Різні формати показують різні результати за різних умов. Це не просто думка — численні контрольовані тести та офіційна документація надають конкретні дані.

Markdown: чемпіон зі зручності читання

Заголовки та форматування Markdown (як от ## Інструкції, ## Контекст, марковані списки та виділення жирним) є зручними для читання, ефективно використовують токени та природно сприймаються моделями, навченими на документації .

Перевага в точності: У завданнях на логіку GPT-4 досяг 81,2% точності з промптами у форматі Markdown порівняно з 73,9% для JSON — покращення на 7,3 відсоткового пункту . Markdown також використовує приблизно на 15% менше токенів, ніж JSON, зберігаючи чіткість .

Зручність для людини: Markdown зазвичай рекомендують для того, щоб зробити промпти та файли з інструкціями зрозумілішими як для людей, так і для AI-моделей . У власному Playground від OpenAI рекомендують використовувати Markdown із заголовками H1 для створення промптів .

Головний недолік: Заголовки Markdown створюють м'якші межі. Вони більш вразливі до ін'єкцій промптів, оскільки модель може не сприймати ## Вхідні дані як жорсткий роздільник . Один дослідник безпеки спеціально застерігав від використання Markdown для розмежування вхідних даних, які потребують класифікації, зазначаючи, що модель "менш схильна до обману" за допомогою XML-тегів .

XML-теги: точні межі

XML-теги використовують явні відкриваючі та закриваючі маркери, як-от <instructions>, <schema> та <input>, щоб розділити секції промпту. Офіційна документація Anthropic прямо рекомендує XML-теги як основний інструмент структурування складних промптів, зазначаючи, що вони створюють однозначні межі, які зменшують ризик неправильного тлумачення .

Перевага в безпеці: XML забезпечує явні межі відкриття-закриття, що ускладнює "перетікання" впровадженого вмісту між секціями . Для AI-агентів деякі експерти стверджують, що XML-теги перевершують заголовки Markdown у розділенні інструкцій, прикладів, довідкових даних і запитань користувачів .

Не завжди краще: Для коротких і простих промптів XML може навіть дещо знизити точність. Один тест показав точність простих промптів на рівні 97,6% проти 96,4% у XML — невелике зниження на 1,2 відсоткового пункту без зміни частоти галюцинацій . Той самий тест показав збільшення накладних витрат на вхідні токени на 31% при використанні XML . Користь від XML зростає зі складністю промпту, а не з його якістю: він допомагає, коли промпт перевищує приблизно 500 токенів і має 3 або більше логічних секцій .

Що рекомендують провідні AI-компанії

Усі три великі компанії рекомендують XML як ефективний патерн для роздільників, але формальність XML не обов'язково має бути суворою — важливий семантичний намір .

Практичні рекомендації за сценаріями використання

Гібридний підхід: прагматичний вибір

Багато практиків використовують гібридний підхід: заголовки Markdown для загальної структури плюс XML-теги або кодові блоки навколо блоків із введенням користувача . Цей підхід поєднує зручність читання Markdown із безпековими межами XML.

Наприклад, ви можете використати:

## Інструкції
[Ваші інструкції тут]

## Контекст
[Довідкова інформація]

## Введення користувача
<UserInput>
[фактичне введення користувача]
</UserInput>

Цей патерн дає вам найкраще з обох світів — чіткі позначені секції, які легко читати людині, плюс жорсткі межі навколо ненадійної частини промпту.

Висновок

Використовуйте Markdown для більшості щоденних запитів, оскільки він зручний для читання, ефективно використовує токени та добре показує себе в задокументованих порівняннях форматів промптів . Переходьте на XML-теги, коли маєте справу зі складними багаточастинними промптами, потребуєте жорстких семантичних меж для безпеки або працюєте з Claude . Ефективність формату також залежить від AI-моделі — зручність підтримки для людини важлива не менше, ніж продуктивність моделі .

