![Znaki #, [ ] i tagi XML w promptach do ChatGPT, Claude i Gemini. Co zalecają OpenAI, Anthropic i Google](https://aiport.pl/wp-content/uploads/2026/10/znaki-i-tagi-xml-w-promptach-do-chatgpt-claude-i-gemini-co-zalecaja-openai-anthropic-i-google.webp "Znaki #, [ ] i tagi XML w promptach do ChatGPT, Claude i Gemini. Co zalecają OpenAI, Anthropic i Google")
OpenAI, Anthropic i Google zalecają w oficjalnej dokumentacji, by dzielić prompty na wyraźne sekcje za pomocą nagłówków Markdown (#, ##, ###), list i tagów XML, bo modele lepiej odróżniają wtedy polecenie od kontekstu i danych. Jeszcze większą różnicę robi zamiana ogólnika w rodzaju „popraw to” na polecenie, które określa cel, odbiorcę, zakres i format odpowiedzi, a ta zasada działa tak samo w ChatGPT, Claude i Gemini.
- OpenAI, Anthropic i Google potwierdzają w oficjalnej dokumentacji, że dzielenie promptów na wyraźne sekcje za pomocą nagłówków Markdown (#, ##, ###) lub tagów XML pomaga modelom lepiej odróżnić polecenie od kontekstu i danych, przy czym Anthropic stawia przede wszystkim na tagi XML ze względu na sposób trenowania Claude, a Google wymaga konsekwentnego stosowania jednego wybranego formatu w obrębie całego promptu.
- Zamiana ogólnikowych poleceń (np. „popraw to", „streść to") na wersje określające cel, odbiorcę, zakres i format odpowiedzi skutkuje trafniejszymi odpowiedź modelu, a Google zaleca dodatkowo stosowanie przykładów oczekiwanej odpowiedzi (few-shot prompting), uznając prompty bez przykładów za zwykle mniej skuteczne.
- Tagi XML i separatory Markdown nie stanowią bariery ochronnej: jeśli wklejony tekst zawiera ukryte polecenia (prompt injection), opakowanie go w tagi nie gwarantuje, że model je zignoruje.
Temat wrócił za sprawą infografik krążących w mediach społecznościowych. Jedna wymienia siedem symboli, które mają porządkować prompty do ChatGPT, druga zestawia ogólnikowe polecenia z ich konkretnymi wersjami. Sprawdziłem, ile z tych porad ma pokrycie w dokumentacji producentów modeli.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
OpenAI, Anthropic i Google zalecają dzielenie promptu na wyraźne sekcje
Wszyscy trzej najwięksi dostawcy modeli językowych piszą w dokumentacji to samo: model lepiej wykonuje polecenie, gdy widzi, gdzie kończy się instrukcja, a zaczynają dane, przykłady lub kontekst. Różnią się tylko akcentami.
OpenAI w przewodniku po prompt engineeringu dla API wskazuje dwa narzędzia, Markdown i tagi XML. Według firmy:
„Nagłówki i listy Markdown mogą pomóc oznaczyć odrębne sekcje promptu i przekazać modelowi ich hierarchię.” / „Markdown headers and lists can be helpful to mark distinct sections of a prompt, and to communicate hierarchy to the model.”
Tagi XML służą według OpenAI do wskazania, gdzie zaczyna się i kończy konkretny fragment treści, na przykład dokument referencyjny. Firma proponuje też stały układ instrukcji: tożsamość asystenta, instrukcje, przykłady i kontekst, przy czym kontekst zwykle najlepiej umieścić blisko końca promptu.
Anthropic od dawna stawia przede wszystkim na tagi XML. Dokumentacja Claude tłumaczy to sposobem trenowania modelu:
„Claude szczególnie dobrze zna prompty zawierające tagi XML, ponieważ miał z nimi styczność podczas treningu.” / „Claude is particularly familiar with prompts that have XML tags as Claude was exposed to such prompts during training.”
Anthropic zaznacza przy tym, że nie istnieje zestaw „najlepszych” nazw tagów. Liczy się to, żeby nazwa pasowała do zawartości i była używana konsekwentnie w całym prompcie.
