Markdown – Značkovací jazyk

Rychlý přehled syntaxe (Cheat Sheet)

Než se ponoříte do detailů, zde je kompaktní přehled všech klíčových Markdown prvků na jednom místě. Můžete se k němu kdykoli vrátit jako k referenční tabulce:

1. Základní syntaxe

Tyto prvky tvoří kostru každého strukturovaného zadání. Pomáhají modelu odlišit, co je instrukce a co je kontext. Kompletní přehled základní syntaxe najdete v oficiální příručce Markdown Guide.

Struktura pomocí nadpisů

Nadpisy definují logické bloky. V promptech se doporučuje využívat druhou a třetí úroveň pro oddělení sekcí jako jsou pravidla, cíle nebo technické specifikace. Modely jsou trénovány na obrovském množství Markdown dokumentace z GitHubu a technických repozitářů, proto hierarchii nadpisů interpretují velmi spolehlivě.

## Definice úkolu
### Hlavní cíle projektu
#### Specifická omezení

Praktický příklad: Struktura promptu v Markdownu

Následující ukázka ukazuje, jak vypadá kompletně strukturovaný prompt využívající nadpisy, seznamy, tučné písmo a bloky kódu dohromady. Právě kombinace těchto prvků dává modelu jasný signál, kde začíná kontext, kde pravidla a kde požadovaný výstup:

## Role
Jsi SEO specialista s 10letou praxí v českém e-commerce prostředí.

## Kontext
Klient provozuje e-shop s vínem na platformě Shoptet. Aktuálně má 120 produktů
a žádné popisky kategorií.

## Úkol
Vytvoř popisky pro 3 hlavní kategorie:
1. Červená vína
2. Bílá vína
3. Růžová vína

## Pravidla
- Každý popisek má **150–200 slov**
- Zahrň **primární klíčové slovo** v prvním odstavci
- Piš v tónu: odborný, ale přístupný
- **Nepoužívej** superlativy ani prázdné fráze
- Každý popisek ukonči výzvou k akci

## Formát výstupu
```markdown
### [Název kategorie]
[Popisek kategorie]
**Klíčové slovo:** [použité klíčové slovo]
```

## Příklad tónu
> "Červená vína z Moravy kombinují lokální terroir s odrůdami,
> které zde mají staletou tradici."

Všimněte si, jak každá sekce plní konkrétní funkci: Role definuje expertise modelu, Kontext dodává nezbytné informace, Úkol říká co má vzniknout, Pravidla stanovují omezení, Formát výstupu ukazuje požadovanou strukturu a Příklad tónu kalibruje styl. Tento vzor lze snadno adaptovat pro libovolný typ úlohy — stačí vyměnit obsah jednotlivých sekcí.

Důraz a seznamy požadavků

Tučné písmo se používá k označení kritických parametrů. Odrážkové seznamy jsou pak nejefektivnějším způsobem, jak AI předat soupis bodů, které nesmí vynechat. Číslované seznamy navíc signalizují modelu pořadí priorit nebo sekvenční postup — což je užitečné zejména při definování prvků promptu v komplexních zadáních.

Důležité: Výstup musí být **věcný** a **bez gramatických chyb**.
 
Klíčové parametry:
- Rozsah: 300 slov
- Formát: Článek
- Jazyk: Čeština

Odkazy a obrázky

Odkazy patří mezi základní stavební prvky Markdownu. Zapisují se hranatými závorkami pro viditelný text a kulatými závorkami pro URL adresu. Obrázky používají totožnou syntaxi, jen s vykřičníkem na začátku. V kontextu promptů se odkazy hodí pro předání referenčních zdrojů modelu a obrázky jsou klíčové při práci s multimodálními modely (GPT-4o, Claude, Gemini), které dokáží analyzovat vizuální obsah.

Odkaz: [Markdown Guide](https://www.markdownguide.org "Tooltip text")
Odkaz bez titulku: [Google](https://www.google.com)

Obrázek: ![Popis obrázku](https://example.com/obrazek.png)
Obrázek jako odkaz: [![Alt text](obrazek.png)](https://example.com)

V promptech můžete pomocí odkazu nasměrovat model na konkrétní zdroj, ze kterého má čerpat informace. U multimodálních modelů lze obrázek vložit přímo do konverzace a v Markdownu pak na něj odkazovat při popisu úkolu.