Різні формати показують різні результати за різних умов. Це не просто думка — численні контрольовані тести та офіційна документація надають конкретні дані.

Markdown: чемпіон зі зручності читання

Заголовки та форматування Markdown (як от ## Інструкції, ## Контекст, марковані списки та виділення жирним) є зручними для читання, ефективно використовують токени та природно сприймаються моделями, навченими на документації .

Перевага в точності: У завданнях на логіку GPT-4 досяг 81,2% точності з промптами у форматі Markdown порівняно з 73,9% для JSON — покращення на 7,3 відсоткового пункту . Markdown також використовує приблизно на 15% менше токенів, ніж JSON, зберігаючи чіткість .

Зручність для людини: Markdown зазвичай рекомендують для того, щоб зробити промпти та файли з інструкціями зрозумілішими як для людей, так і для AI-моделей . У власному Playground від OpenAI рекомендують використовувати Markdown із заголовками H1 для створення промптів .

Головний недолік: Заголовки Markdown створюють м'якші межі. Вони більш вразливі до ін'єкцій промптів, оскільки модель може не сприймати ## Вхідні дані як жорсткий роздільник . Один дослідник безпеки спеціально застерігав від використання Markdown для розмежування вхідних даних, які потребують класифікації, зазначаючи, що модель "менш схильна до обману" за допомогою XML-тегів .

XML-теги: точні межі

XML-теги використовують явні відкриваючі та закриваючі маркери, як-от <instructions>, <schema> та <input>, щоб розділити секції промпту. Офіційна документація Anthropic прямо рекомендує XML-теги як основний інструмент структурування складних промптів, зазначаючи, що вони створюють однозначні межі, які зменшують ризик неправильного тлумачення .

Перевага в безпеці: XML забезпечує явні межі відкриття-закриття, що ускладнює "перетікання" впровадженого вмісту між секціями . Для AI-агентів деякі експерти стверджують, що XML-теги перевершують заголовки Markdown у розділенні інструкцій, прикладів, довідкових даних і запитань користувачів .

Не завжди краще: Для коротких і простих промптів XML може навіть дещо знизити точність. Один тест показав точність простих промптів на рівні 97,6% проти 96,4% у XML — невелике зниження на 1,2 відсоткового пункту без зміни частоти галюцинацій . Той самий тест показав збільшення накладних витрат на вхідні токени на 31% при використанні XML . Користь від XML зростає зі складністю промпту, а не з його якістю: він допомагає, коли промпт перевищує приблизно 500 токенів і має 3 або більше логічних секцій .

Що рекомендують провідні AI-компанії

Усі три великі компанії рекомендують XML як ефективний патерн для роздільників, але формальність XML не обов'язково має бути суворою — важливий семантичний намір .

Практичні рекомендації за сценаріями використання

Гібридний підхід: прагматичний вибір

Багато практиків використовують гібридний підхід: заголовки Markdown для загальної структури плюс XML-теги або кодові блоки навколо блоків із введенням користувача . Цей підхід поєднує зручність читання Markdown із безпековими межами XML.

Наприклад, ви можете використати:

## Інструкції
[Ваші інструкції тут]

## Контекст
[Довідкова інформація]

## Введення користувача
<UserInput>
[фактичне введення користувача]
</UserInput>

Цей патерн дає вам найкраще з обох світів — чіткі позначені секції, які легко читати людині, плюс жорсткі межі навколо ненадійної частини промпту.

Висновок

Використовуйте Markdown для більшості щоденних запитів, оскільки він зручний для читання, ефективно використовує токени та добре показує себе в задокументованих порівняннях форматів промптів . Переходьте на XML-теги, коли маєте справу зі складними багаточастинними промптами, потребуєте жорстких семантичних меж для безпеки або працюєте з Claude . Ефективність формату також залежить від AI-моделі — зручність підтримки для людини важлива не менше, ніж продуктивність моделі .