Różne formaty sprawdzają się w różnych warunkach. To nie kwestia opinii — wiele kontrolowanych testów i oficjalna dokumentacja dostarczają konkretnych danych.

Markdown: mistrz czytelności

Nagłówki i formatowanie Markdown (takie jak ## Instrukcje, ## Kontekst, listy punktowane i pogrubienie dla podkreślenia) są czytelne, oszczędne pod względem tokenów i naturalnie rozumiane przez modele trenowane na dokumentacji .

Przewaga w dokładności: W zadaniach wymagających rozumowania GPT-4 osiągnął 81,2% dokładności z promptami ustrukturyzowanymi w Markdown w porównaniu do 73,9% z JSON-em — to poprawa o 7,3 punktu procentowego . Markdown zużywa też około 15% mniej tokenów niż JSON, zachowując jednocześnie przejrzystość .

Przyjazny dla człowieka: Markdown jest powszechnie zalecany do tworzenia promptów i plików instrukcji, które są czytelniejsze zarówno dla ludzi, jak i modeli AI . Sam Playground od OpenAI sugeruje używanie Markdown z nagłówkami H1 do generowania promptów .

Główna wada: Nagłówki Markdown to miękkie granice. Są bardziej podatne na wstrzykiwanie promptów (ang. prompt injection), ponieważ model może nie traktować ## Wejście jako twardego ogranicznika . Jeden z badaczy bezpieczeństwa szczególnie odradzał używanie Markdown do ograniczania wejścia, które ma być klasyfikowane, zauważając, że model jest "mniej podatny na oszukanie" przy użyciu znaczników XML .

Znaczniki XML: precyzyjne granice

Znaczniki XML używają jawnych znaczników otwarcia i zamknięcia, takich jak <instrukcje>, <schemat> i <wejsćie>, do oddzielania sekcji prompta. Oficjalne wytyczne Anthropic wyraźnie zalecają znaczniki XML jako podstawowe narzędzie strukturalne dla złożonych promptów, podkreślając, że tworzą one jednoznaczne granice, które zmniejszają ryzyko błędnej interpretacji .

Przewaga w bezpieczeństwie: XML zapewnia jawne granice otwarcia i zamknięcia, co utrudnia przenikanie wstrzykniętej treści między sekcjami . Dla agentów AI wskazuje się, że znaczniki XML przewyższają nagłówki Markdown w oddzielaniu instrukcji, przykładów, danych referencyjnych i pytań użytkownika .

Nie zawsze lepszy: W przypadku krótkich, prostych promptów XML może nieznacznie obniżyć dokładność. Jeden z testów wykazał dokładność 97,6% dla płaskich promptów w porównaniu do 96,4% dla XML — niewielka kara wynosząca 1,2 punktu procentowego, bez zmiany wskaźnika halucynacji . Ten sam test wykazał 31% wzrost narzutu tokenów wejściowych w przypadku XML . Korzyść z XML rośnie wraz ze złożonością prompta, a nie jego jakością: pomaga, gdy prompt przekracza około 500 tokenów i ma 3 lub więcej sekcji logicznych .

Co zalecają główni dostawcy AI

Wszyscy trzej główni dostawcy zalecają XML jako skuteczny wzorzec ograniczników, ale formalność XML nie musi być ścisła — liczy się intencja semantyczna .

Praktyczne zalecenia według zastosowania

Podejście hybrydowe: pragmatyczny wybór

Wielu praktyków stosuje podejście hybrydowe: nagłówki Markdown dla ogólnej struktury plus znaczniki XML lub bloki kodu wokół bloków wejściowych użytkownika . To podejście łączy czytelność Markdown z granicami bezpieczeństwa XML.

Przykładowo, możesz użyć:

## Instrukcje
[Twoje instrukcje tutaj]

## Kontekst
[Informacje podstawowe]

## Wejście użytkownika
<WejscieUzytkownika>
[rzeczywiste wejście użytkownika]
</WejscieUzytkownika>

Taki wzorzec daje to, co najlepsze z obu światów — wyraźnie oznaczone sekcje, które są łatwe do odczytania dla człowieka, plus twarde granice wokół niezaufanej części prompta.

Podsumowanie

Używaj Markdown w codziennej pracy z promptami, ponieważ jest czytelny, oszczędny pod względem tokenów i dobrze wypada w udokumentowanych porównaniach formatów . Przełącz się na znaczniki XML, gdy masz złożone, wieloczęściowe prompty, potrzebujesz twardych granic semantycznych dla bezpieczeństwa lub pracujesz z Claude . Skuteczność formatu zależy również od modelu AI — ważna jest też łatwość utrzymania po stronie człowieka .

