Format yang berbeza menunjukkan prestasi berbeza dalam keadaan berbeza. Ini bukan soal pendapat — pelbagai ujian terkawal dan dokumentasi rasmi menyediakan data konkrit.

Markdown: Juara Kebolehbacaan

Tajuk dan pemformatan Markdown (seperti ## Arahan, ## Konteks, senarai bullet, dan teks tebal untuk penekanan) mudah dibaca, cekap token, dan difahami secara semula jadi oleh model yang dilatih dengan dokumentasi .

Kelebihan ketepatan: Dalam tugasan penaakulan, GPT-4 mencapai ketepatan 81.2% dengan prompt berstruktur Markdown berbanding 73.9% dengan JSON — peningkatan 7.3 mata peratusan . Markdown juga menggunakan kira-kira 15% lebih sedikit token daripada JSON sambil mengekalkan kejelasan .

Mesra manusia: Markdown biasanya disyorkan untuk menjadikan prompt dan fail arahan lebih jelas untuk manusia dan model AI . OpenAI sendiri mencadangkan penggunaan Markdown dengan tajuk H1 untuk penjanaan prompt di Playground mereka .

Kelemahan utama: Tajuk Markdown adalah sempadan yang lembut. Ia lebih terdedah kepada serangan suntikan prompt (prompt injection) kerana model mungkin tidak menganggap ## Input sebagai pembatas yang keras . Seorang penyelidik keselamatan secara khusus tidak menggalakkan penggunaan Markdown untuk membatasi input yang perlu diklasifikasikan, sambil menyatakan bahawa model "kurang berkemungkinan untuk ditipu" oleh XML tags .

XML-Style Tags: Sempadan Ketepatan

XML tags menggunakan penanda buka-tutup yang jelas seperti <instructions>, <schema>, dan <input> untuk memisahkan bahagian prompt. Panduan rasmi Anthropic secara eksplisit mengesyorkan XML tags sebagai alat struktur utama untuk prompt kompleks, dengan menyatakan bahawa ia mewujudkan sempadan yang tidak kabur yang mengurangkan salah tafsir .

Kelebihan keselamatan: XML menyediakan sempadan buka-tutup yang jelas, menjadikannya lebih sukar untuk kandungan yang disuntik meleleh antara bahagian . Untuk ejen AI, beberapa panduan berpendapat bahawa XML tags mengatasi tajuk Markdown untuk memisahkan arahan, contoh, data rujukan, dan soalan pengguna .

Tidak selalu lebih baik: Untuk prompt pendek dan ringkas, XML sebenarnya boleh mengurangkan ketepatan sedikit. Satu ujian menunjukkan prompt biasa mencapai ketepatan 97.6% berbanding XML pada 96.4% — penalti kecil 1.2 mata peratusan tanpa perubahan dalam kadar halusinasi . Ujian yang sama menunjukkan peningkatan 31% dalam overhed token input dengan XML . Faedah XML meningkat dengan kerumitan prompt, bukan kualiti prompt: ia membantu apabila prompt melebihi kira-kira 500 token dengan 3 atau lebih bahagian logik .

Apa yang Disyorkan oleh Penyedia AI Utama

Ketiga-tiga vendor utama mengesyorkan XML sebagai corak pembatas yang berkesan, tetapi formaliti XML tidak perlu ketat — niat semantik yang penting .

Cadangan Praktikal Mengikut Kes Penggunaan

Pendekatan Hibrid: Pilihan Pragmatik

Ramai pengamal menggunakan pendekatan hibrid: tajuk Markdown untuk struktur keseluruhan serta XML tags atau kod fences di sekeliling blok input pengguna . Pendekatan ini menggabungkan kebolehbacaan Markdown dengan sempadan keselamatan XML.

Sebagai contoh, anda boleh menggunakan:

## Arahan
[Arahan anda di sini]

## Konteks
[Maklumat latar belakang]

## Input Pengguna
<UserInput>
[input pengguna sebenar]
</UserInput>

Corak ini memberikan anda yang terbaik dari kedua-dua dunia — bahagian berlabel jelas yang mudah dibaca manusia, serta sempadan keras di sekeliling bahagian prompt yang tidak dipercayai.

Kesimpulan

Gunakan Markdown untuk kebanyakan prompt harian kerana ia mudah dibaca, cekap token, dan menunjukkan prestasi baik dalam perbandingan format prompt yang didokumenkan . Tukar kepada XML tags apabila anda mempunyai prompt kompleks berbilang bahagian, memerlukan sempadan semantik keras untuk keselamatan, atau bekerja dengan Claude . Keberkesanan format juga bergantung pada model AI — kebolehselenggaraan di sisi manusia adalah sama penting dengan prestasi model .