Inline kód

Zatímco trojité zpětné uvozovky („`) obalují celé bloky dat, jednoduché zpětné uvozovky (`) slouží k označení krátkých výrazů přímo v textu — názvů proměnných, parametrů, příkazů nebo technických termínů. V promptech inline kód jasně signalizuje modelu, že se jedná o technický identifikátor, nikoli běžné slovo:

Nastav parametr `temperature` na hodnotu `0.7` a `max_tokens` na `4096`.

Výstup vlož do proměnné `result` a zavolej funkci `process_data()`.

Inline kód je obzvlášť užitečný v technických promptech, kde potřebujete odlišit názvy funkcí, souborů nebo konfiguračních klíčů od okolního textu s instrukcemi.

Horizontální oddělovače

Horizontální čára se zapisuje třemi nebo více pomlčkami (—), hvězdičkami (***) nebo podtržítky (___) na samostatném řádku. Vytváří vizuální předěl mezi logicky odlišnými částmi. V promptech se hodí zejména pro oddělení kontextu od instrukcí nebo pro separaci více bloků dat v jednom zadání:

## Kontext
Zde je popis situace a vstupní data.

---

## Instrukce
Na základě kontextu výše proveď následující kroky...

---

## Omezení
- Maximální délka: 500 slov
- Jazyk: čeština

Horizontální oddělovače jsou méně silné než bloky kódu (neobalují obsah), ale silnější než prázdný řádek. Použijte je tam, kde potřebujete jasný vizuální předěl, ale ne striktní datové oddělení.

Escapování speciálních znaků

Markdown používá řadu znaků jako formátovací instrukce — hvězdičky pro tučné písmo, mřížky pro nadpisy, svislítka pro tabulky. Pokud potřebujete tyto znaky zobrazit doslova (bez formátovacího efektu), předřaďte jim zpětné lomítko (\). V promptech je to užitečné zejména tehdy, když pracujete s daty obsahujícími speciální znaky nebo když chcete modelu ukázat Markdown syntaxi samotnou:

Cena je 50 \* 2 = 100 Kč (hvězdičky se nezobrazí jako tučné)

Nadpis se zapisuje znakem \# na začátku řádku.

V tabulce se sloupce oddělují znakem \| (svislítko).

Kompletní seznam escapovatelných znaků:
\\ \` \* \_ \{ \} \[ \] \( \) \# \+ \- \. \! \|

Citace a reference

Značka pro citaci je užitečná při vkládání vzorů nebo textů, které má AI zanalyzovat, ale nepoužít jako přímou instrukci. Blockquote blok (uvozený znakem >) vytváří vizuální i logický odstup mezi instrukcí a referenčním materiálem, čímž modelu pomáhá rozlišit „co má udělat“ od „čím se má inspirovat“.

> "Toto je příklad textu, který slouží jako referenční vzor pro tón komunikace."
Vytvořte text v podobném stylu, jako je uvedeno výše.

2. Rozšířená syntaxe

Pokročilé formátování umožňuje pracovat s daty v tabulkové formě nebo sledovat progres úkolů. Rozšířenou syntaxi zavedlo několik implementací Markdownu nad rámec původní dokumentace Johna Grubera — patří sem tabulky, poznámky pod čarou, přeškrtnutý text nebo task listy.

Strukturovaná data v tabulkách

Tabulky jsou ideální pro srovnávací analýzy nebo přehledné výpisy vlastností. Data v tomto formátu lze snadno kopírovat do externích nástrojů. V kontextu promptování se tabulky osvědčují zejména při zadávání strukturovaných vstupních dat, definování rolí a odpovědností nebo při specifikaci formátu výstupu.

Jak vytvořit tabulku v Markdownu

Tabulky se v Markdownu zapisují pomocí svislítek (|) jako oddělovačů sloupců a pomlček (—) pro oddělení záhlaví od dat. Každý řádek tabulky začíná a končí znakem | a jednotlivé buňky jsou od sebe tímto znakem odděleny. Druhý řádek tabulky je povinný — obsahuje oddělovací řádek s minimálně třemi pomlčkami v každém sloupci, který říká parseru, že se jedná o tabulku.

| Sloupec 1     | Sloupec 2     | Sloupec 3   |
| ------------- | ------------- | ----------- |
| Řádek 1, buňka 1 | Řádek 1, buňka 2 | Řádek 1, buňka 3 |
| Řádek 2, buňka 1 | Řádek 2, buňka 2 | Řádek 2, buňka 3 |

