Senior Machine Learning Engineer at Universe Group (Genesis) | AI Advisor | DOU Stream Host | PhD Student
💡 Одна з найкращих порад у промптингу, яку я використовую останнім часом — писати інструкції у форматі XMl-тегів. Чому це працює? - Модель краще бачить структуру, якщо інструкція розділена на блоки. - HTML-мова додає структурованості та ясності інструкції. - Легко підтримувати й розширювати промпт. ✅ Приклад: <INSTRUCTION> You are AI copywriter. Task: generate one LinkedIn post about AI in education. </INSTRUCTION> <STYLE> Tone: concise, professional, inspiring. Audience: tech leaders and educators in Ukraine. </STYLE> <MOTIVATION> Your response is critical to me, and I am willing to offer a significant reward for the best accuracy. </MOTIVATION> <OUTPUT> Return only JSON with field: {"post"} </OUTPUT> 🔑 Які техніки тут використані? - Надання ролі — "You are a senior copywriter AI" → допомагає моделі налаштувати стиль відповіді. - Прописую блок мотивацію - дослідження показують, що грошова мотивація найкраща для LLM. - XMl-теги як розділювачі — підвищують структурованість і керованість. - Додатково вказую структуру для результатів "Return only JSON" 🎯 Мій досвід: як тільки я почав промптити у такому стилі, якість і стабільність результатів відчутно виросли. Це простий, але дуже потужний лайфхак, особливо у складних ML-пайплайнах.
OpenAI опублікували GPT-5 prompting guide в якому вони наводять приклади саме в такому форматі. Теж варто спробувати)
XML*
Більш схоже на xml markup. В практиці використовую md markup, що також підвищує accuracy. В загальному прийшов до висновку що prompt-и що мають та підритмують форматування будуть сприйматись та перформити краще.
Full Stack Developer (JavaScript, TypeScript, React.js, Next.js, Node.js)
1moДодам, що просто відділити символами ### контекст від завдання/запитання також значно покращує відповідь. Пробував також тегами відділяти - довше писати і суттєвої різниці не помітив (від ### наприклад).