Format yang berbeza menunjukkan prestasi berbeza dalam keadaan berbeza. Ini bukan soal pendapat — pelbagai ujian terkawal dan dokumentasi rasmi menyediakan data konkrit.

Markdown: Juara Kebolehbacaan

Tajuk dan pemformatan Markdown (seperti ## Arahan, ## Konteks, senarai bullet, dan teks tebal untuk penekanan) mudah dibaca, cekap token, dan difahami secara semula jadi oleh model yang dilatih dengan dokumentasi .

Kelebihan ketepatan: Dalam tugasan penaakulan, GPT-4 mencapai ketepatan 81.2% dengan prompt berstruktur Markdown berbanding 73.9% dengan JSON — peningkatan 7.3 mata peratusan . Markdown juga menggunakan kira-kira 15% lebih sedikit token daripada JSON sambil mengekalkan kejelasan .

Mesra manusia: Markdown biasanya disyorkan untuk menjadikan prompt dan fail arahan lebih jelas untuk manusia dan model AI . OpenAI sendiri mencadangkan penggunaan Markdown dengan tajuk H1 untuk penjanaan prompt di Playground mereka .

Kelemahan utama: Tajuk Markdown adalah sempadan yang lembut. Ia lebih terdedah kepada serangan suntikan prompt (prompt injection) kerana model mungkin tidak menganggap ## Input sebagai pembatas yang keras . Seorang penyelidik keselamatan secara khusus tidak menggalakkan penggunaan Markdown untuk membatasi input yang perlu diklasifikasikan, sambil menyatakan bahawa model "kurang berkemungkinan untuk ditipu" oleh XML tags .

XML-Style Tags: Sempadan Ketepatan

XML tags menggunakan penanda buka-tutup yang jelas seperti <instructions>, <schema>, dan <input> untuk memisahkan bahagian prompt. Panduan rasmi Anthropic secara eksplisit mengesyorkan XML tags sebagai alat struktur utama untuk prompt kompleks, dengan menyatakan bahawa ia mewujudkan sempadan yang tidak kabur yang mengurangkan salah tafsir .

Kelebihan keselamatan: XML menyediakan sempadan buka-tutup yang jelas, menjadikannya lebih sukar untuk kandungan yang disuntik meleleh antara bahagian . Untuk ejen AI, beberapa panduan berpendapat bahawa XML tags mengatasi tajuk Markdown untuk memisahkan arahan, contoh, data rujukan, dan soalan pengguna .

Tidak selalu lebih baik: Untuk prompt pendek dan ringkas, XML sebenarnya boleh mengurangkan ketepatan sedikit. Satu ujian menunjukkan prompt biasa mencapai ketepatan 97.6% berbanding XML pada 96.4% — penalti kecil 1.2 mata peratusan tanpa perubahan dalam kadar halusinasi . Ujian yang sama menunjukkan peningkatan 31% dalam overhed token input dengan XML . Faedah XML meningkat dengan kerumitan prompt, bukan kualiti prompt: ia membantu apabila prompt melebihi kira-kira 500 token dengan 3 atau lebih bahagian logik .

Apa yang Disyorkan oleh Penyedia AI Utama

Ketiga-tiga vendor utama mengesyorkan XML sebagai corak pembatas yang berkesan, tetapi formaliti XML tidak perlu ketat — niat semantik yang penting .

Cadangan Praktikal Mengikut Kes Penggunaan

Pendekatan Hibrid: Pilihan Pragmatik

Ramai pengamal menggunakan pendekatan hibrid: tajuk Markdown untuk struktur keseluruhan serta XML tags atau kod fences di sekeliling blok input pengguna . Pendekatan ini menggabungkan kebolehbacaan Markdown dengan sempadan keselamatan XML.

Sebagai contoh, anda boleh menggunakan:

## Arahan
[Arahan anda di sini]

## Konteks
[Maklumat latar belakang]

## Input Pengguna
<UserInput>
[input pengguna sebenar]
</UserInput>

Corak ini memberikan anda yang terbaik dari kedua-dua dunia — bahagian berlabel jelas yang mudah dibaca manusia, serta sempadan keras di sekeliling bahagian prompt yang tidak dipercayai.

Kesimpulan

Gunakan Markdown untuk kebanyakan prompt harian kerana ia mudah dibaca, cekap token, dan menunjukkan prestasi baik dalam perbandingan format prompt yang didokumenkan . Tukar kepada XML tags apabila anda mempunyai prompt kompleks berbilang bahagian, memerlukan sempadan semantik keras untuk keselamatan, atau bekerja dengan Claude . Keberkesanan format juga bergantung pada model AI — kebolehselenggaraan di sisi manusia adalah sama penting dengan prestasi model .