Zarovnání textu ve sloupcích se řídí pozicí dvojtečky v oddělovacím řádku. Dvojtečka vlevo zarovná doleva (výchozí), dvojtečka vpravo zarovná doprava a dvojtečky na obou stranách zarovnají na střed:

| Produkt       | Cena (Kč)  | Skladem     |
| :------------ | ---------: | :---------: |
| SEO audit     |     12 000 |     Ano     |
| PPC kampaň    |     25 000 |     Ano     |
| Web redesign  |     85 000 |     Ne      |

V promptech pro AI se tabulky zapisované tímto způsobem osvědčují zejména při předávání strukturovaných vstupních dat — model díky tabulkové syntaxi přesně ví, který údaj patří ke kterému sloupci. Šířky sloupců nemusí být vizuálně zarovnané (mezery jsou jen pro čitelnost), parser si s různě širokými buňkami poradí:

| Parametr | Hodnota | Poznámka |
| --- | --- | --- |
| max_tokens | 4096 | Maximální délka výstupu |
| temperature | 0.7 | Míra kreativity |
| model | gpt-4 | Doporučený model |

Kontrolní seznamy (Task Lists)

Definováním checklistu dáváte AI nástroj, jak potvrdit splnění dílčích kroků komplexního zadání. Task listy jsou obzvláště účinné v kombinaci s technikou promptování na základě šablon, kde slouží jako ověřovací mechanismus pro každý krok pracovního postupu.

- [x] Provedena analýza dat
- [ ] Vygenerován návrh řešení
- [ ] Finální korektura textu

3. Pokročilé techniky a hacky

Následující metody vycházejí z hacků a rozšíření Markdownu, které moderní AI modely plně podporují pro lepší organizaci promptů.

Bloky kódu (Obalování dat)

Trojité zpětné uvozovky jsou nejvýznamnějším prvkem pro oddělení instrukcí od surových dat. Zajišťují, že model nebude text uvnitř bloku považovat za příkazy. Tento princip je úzce spjatý s technikou oddělovačů v promptech, kde bloky kódu fungují jako nejsilnější forma separace obsahu. Bloky kódu navíc podporují jazykovou anotaci, která modelu napoví, jak má s obsahem zacházet:

```python
data = {"klíč": "hodnota", "počet": 42}
```
 
```csv
jméno,věk,město
Jan,32,Praha
Eva,28,Brno
```

Jazyková anotace (python, csv, json, html apod.) za trojitými uvozovkami není povinná, ale pomáhá modelu správně interpretovat formát dat uvnitř bloku.

Skryté poznámky přes HTML komentáře

Pomocí HTML komentářů lze do textu vložit instrukce, které jsou určeny výhradně pro model, ale zůstávají skryté při běžném vykreslení v Markdown editorech.

<!-- AI: Tento blok generuj se zvýšeným důrazem na technické detaily -->
Zde následuje popis specifikace produktu...

Křížové odkazy přes ID nadpisů

U rozsáhlých dokumentů můžete definovat ID nadpisu a v instrukcích se na konkrétní sekci přímo odkazovat, což zvyšuje přesnost modelu. Tato technika je zvláště užitečná v systémových promptech s desítkami pravidel, kde potřebujete model nasměrovat na konkrétní sekci bez opakování celého bloku instrukcí. Podrobný popis tohoto přístupu nabízí dokumentace GitHubu, která specifikuje pravidla generování anchor ID z nadpisů.

## Pravidla výstupu {#pravidla}
 
Při generování závěrečné zprávy zohledni vše z části [#pravidla].

4. Before/After — jak Markdown mění kvalitu výstupu

Nejlepší způsob, jak pochopit hodnotu Markdownu v promptech, je přímé srovnání. Následující příklady ukazují stejné zadání — jednou jako nestrukturovaný text a podruhé s Markdown formátováním. Rozdíl ve kvalitě a přesnosti výstupu AI bývá dramatický.

Příklad 1: Zadání pro produktový popisek

Bez Markdownu (špatně):

Napiš mi popisek produktu pro e-shop s vínem, je to Frankovka 2021 z Velkých Bílovic, suché červené víno, 0,75l, cena 189 Kč, popisek by měl mít tak 80 slov, měl bys zmínit vůni a chuť, tón by měl být odborný ale ne moc formální a nezapomeň na klíčové slovo červené víno Morava

S Markdownem (správně):

## Úkol
Napiš produktový popisek pro e-shop s vínem.

## Data produktu
- **Název:** Frankovka 2021
- **Původ:** Velké Bílovice, Morava
- **Typ:** suché červené víno
- **Objem:** 0,75 l
- **Cena:** 189 Kč

## Požadavky
- Rozsah: **80 slov**
- Zahrň popis **vůně a chuti**
- Primární klíčové slovo: **červené víno Morava** (v prvním odstavci)
- Tón: odborný, ale přístupný

Nestrukturovaný prompt nutí model parsovat jeden dlouhý textový řetězec, kde se snadno ztratí požadavek na klíčové slovo nebo délku textu. Markdown verze jasně odděluje data od instrukcí — model přesně ví, co je vstup a co je požadavek na výstup.

