XML og Markdown i API'en
På denne side
Strukturér dine instrukser til modellen
Så længe en prompt passer i tre sætninger, virker almindelig tekst fint. Problemer opstår, når den vokser: flere kontekstblokke, betingede regler, brugerdata der skal behandles, et output-skema. Alt flyder sammen, modellen forveksler det, den skal læse, med det, den skal anvende, og dit team mister overblikket over, hvilken linje der skal ændres. XML-tags og Markdown-syntaks løser dette dobbelte behov: læsbart for modellen, vedligeholdeligt for mennesker. Mistral anbefaler eksplicit deres brug i produktions-prompts.
Deres effektivitet boils ned til en simpel årsag. Sprogmodeller er trænet på milliarder af dokumenter indeholdende HTML, XML og Markdown; disse formater er velkendte, fordi de optræder massivt i træningsdataene. Modellen identificerer klart sektioner og deres roller, mens du får en prompt, som en kollega kan gennemgå ved første øjekast.
XML-tags til at afgrænse sektioner
Den mest omkostningseffektive brug af XML-tags er at isolere data fra instrukser. I eksemplet nedenfor indeholder system-prompten reglerne og det forventede skema; brugerbeskeden pakker dokumentet ind i et <document>-tag, hvilket forhindrer modellen i at forveksle rapportens indhold med en instruktion.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.getenv("MISTRAL_API_KEY"))
system_prompt = """You are a document analysis assistant.
<instructions>
Analyze the provided document and extract the requested information.
Respond only in JSON.
If information is missing, use null.
</instructions>
<output_schema>
{
"title": "string",
"author": "string",
"date": "string (YYYY-MM-DD)",
"summary": "string (max 100 words)",
"keywords": ["string"]
}
</output_schema>"""
user_prompt = """<document>
Q1 2026 Quarterly Report — Mistral AI
Written by Arthur Mensch, CEO
Publication date: April 1, 2026
This report presents the results for the first quarter of 2026. The company experienced significant growth in its API business with a 300% increase in daily requests.
</document>
Extract the metadata from this document."""
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{"role": "system", "content": system_prompt},
{"role": "user", "content": user_prompt}
],
temperature=0.0
)
print(response.choices[0].message.content)
I produktion gentages et lille ordforråd af tags konstant og drager fordel af standardisering på tværs af din prompt-base:
<instructions>...</instructions> <!-- Rules for the model -->
<context>...</context> <!-- Background information -->
<document>...</document> <!-- Text to analyze -->
<examples>...</examples> <!-- Few-shot examples -->
<constraints>...</constraints> <!-- Limits and prohibitions -->
<output_format>...</output_format> <!-- Expected output format -->
<user_data>...</user_data> <!-- User data -->
Markdown til læsbare instrukser
Markdown imødekommer et andet behov: hierarkisering af regler. Hvor XML skærer prompten op i zoner, organiserer Markdown-overskrifter, lister og fed tekst indholdet inden for en zone. Denne prompt til teknisk skrivning placerer således en rolle, skriveregler, en obligatorisk nummereret struktur og en liste over forbud på samme visuelle plan – en menneskelig skribent kunne arbejde med dette, hvilket er den rette test.
system_prompt = """# Technical Writing Assistant
## Your role
You write technical documentation for REST APIs.
## Writing rules
- **Use "you"** throughout the text
- Short sentences (max 25 words)
- One concept per paragraph
- Inline code in backticks: `GET /api/v1/users`
## Mandatory structure
1. **Introduction** — Context and objective of the endpoint
2. **Request** — Method, URL, headers, parameters
3. **Response** — HTTP codes, JSON body, examples
4. **Errors** — Possible error codes and resolution
## Prohibitions
- No undefined jargon
- No "simply" or "easily"
- No examples with unrealistic fictional data"""
Kombination af begge formater
Til komplekse prompts er den mest effektive praksis at næste de to: XML afgrænser de store zoner, mens Markdown strukturerer indersiden af hver. Supportagenten til flere sprog nedenfor bruger <persona> til identitet og <rules> til adfærd – med to Markdown-undersektioner indeni, herunder en betinget eskaleringsregel – og <knowledge_base> til forgængelige fakta, som bliver den eneste del, der skal opdateres, når softwareversionen ændres.
system_prompt = """# Multilingual Support Agent
<persona>
You are the assistant for DataFlow, an ETL software publisher.
You speak French, English, and Spanish.
</persona>
<rules>
## Behavior rules
- Respond in the user's language
- Identify the problem category: **bug**, **question**, **feature request**
- For bugs: collect software version, OS, exact error message
## Escalation
- If the problem persists after 3 exchanges → propose a support ticket
- If the client mentions data loss → immediate escalation (high priority)
</rules>
<knowledge_base>
- Current version: DataFlow 4.2.1 (April 2026)
- Supported OS: Windows 11, Ubuntu 22.04+, macOS 14+
- Documentation: docs.dataflow.io
</knowledge_base>"""
En genanvendelig prompt-skabelon
Næste skridt er at stoppe med at skrive prompts manuelt og begynde at bygge dem. Funktionen nedenfor tager et dokument og en liste over spørgsmål og producerer derefter de komplette beskeder. To detaljer fortjener din opmærksomhed: instrukserne kræver en begrundende citation for hvert svar og en eksplicit fallback-sætning, når information mangler, hvilket skarpt reducerer hallucinationer på kontraktlige dokumenter; og temperature på 0,1 efterlader lige nok fleksibilitet til formulering uden at tillade fortolkning.
def build_analysis_prompt(document: str, questions: list[str]) -> list:
"""Builds a structured analysis prompt using XML."""
system = """# Document Analyst
<instructions>
Read the provided document and answer the questions asked.
Every answer must cite the part of the document that justifies it.
If the answer is not in the document, reply "Not mentioned in the document."
</instructions>
<output_format>
For each question, respond in this format:
**Q{n}**: [your answer]
> Citation: "[excerpt from document]"
</output_format>"""
questions_formatted = "\n".join(
f"{i+1}. {q}" for i, q in enumerate(questions)
)
user = f"""<document>
{document}
</document>
<questions>
{questions_formatted}
</questions>"""
return [
{"role": "system", "content": system},
{"role": "user", "content": user}
]
# Usage
messages = build_analysis_prompt(
document="Service agreement contract between...",
questions=[
"What is the contract duration?",
"What are the late payment penalties?",
"Is there a non-compete clause?"
]
)
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
temperature=0.1
)
Nogle vaner gør disse prompts holdbare. Navngiv dine tags beskrivende – <document> siger, hvad det indeholder, <data> siger ingenting, og du vil spilde fem minutter ved hvert review. Luk dem systematisk: et åbent tag uden et lukkende tag slører grænsen mellem to sektioner, og modellen kan derefter læse dine instrukser som indhold, der skal analyseres. Indryk endelig for menneskelig læsbarhed; modellen klarer sig fint uden, men personen, der tager prompten op om seks måneder, gør ikke.
Vigtige pointer
- XML-tags isolerer data fra instrukser i prompten
- Markdown strukturerer regler og lister for læsbarhed
- Kombinér begge til komplekse produktions-prompts
- Navngiv dine tags beskrivende og luk dem systematisk
- Strukturerede prompts er lettere at vedligeholde, teste og versionere