Google w dokumentacji Gemini API dopuszcza oba podejścia, tagi w stylu XML (np. <context>, <task>) albo nagłówki Markdown, ale z jednym zastrzeżeniem:
„Wybierz jeden format i używaj go konsekwentnie w obrębie jednego promptu.” / „Choose one format and use it consistently within a single prompt.”
Przy długim kontekście, czyli dokumentach albo kodzie, Google zaleca podać najpierw cały materiał, a konkretne pytanie lub polecenie umieścić na samym końcu. W przypadku małego modelu Gemini Nano, działającego lokalnie na urządzeniach z Androidem, Google pisze wprost, że separator ## między częściami promptu wyraźnie zmniejsza ryzyko, że model źle zinterpretuje któryś z jego elementów.
Co robią poszczególne symbole w prompcie
Znaki z infografiki pochodzą głównie z Markdownu, prostego języka formatowania tekstu, który modele językowe znają z ogromnej liczby dokumentów, stron i repozytoriów kodu. Ich działanie w prompcie można opisać tak:
| Symbol | Do czego służy w prompcie | Przykład |
|---|---|---|
#, ##, ### |
Nagłówki dzielące prompt na sekcje i pokazujące ich hierarchię | # Zadanie, ## Kontekst, ## Format odpowiedzi |
* lub - |
Lista warunków, ograniczeń lub kroków | * maksymalnie 200 słów |
**tekst** |
Pogrubienie wybranej frazy | **nie zmieniaj liczb** |
[ ] |
Miejsce do uzupełnienia w szablonie promptu | Podaj 5 faktów o [temat] |
| |
Budowa tabel w Markdownie, przydatna przy prośbie o porównanie | | Model | Cena | Kontekst | |
""" lub ### |
Odgrodzenie wklejonego tekstu od polecenia | Streść tekst między """ |
<tag></tag> |
Tagi XML oznaczające początek i koniec danego materiału | <artykul>...</artykul> |
Nawiasy kwadratowe pojawiają się zarówno na infografice, jak i w szablonie promptu z dokumentacji Gemini, gdzie oznaczają miejsca do podmiany przy każdym użyciu, np. [Insert relevant documents...]. To konwencja dla człowieka korzystającego z szablonu. Model nie traktuje nawiasów kwadratowych w żaden szczególny sposób.
Przy pogrubieniu podchodziłbym do obietnic ostrożnie. W dokumentacji OpenAI, Anthropic i Google, którą sprawdziłem, nie znalazłem stwierdzenia, że pogrubiona fraza dostaje u modelu większą wagę niż reszta tekstu. Pogrubienie porządkuje prompt dla czytającego go człowieka, a jego wpływ na odpowiedź modelu nie jest udokumentowany.
Wypełnij formularz, a my skontaktujemy się z Tobą, aby upewnić się czego potrzebujesz.
Ogólnikowe polecenie daje ogólnikową odpowiedź
Druga infografika dotyczy czegoś ważniejszego niż znaki. Zestawia krótkie, ogólne polecenia z wersjami, które dookreślają cel, odbiorcę, zakres i formę. Autor infografiki argumentuje, że „popraw to” albo „streść to” daje odpowiedź przeciętną, bo model musi zgadywać, o co użytkownikowi chodzi. Wybrane przykłady w polskim przekładzie:
| Zamiast | Spróbuj |
|---|---|
| Wyjaśnij to. | Wyjaśnij to początkującemu, z przykładem z życia. |
| Streść to. | Streść to w 3 głównych myślach, 1 wniosku i 1 zalecanym działaniu. |
| Co o tym myślisz? | Przeanalizuj to krytycznie: mocne strony, błędy i możliwe poprawki. |
| Pomóż mi z tym. | Zanim odpowiesz, zadaj mi 3 pytania, żeby poznać więcej kontekstu. |
| Skróć to. | Skróć ten tekst o 50 proc., usuwając wypełniacze i powtórzenia. |
| Popraw to. | Wskaż, co jest źle, i popraw to, zachowując mój styl. |
| Brzmi słabo, popraw. | Daj mi 3 wersje: jasną, przekonującą i bezpośrednią. Powiedz, której użyć i dlaczego. |
| Zrób z tego coś mocnego. | Skrytykuj tę wersję, wskaż 3 słabości i napisz lepszą. |
Wszystkie dobre wersje robią jedną z kilku rzeczy: określają odbiorcę („początkujący”, „moja grupa odbiorców”), narzucają format (liczba punktów, struktura odpowiedzi), wyznaczają kryterium („uszereguj według wpływu”) albo każą modelowi najpierw dopytać. Ta ostatnia technika jest moim zdaniem najbardziej niedoceniana. Model, który zada trzy pytania, często trafi lepiej niż model, któremu użytkownik napisał trzy akapity instrukcji.