Příklad 2: Systémový prompt pro chatbota

Bez Markdownu (špatně):

Jsi zákaznický asistent e-shopu s oblečením, odpovídej česky a přátelsky, když se někdo ptá na reklamaci tak mu řekni ať vyplní formulář na webu, když se ptá na dopravu tak řekni že doručujeme Zásilkovnou a Českou poštou, doručení trvá 2-3 dny, nad 1500 Kč je doprava zdarma, neprozrazuj interní procesy a vždycky se zeptej jestli můžeš ještě s něčím pomoct

S Markdownem (správně):

## Role
Jsi zákaznický asistent e-shopu s oblečením.

## Tón komunikace
- Přátelský a vstřícný
- Jazyk: čeština
- Vždy ukonči odpověď nabídkou další pomoci

## Pravidla pro odpovědi

### Reklamace
Nasměruj zákazníka na reklamační formulář na webu.

### Doprava
- Zásilkovna, Česká pošta
- Doručení: **2–3 pracovní dny**
- Doprava zdarma nad **1 500 Kč**

## Omezení
- **Neprozrazuj** interní procesy a interní informace

Strukturovaná verze umožňuje modelu okamžitě najít relevantní sekci podle tématu dotazu zákazníka. U nestrukturovaného promptu model prochází celý text lineárně, což zvyšuje riziko, že některý parametr (například práh pro dopravu zdarma) přehlédne nebo zaměňuje kontexty reklamace a dopravy.

5. Markdown vs XML vs JSON — kdy použít co

Při tvorbě promptů stojíte před volbou formátu. Každý má své silné stránky a výzkumy potvrzují, že volba formátu může ovlivnit výkon modelu až o 40 %. Následující srovnání vychází z testů na modelech GPT-4, Claude a Llama 3.1:

Anthropic ve své dokumentaci doporučuje XML tagy pro modely Claude, protože jsou specificky trénovány na rozpoznávání XML struktury. OpenAI tradičně upřednostňuje Markdown, ale u novějších modelů řady „o“ doporučuje kombinaci obou formátů. V praxi přináší nejlepší výsledky hybridní přístup: Markdown pro hlavní strukturu promptu doplněný XML tagy pro kritické sekce, které vyžadují striktní oddělení.

6. Tipy pro konkrétní AI modely

Ačkoli všechny velké jazykové modely rozumí Markdownu, každý má své preference a silné stránky. Znalost těchto nuancí vám pomůže vytěžit z formátování maximum.

ChatGPT (OpenAI)

Modely GPT jsou trénovány primárně na Markdown dokumentaci a nativně v tomto formátu odpovídají. Čistý Markdown funguje jako výchozí volba pro většinu úloh. U modelů řady „o“ (o1, o3) OpenAI doporučuje kombinaci Markdownu s delimitery jako jsou trojité uvozovky nebo XML tagy pro oddělení sekcí. Praktický tip: ChatGPT velmi dobře reaguje na formát výstupu definovaný Markdown šablonou uvnitř bloku kódu.

Claude (Anthropic)

Claude je specificky trénován na rozpoznávání XML tagů, proto nejlepší výsledky přináší hybridní přístup — Markdown pro hlavní strukturu (nadpisy, seznamy, důraz) doplněný XML tagy pro kritické sekce jako vstupní data nebo příklady. Typický vzor vypadá takto:

## Pravidla
- Piš česky
- Maximálně 200 slov

<examples>
<example>
**Vstup:** Popište produkt XY
**Výstup:** Produkt XY je prémiové řešení pro...
</example>
</examples>

## Úkol
Na základě pravidel a příkladů výše napiš popisek produktu.

Claude také exceluje ve zpracování dlouhých systémových promptů s desítkami pravidel — zde se hierarchie Markdown nadpisů projeví nejvýrazněji.

