准确性优势： 在推理任务中，GPT-4 使用 Markdown 结构化提示词的准确率达到 81.2%，而 JSON 只有 73.9%——提升了 7.3 个百分点 。同时，Markdown 比 JSON 节省约 15% 的 token 。

用户友好： Markdown 被广泛推荐用于让提示词和指令文件对人和 AI 模型都更清晰 。OpenAI 的 Playground 也建议使用带有 H1 标题的 Markdown 来生成提示词 。

主要缺点： Markdown 标题是“软边界”，更容易受到提示注入攻击，因为模型可能不会把 ## 输入 当作一个硬性分隔符 。一位安全研究员特别不鼓励用 Markdown 来分隔需要分类的输入内容，指出使用 XML 标签时模型“更不容易上当” 。

XML 式标签：精准的边界

XML 式标签使用显式的开闭标记，如 <指令>、<模式> 和 <输入>，来分隔提示词的不同部分。Anthropic 的官方指南明确推荐将 XML 标签作为复杂提示词的主要结构化工具，指出它们能创建毫无歧义的边界，减少误解 。

安全性优势： XML 提供了显式的开闭边界，使注入内容更难在不同部分之间“渗透” 。对于 AI 智能体，相关指南认为 XML 标签在分隔指令、示例、参考数据和用户问题方面优于 Markdown 标题 。

并非总是更好： 对于简短、简单的提示词，XML 反而可能略微降低准确率。一项测试显示，平铺提示词的准确率为 97.6%，而 XML 为 96.4%——下降了 1.2 个百分点，且幻觉率没有变化 。同一测试还显示，使用 XML 会使输入 token 开销增加 31% 。XML 的好处随着提示词复杂度的提升而体现，而非提示词质量本身：当提示词超过约 500 个 token 并包含 3 个及以上逻辑部分时，XML 才真正发挥作用 。

主要 AI 提供商的推荐一览

三大主流厂商都推荐 XML 作为一种有效的分隔符模式，但 XML 格式不必非常严格——语义意图才是关键 。

按使用场景的实用建议

混合方案：务实之选

许多实践者采用混合方案：用 Markdown 标题提供整体结构，同时在用户输入块周围使用 XML 式标签或代码块 。这种方法结合了 Markdown 的可读性和 XML 的安全边界。

例如，你可以这样写：

## 指令
[在此处写入指令]

## 上下文
[在此处写入背景信息]

## 用户输入
<用户输入>
[实际的用户输入内容]
</用户输入>

这种模式让你两全其美——既有清晰标注、易于人类阅读的段落，又为提示词中不受信任的部分提供了硬性边界。

结论

日常提示词用 Markdown 就好——它可读性强、节省 token，在已有的格式对比测试中表现良好 。当你面对复杂、多部分的提示词，或需要硬性语义边界来保障安全，亦或是正在使用 Claude 时，切换到 XML 标签 。格式的有效性也取决于 AI 模型本身——但人类侧的可维护性，与模型性能同等重要 。

准确性优势： 在推理任务中，GPT-4 使用 Markdown 结构化提示词的准确率达到 81.2%，而 JSON 只有 73.9%——提升了 7.3 个百分点 。同时，Markdown 比 JSON 节省约 15% 的 token 。

用户友好： Markdown 被广泛推荐用于让提示词和指令文件对人和 AI 模型都更清晰 。OpenAI 的 Playground 也建议使用带有 H1 标题的 Markdown 来生成提示词 。

主要缺点： Markdown 标题是“软边界”，更容易受到提示注入攻击，因为模型可能不会把 ## 输入 当作一个硬性分隔符 。一位安全研究员特别不鼓励用 Markdown 来分隔需要分类的输入内容，指出使用 XML 标签时模型“更不容易上当” 。

XML 式标签：精准的边界

XML 式标签使用显式的开闭标记，如 <指令>、<模式> 和 <输入>，来分隔提示词的不同部分。Anthropic 的官方指南明确推荐将 XML 标签作为复杂提示词的主要结构化工具，指出它们能创建毫无歧义的边界，减少误解 。

安全性优势： XML 提供了显式的开闭边界，使注入内容更难在不同部分之间“渗透” 。对于 AI 智能体，相关指南认为 XML 标签在分隔指令、示例、参考数据和用户问题方面优于 Markdown 标题 。

并非总是更好： 对于简短、简单的提示词，XML 反而可能略微降低准确率。一项测试显示，平铺提示词的准确率为 97.6%，而 XML 为 96.4%——下降了 1.2 个百分点，且幻觉率没有变化 。同一测试还显示，使用 XML 会使输入 token 开销增加 31% 。XML 的好处随着提示词复杂度的提升而体现，而非提示词质量本身：当提示词超过约 500 个 token 并包含 3 个及以上逻辑部分时，XML 才真正发挥作用 。

主要 AI 提供商的推荐一览

三大主流厂商都推荐 XML 作为一种有效的分隔符模式，但 XML 格式不必非常严格——语义意图才是关键 。

按使用场景的实用建议

混合方案：务实之选

许多实践者采用混合方案：用 Markdown 标题提供整体结构，同时在用户输入块周围使用 XML 式标签或代码块 。这种方法结合了 Markdown 的可读性和 XML 的安全边界。

例如，你可以这样写：

## 指令
[在此处写入指令]

## 上下文
[在此处写入背景信息]

## 用户输入
<用户输入>
[实际的用户输入内容]
</用户输入>

这种模式让你两全其美——既有清晰标注、易于人类阅读的段落，又为提示词中不受信任的部分提供了硬性边界。

结论

日常提示词用 Markdown 就好——它可读性强、节省 token，在已有的格式对比测试中表现良好 。当你面对复杂、多部分的提示词，或需要硬性语义边界来保障安全，亦或是正在使用 Claude 时，切换到 XML 标签 。格式的有效性也取决于 AI 模型本身——但人类侧的可维护性，与模型性能同等重要 。