Dokumentacja Google potwierdza ten kierunek z innej strony. Zespół Gemini zaleca, by w promptach niemal zawsze umieszczać przykłady oczekiwanej odpowiedzi (tzw. few-shot prompting), bo prompty bez przykładów są według Google zwykle mniej skuteczne. Czasem dobry przykład może nawet zastąpić część instrukcji.
Obie infografiki mają rację w tym, co najważniejsze: model nie czyta w myślach, a każde słowo, które dookreśla cel, zmniejsza pole do zgadywania. Widzę jednak dwie pułapki. Pierwsza to wiara, że same znaki działają jak zaklęcie. Hasztag przed słowem „Zadanie” niczego nie naprawi, jeśli zadanie jest źle opisane. Struktura pomaga dopiero wtedy, gdy prompt ma kilka części: instrukcję, wklejony dokument, przykłady. Przy pytaniu na jedno zdanie nagłówki i tagi to zbędny balast.
Druga pułapka jest subtelniejsza. Polecenia typu „daj mi 7 porad” albo „10 pomysłów” wymuszają liczbę, a model ją dostarczy, nawet jeśli sensownych porad jest cztery. Resztę dopisze, żeby się zgadzało. Dlatego sam częściej proszę o „najważniejsze porady, maksymalnie 7” niż o sztywną liczbę. A „zrób z tego viralowy Reel na 30 sekund” nadal jest prośbą o zgadywanie, tylko lepiej sformatowaną. Pytanie, które warto sobie zadać przed wysłaniem promptu, jest proste: czy człowiek, który dostałby to polecenie, wiedziałby, co ma zrobić?
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Te same zasady działają w ChatGPT, Claude i Gemini
Infografiki mówią o ChatGPT, ale opisane techniki nie są specyficzne dla jednego produktu. OpenAI łączy w przykładach nagłówki Markdown z tagami XML, Anthropic opiera strukturę promptów do Claude na tagach XML, a Google dla Gemini dopuszcza oba warianty pod warunkiem konsekwencji. Prompt podzielony na sekcje <kontekst>, <zadanie> i <format> zostanie dobrze zrozumiany przez każdy z tych modeli.
Różnice dotyczą szczegółów:
- ChatGPT i API OpenAI: dokumentacja proponuje kolejność tożsamość, instrukcje, przykłady, kontekst i zaleca umieszczanie kontekstu bliżej końca.
- Claude: Anthropic zaleca tagi XML, ich konsekwentne nazewnictwo, odwoływanie się do nich w instrukcjach („na podstawie umowy w tagach
<umowa>”) i zagnieżdżanie przy treściach hierarchicznych. - Gemini: Google zaleca jeden format w obrębie promptu, przy długim materiale najpierw kontekst, a pytanie na końcu, poprzedzone przejściem w rodzaju „Na podstawie powyższych informacji…”.
Jedno zastrzeżenie dotyczy bezpieczeństwa. Tagi i separatory pomagają modelowi odróżnić instrukcję od wklejonych danych, ale nie są barierą ochronną. Jeśli wklejony tekst zawiera ukryte polecenia (tzw. prompt injection), samo opakowanie go w tagi nie gwarantuje, że model je zignoruje.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dokumentacji producentów modeli: przewodnika Prompt engineering w dokumentacji OpenAI API, dokumentacji Use XML tags firmy Anthropic oraz przewodnika Prompt design strategies w dokumentacji Gemini API (stan na 17.09.2026). Wykorzystano także wytyczne Google dotyczące promptów dla Gemini Nano. Punktem wyjścia były infografiki o symbolach w promptach i o konkretyzowaniu poleceń, rozpowszechniane w mediach społecznościowych; ich autora nie udało się ustalić.
Cytaty z dokumentacji OpenAI, Anthropic i Google zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji w temacie zaleceń dotyczących pisania promptów dla modeli językowych.