Różne formaty sprawdzają się w różnych warunkach. To nie kwestia opinii — wiele kontrolowanych testów i oficjalna dokumentacja dostarczają konkretnych danych.

Markdown: mistrz czytelności

Nagłówki i formatowanie Markdown (takie jak ## Instrukcje, ## Kontekst, listy punktowane i pogrubienie dla podkreślenia) są czytelne, oszczędne pod względem tokenów i naturalnie rozumiane przez modele trenowane na dokumentacji .

Przewaga w dokładności: W zadaniach wymagających rozumowania GPT-4 osiągnął 81,2% dokładności z promptami ustrukturyzowanymi w Markdown w porównaniu do 73,9% z JSON-em — to poprawa o 7,3 punktu procentowego . Markdown zużywa też około 15% mniej tokenów niż JSON, zachowując jednocześnie przejrzystość .

Przyjazny dla człowieka: Markdown jest powszechnie zalecany do tworzenia promptów i plików instrukcji, które są czytelniejsze zarówno dla ludzi, jak i modeli AI . Sam Playground od OpenAI sugeruje używanie Markdown z nagłówkami H1 do generowania promptów .

Główna wada: Nagłówki Markdown to miękkie granice. Są bardziej podatne na wstrzykiwanie promptów (ang. prompt injection), ponieważ model może nie traktować ## Wejście jako twardego ogranicznika . Jeden z badaczy bezpieczeństwa szczególnie odradzał używanie Markdown do ograniczania wejścia, które ma być klasyfikowane, zauważając, że model jest "mniej podatny na oszukanie" przy użyciu znaczników XML .

Znaczniki XML: precyzyjne granice

Znaczniki XML używają jawnych znaczników otwarcia i zamknięcia, takich jak <instrukcje>, <schemat> i <wejsćie>, do oddzielania sekcji prompta. Oficjalne wytyczne Anthropic wyraźnie zalecają znaczniki XML jako podstawowe narzędzie strukturalne dla złożonych promptów, podkreślając, że tworzą one jednoznaczne granice, które zmniejszają ryzyko błędnej interpretacji .

Przewaga w bezpieczeństwie: XML zapewnia jawne granice otwarcia i zamknięcia, co utrudnia przenikanie wstrzykniętej treści między sekcjami . Dla agentów AI wskazuje się, że znaczniki XML przewyższają nagłówki Markdown w oddzielaniu instrukcji, przykładów, danych referencyjnych i pytań użytkownika .

Nie zawsze lepszy: W przypadku krótkich, prostych promptów XML może nieznacznie obniżyć dokładność. Jeden z testów wykazał dokładność 97,6% dla płaskich promptów w porównaniu do 96,4% dla XML — niewielka kara wynosząca 1,2 punktu procentowego, bez zmiany wskaźnika halucynacji . Ten sam test wykazał 31% wzrost narzutu tokenów wejściowych w przypadku XML . Korzyść z XML rośnie wraz ze złożonością prompta, a nie jego jakością: pomaga, gdy prompt przekracza około 500 tokenów i ma 3 lub więcej sekcji logicznych .

Co zalecają główni dostawcy AI

Wszyscy trzej główni dostawcy zalecają XML jako skuteczny wzorzec ograniczników, ale formalność XML nie musi być ścisła — liczy się intencja semantyczna .

Praktyczne zalecenia według zastosowania

Podejście hybrydowe: pragmatyczny wybór

Wielu praktyków stosuje podejście hybrydowe: nagłówki Markdown dla ogólnej struktury plus znaczniki XML lub bloki kodu wokół bloków wejściowych użytkownika . To podejście łączy czytelność Markdown z granicami bezpieczeństwa XML.

Przykładowo, możesz użyć:

## Instrukcje
[Twoje instrukcje tutaj]

## Kontekst
[Informacje podstawowe]

## Wejście użytkownika
<WejscieUzytkownika>
[rzeczywiste wejście użytkownika]
</WejscieUzytkownika>

Taki wzorzec daje to, co najlepsze z obu światów — wyraźnie oznaczone sekcje, które są łatwe do odczytania dla człowieka, plus twarde granice wokół niezaufanej części prompta.

Podsumowanie

Używaj Markdown w codziennej pracy z promptami, ponieważ jest czytelny, oszczędny pod względem tokenów i dobrze wypada w udokumentowanych porównaniach formatów . Przełącz się na znaczniki XML, gdy masz złożone, wieloczęściowe prompty, potrzebujesz twardych granic semantycznych dla bezpieczeństwa lub pracujesz z Claude . Skuteczność formatu zależy również od modelu AI — ważna jest też łatwość utrzymania po stronie człowieka .