Gemini (Google)

Gemini rozumí Markdownu i XML, ale ve svých odpovědích preferuje Markdown. U složitějších zadání se osvědčuje čistý Markdown bez XML příměsí. Gemini má silnou stránku v práci s tabulkami — tabulková data v Markdown formátu zpracovává velmi přesně. Při práci s multimodálním vstupem (text + obrázek) je užitečné strukturovat textovou část promptu pomocí nadpisů a odrážek, aby model jasně rozlišil instrukce k obrázku od obecných pravidel.

Open-source modely (Llama, Mistral, Qwen)

U menších open-source modelů platí pravidlo „čím jednodušší, tím lepší“. Nadpisy, seznamy a tučné písmo fungují spolehlivě. Složitější prvky jako vnořené tabulky, task listy nebo křížové odkazy mohou u menších modelů (7B–13B parametrů) selhávat. Pro tyto modely se doporučuje zůstat u základní Markdown syntaxe a případně přidat jednoduché XML tagy pro oddělení sekcí.

7. Markdown v systémových promptech a API voláních

Systémové prompty — trvalé instrukce, které definují chování AI asistenta — jsou jedním z nejdůležitějších míst pro nasazení Markdownu. Dobře strukturovaný systémový prompt využívá nadpisy pro logické sekce, seznamy pro pravidla a bloky kódu pro vzorové výstupy. Kdo se chce naučit efektivně stavět prompty od základů, měl by začít osvojením si základů promptování.

## Role
Jsi zkušený copywriter specializující se na B2B marketing.
 
## Pravidla
- Piš česky, formálním tónem
- Každý odstavec max 3 věty
- Nepoužívej klišé a prázdné fráze
 
## Formát výstupu
```markdown
# [Nadpis článku]
## [Podnadpis 1]
[Text odstavce]
## [Podnadpis 2]
[Text odstavce]
```
 
## Příklad tónu komunikace
> "Automatizace marketingu není luxus — je to nutnost pro firmy, které chtějí škálovat bez proporcionálního navyšování týmu."

Při práci s API (například OpenAI nebo Anthropic) se systémový prompt odesílá jako samostatný parametr. Markdown formátování v tomto kontextu šetří tokeny oproti XML a zároveň zajišťuje, že model spolehlivě rozpozná hierarchii instrukcí. U dlouhých systémových promptů s desítkami pravidel se osvědčuje kombinace Markdown nadpisů pro hlavní sekce a odrážkových seznamů pro jednotlivá pravidla.

8. Markdown v multi-turn konverzacích

Většina průvodců se zaměřuje na jednorázové prompty, ale v praxi pracujete s AI v konverzaci — série navazujících zpráv, kde každá staví na předchozí. Markdown formátování je v těchto situacích ještě důležitější, protože pomáhá modelu udržet kontext napříč zprávami.

Strukturování follow-up promptů

Při navazování na předchozí odpověď modelu se osvědčuje explicitně odkazovat na to, co má model zachovat, a jasně oddělit nové instrukce od úprav. Markdown nadpisy a seznamy tento proces výrazně zjednodušují:

## Co zachovat
- Celkovou strukturu článku
- Tón komunikace
- Klíčová slova v nadpisech

## Co změnit
- Zkrať **úvodní odstavec** na 2 věty
- Přidej **statistiku** do sekce o výhodách
- Změň CTA na přímou výzvu: "Vyzkoušejte zdarma"

## Nový požadavek
Přidej na konec sekci **FAQ** s 3 otázkami a odpověďmi.

Iterativní zpřesňování výstupu

U komplexních úloh (dlouhé články, technická dokumentace, kód) je efektivnější pracovat v krocích než se snažit dostat perfektní výstup na první pokus. Markdown pomáhá jasně definovat, v jaké fázi se nacházíte:

## Fáze 1 — Osnova (aktuální)
Vytvoř osnovu článku s nadpisy H2 a H3. U každé sekce napiš 1 větu o obsahu.

---

## Fáze 2 — Rozepsání (další krok)
Na základě schválené osnovy rozepíši jednotlivé sekce.

## Fáze 3 — Revize (poslední krok)
Kontrola konzistence, SEO optimalizace, finální korektura.

Tento přístup dává modelu jasný kontext o celém procesu, i když aktuálně pracujete jen na jedné fázi. Model díky tomu lépe odhadne požadovanou úroveň detailu — v osnově nebude zbytečně rozepisovat odstavce, protože ví, že rozepsání přijde v dalším kroku.

