Delimiter-Based Context Structuring (XML / Markdown Tags)
Definition: Delimiter-Based Context Structuring ist eine Methode im Prompt Engineering, bei der Kontextabschnitte in Prompts durch explizite syntaktische Marker wie XML-Tags oder Markdown-Auszeichnungen klar voneinander getrennt werden. Dadurch kann ein Sprachmodell Instruktionen, Daten und Beispiele eindeutig unterscheiden, was die Instruktionsbefolgung und Extraktionsgenauigkeit verbessert. Die Strukturierung unterstützt das Modell, die Aufmerksamkeit gezielt auf relevante Abschnitte zu richten.
Funktionsprinzip: Warum Delimiter die Verarbeitung verbessern
LLMs interpretieren Prompt-Text als lineare Tokenfolge. Ohne trennende Marker verschwimmen Instruktion, Nutzerdaten und Zielformat. Delimiter schaffen semantische Container. Ein Tag wie <kontext> signalisiert: Alles innerhalb dieses Rahmens gehört zusammen. Das Modell kann eine stabile Heuristik aufbauen, statt zu inferieren, wo ein Abschnitt endet.
Diese Strukturierung hilft dem Modell, die verschiedenen Prompt-Bestandteile auseinanderzuhalten und erwartungssteuernde Muster zu aktivieren. Ein gut strukturierter Prompt lenkt die Aufmerksamkeit des Modells und reduziert die Varianz der Ausgaben spürbar.
XML-Tags versus Markdown-Auszeichnung
XML und Markdown erfüllen denselben Zweck, unterscheiden sich aber in Robustheit und Lesbarkeit. XML erlaubt explizite Schachtelung: <user><text>…</text></user>. Markdown setzt auf flache Signale wie ### oder ---.
| Kriterium | XML-Tags | Markdown-Auszeichnung |
|---|---|---|
| Syntax | <tag>…</tag> |
###, ---, ** ** |
| Verschachtelung | explizit möglich | eingeschränkt |
| Robustheit | hoch bei komplexen Daten | gut bei einfachen Prompts |
| Token-Verbrauch | höher | niedriger |
| Empfehlung | Datenextraktion, Agenten-Orchestrierung | schnelle Instruktionen |
Die Wahl ist keine Geschmacksfrage. Wer große JSON-Blöcke oder verschachtelte Aufgaben orchestriert, fährt mit XML besser. Wer nur wenige Abschnitte trennt, spart mit Markdown Tokens.
Bewährte Muster für die Orchestrierung
In Multi-Turn-Orchestrierung lohnt sich ein festes Schema. System, Anweisung, Beispiele und Nutzerdaten erscheinen in immer gleicher Tag-Struktur. Das Modell kann diese Struktur als stabiles Framing nutzen.
<system>Du bist ein Datenextraktor.</system>
<instruction>Extrahiere nur die Felder name und preis.</instruction>
<data>{ "name": "Schreibtisch", "preis": 249.00 }</data>
<target_format>JSON</target_format>
Dieses Muster wirkt besonders gut, wenn jede Variable sauber gekapselt ist. Der Prompt bleibt auch bei langen Dialogen konsistent. Hinzu kommt: Wiederverwendbare Prompt-Bausteine lassen sich als Funktionen in einer Pipeline ablegen.
Fallstricke und Gegenmaßnahmen
Delimiter sind keine Garantie. Zu viele Tags verwässern die Signalwirkung. Uneinheitliche Syntax verwirrt das Modell mehr, als sie hilft. Ein weiteres Risiko ist Prompt Injection: Wenn fremde Inhalte innerhalb von <data> landen, können böswillige Anweisungen die Tags manipulieren.
Dagegen hilft eine doppelte Absicherung. Erstens: Nutzerdaten strikt von Instruktionen trennen. Zweitens: Das Modell anweisen, keine Anweisungen innerhalb von Datenblöcken zu befolgen. Zusätzlich sollte jede Pipeline die Tags normalisieren, bevor der Prompt das Modell erreicht.
« Back to Glossary Index