XML και Markdown στο API
Σε αυτήν τη σελίδα
Δομή των οδηγιών σας για το μοντέλο
Όσο ένα prompt χωράει σε τρεις προτάσεις, το απλό κείμενο λειτουργεί άψογα. Τα προβλήματα ξεκινούν όταν μεγαλώνει: πολλαπλά μπλοκ συμφραζομένων, κανόνες υπό συνθήκη, δεδομένα χρήστη προς επεξεργασία, ένα σχήμα εξόδου. Όλα αναμειγνύονται, το μοντέλο μπερδεύει τι πρέπει να διαβάσει με τι πρέπει να εφαρμόσει, και η ομάδα σας χάνει την ιχνηλασιμότητα του ποια γραμμή να τροποποιήσει. Οι ετικέτες XML και η σύνταξη Markdown καλύπτουν αυτή τη διπλή ανάγκη: ευανάγνωστες για το μοντέλο, συντηρήσιμες για τους ανθρώπους. Η Mistral συνιστά ρητά τη χρήση τους στα prompts παραγωγής.
Η αποτελεσματικότητά τους οφείλεται σε έναν απλό λόγο. Τα γλωσσικά μοντέλα εκπαιδεύτηκαν σε δισεκατομμύρια έγγραφα που περιείχαν HTML, XML και Markdown· αυτές οι μορφές τους είναι οικείες επειδή εμφανίζονται μαζικά στα δεδομένα εκπαίδευσης. Το μοντέλο εντοπίζει καθαρά τις ενότητες και τους ρόλους τους, ενώ εσείς αποκτάτε ένα prompt που ένας συνάδελφος μπορεί να ελέγξει με μια ματιά.
Ετικέτες XML για οριοθέτηση ενοτήτων
Η πιο αποδοτική χρήση των ετικετών XML είναι ο διαχωρισμός των δεδομένων από τις οδηγίες. Στο παρακάτω παράδειγμα, το system prompt περιέχει τους κανόνες και το αναμενόμενο σχήμα· το μήνυμα του χρήστη τυλίγει το έγγραφο σε μια ετικέτα <document>, αποτρέποντας το μοντέλο από το να εκλάβει το περιεχόμενο της αναφοράς ως οδηγία.
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)
Στην παραγωγή, ένα μικρό λεξιλόγιο ετικετών επαναλαμβάνεται συνεχώς και ωφελείται από την τυποποίηση σε όλη τη βάση των prompts σας:
<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 για ευανάγνωστες οδηγίες
Το Markdown καλύπτει μια άλλη ανάγκη: την ιεράρχηση των κανόνων. Εκεί που το XML κόβει το prompt σε ζώνες, οι επικεφαλίδες, οι λίστες και το έντονο κείμενο του Markdown οργανώνουν το περιεχόμενο μέσα σε κάθε ζώνη. Αυτό το prompt τεχνικής συγγραφής τοποθετεί έτσι έναν ρόλο, κανόνες συγγραφής, μια υποχρεωτική αριθμημένη δομή και μια λίστα απαγορεύσεων στο ίδιο οπτικό επίπεδο—ένας ανθρώπινος συγγραφέας θα μπορούσε να εργαστεί με αυτό, που αποτελεί και το σωστό τεστ.
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"""
Συνδυασμός και των δύο μορφών
Για σύνθετα prompts, η πιο αποτελεσματική πρακτική είναι η εμφώλευση των δύο: το XML οριοθετεί τις κύριες ζώνες, ενώ το Markdown δομεί το εσωτερικό της καθεμιάς. Ο παρακάτω πράκτορας υποστήριξης πολυγλωσσικής εξυπηρέτησης χρησιμοποιεί το <persona> για την ταυτότητα και το <rules> για τη συμπεριφορά—με δύο υποενότητες Markdown στο εσωτερικό, συμπεριλαμβανομένου ενός κανόνα κλιμάκωσης υπό συνθήκη—και το <knowledge_base> για αλλοιώσιμα γεγονότα, τα οποία γίνονται το μόνο μέρος που χρειάζεται ενημέρωση όταν αλλάζει η έκδοση του λογισμικού.
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>"""
Ένα επαναχρησιμοποιήσιμο πρότυπο prompt
Το επόμενο βήμα είναι να σταματήσετε τη χειροκίνητη συγγραφή prompts και να αρχίσετε να τα κατασκευάζετε. Η παρακάτω συνάρτηση δέχεται ένα έγγραφο και μια λίστα ερωτήσεων, και παράγει τα πλήρη μηνύματα. Δύο λεπτομέρειες αξίζουν την προσοχή σας: οι οδηγίες απαιτούν μια δικαιολογητική παραπομπή για κάθε απάντηση και μια ρητή φράση εναλλακτικής λύσης όταν λείπουν πληροφορίες, γεγονός που μειώνει απότομα τις παραισθήσεις σε συμβατικά έγγραφα· και η temperature στο 0.1 αφήνει ακριβώς αρκετή ευελιξία για τη διατύπωση χωρίς να επιτρέπει ερμηνείες.
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
)
Μερικές συνήθειες καθιστούν αυτά τα prompts ανθεκτικά. Ονομάστε τις ετικέτες σας περιγραφικά—το <document> λέει τι περιέχει, το <data> δεν λέει τίποτα και θα χάσετε πέντε λεπτά σε κάθε αναθεώρηση. Κλείστε τις συστηματικά: μια ανοιχτή ετικέτα χωρίς κλειστή ετικέτα θολώνει το όριο μεταξύ δύο ενοτήτων, και το μοντέλο μπορεί τότε να διαβάσει τις οδηγίες σας ως περιεχόμενο προς ανάλυση. Τέλος, κάντε εσοχές για την ευανάγνωση από τον άνθρωπο· το μοντέλο τα καταφέρνει καλά χωρίς αυτές, αλλά το άτομο που θα αναλάβει το prompt σε έξι μήνες όχι.
Βασικά σημεία
- Οι ετικέτες XML απομονώνουν τα δεδομένα από τις οδηγίες στο prompt
- Το Markdown δομεί κανόνες και λίστες για ευανάγνωση
- Συνδυάστε και τα δύο για σύνθετα prompts παραγωγής
- Ονομάστε τις ετικέτες σας περιγραφικά και κλείστε τις συστηματικά
- Τα δομημένα prompts είναι ευκολότερο να συντηρηθούν, να ελεγχθούν και να εκδοθούν