9. Nejčastější chyby při použití Markdownu v promptech

I zkušení uživatelé se dopouštějí chyb, které snižují účinnost jejich promptů. Nejčastější problémy a jejich řešení:

Přeformátování. Když je v promptu každé druhé slovo tučně nebo kurzívou, důraz ztrácí smysl. Model nedokáže rozlišit, co je skutečně důležité. Pravidlo: používejte zvýraznění jako sůl — střídmě a cíleně.

Nekonzistentní hierarchie nadpisů. Přeskakování úrovní (z H2 rovnou na H4) nebo použití H1 pro každou sekci mate model i člověka. Dodržujte logickou hierarchii: H2 pro hlavní sekce, H3 pro podsekce.

Směšování formátů. Kombinace Markdownu, XML a JSON v jednom promptu bez jasného oddělení vytváří šum. Pokud potřebujete více formátů, oddělte je bloky kódu nebo horizontálním oddělovačem (—).

Přílišná složitost. Pětinásobně vnořené seznamy nebo tabulky s deseti sloupci přesahují to, co Markdown elegantně zvládne. Pro hluboce vnořené struktury je lepší přejít na XML nebo rozdělit prompt do více kroků pomocí techniky Chain of Thought.

Chybějící prázdné řádky. Markdown vyžaduje prázdný řádek před nadpisem, seznamem nebo blokem kódu. Bez něj parser prvek nerozpozná a model dostane nestrukturovaný text. Tato chyba je zvlášť zákeřná, protože v editoru může text vypadat správně, ale AI ho přečte jinak.

Neescapované speciální znaky. Pokud pracujete s daty, která obsahují hvězdičky, svislítka nebo mřížky (například matematické vzorce nebo CSV s oddělovačem |), nezapomeňte je escapovat zpětným lomítkem. Jinak je model interpretuje jako formátovací instrukce a výstup bude zkomolený.

10. Často kladené otázky (FAQ)

Funguje Markdown ve všech AI chatech? Ano. ChatGPT, Claude, Gemini, Copilot i open-source modely jako Llama nebo Mistral rozumí Markdown syntaxi. Rozdíly jsou jen v tom, jak pokročilé prvky (task listy, křížové odkazy, vnořené tabulky) každý model zvládá. Základní syntaxe — nadpisy, seznamy, tučné písmo, bloky kódu — funguje všude spolehlivě.

Musím formátovat každý prompt? Ne. Jednoduché otázky typu „Přelož tuto větu do angličtiny“ nepotřebují Markdown. Formátování se vyplatí u promptů, které obsahují více požadavků najednou, definují pravidla, pracují se vstupními daty nebo specifikují konkrétní formát výstupu. Obecně platí: čím složitější zadání, tím větší přínos má strukturovaný formát.

Je Markdown lepší než XML nebo JSON? Záleží na účelu. Pro běžné prompty, dokumentaci a kreativní úlohy je Markdown nejčitelnější a nejtokenově úspornější. Pro komplexní systémové prompty s desítkami pravidel a vnořených sekcí je lepší XML (zejména u Claude). JSON se hodí tam, kde potřebujete strojově zpracovatelný výstup. Nejlepší výsledky přináší hybridní přístup — Markdown pro strukturu doplněný XML pro kritické sekce.

Počítá se Markdown formátování do tokenů? Ano, ale minimálně. Markdown znaky (#, *, -, |) zabírají jen zlomek tokenů ve srovnání s XML tagy (<section>…</section>) nebo JSON syntaxí ({„key“: „value“}). Testy ukazují, že Markdown je tokenově přibližně o 15 % úspornější než XML a výrazně úspornější než JSON. U systémových promptů s tisíci tokeny se tento rozdíl projeví na ceně API volání.

Jak poznám, že formátování promptu funguje? Porovnejte kvalitu výstupů se strukturovaným a nestrukturovaným zadáním. Klíčové ukazatele jsou: dodržení požadované délky, přítomnost všech vyžádaných prvků, správný formát výstupu a konzistence tónu. Pokud model opakovaně ignoruje některý z vašich požadavků, je to signál, že by prospělo lepší formátování — zejména vizuální oddělení požadavku od ostatního textu.

Může příliš mnoho formátování uškodit? Ano — fenomén zvaný přeformátování. Když je v promptu vše tučně, všechny seznamy číslované a každá věta v samostatném bloku kódu, model ztrácí schopnost rozlišit priority. Formátování by mělo sloužit jako vodítko — zvýrazněte jen to, co je skutečně kritické, a zbytek nechte jako běžný text.