Intinya

Gunakan Markdown untuk sebagian besar prompt sehari-hari karena mudah dibaca, efisien token, dan berkinerja baik dalam perbandingan format prompt yang terdokumentasi . Beralihlah ke tag XML ketika kamu memiliki prompt multi-bagian yang kompleks, membutuhkan batasan semantik yang keras untuk keamanan, atau bekerja dengan Claude . Efektivitas format juga bergantung pada model AI—kemudahan pemeliharaan dari sisi manusia sama pentingnya dengan performa model .