也许 XML 是人与 LLM 沟通的更好的方式

用 xml 与 LLM 做交互的想法一开始来自 OpenAI 的GPT Best Practices 最近，得到的看到有消息说是 Claude 对用 xml 标记的 prompt 做了优化。 source 看到别人试了后：

研究了下，确实好处多多。

直接看案例

案例１：


x
1
Here is an email: <email>{{EMAIL}}</email>. Make this email more {{ADJECTIVE}}. Write the new version in <{{ADJECTIVE}}_email> XML tags.

案例2:


x
1
帮我完成英文翻译成中文的任务，如果输入为： <Engish>text</English> 则翻译成：<Chinese>文本</Chinese>。

案例3:


x
1
帮我完成英文翻译成中文的任务，如果输入为： <Engish>text</English> 则你需要给我3个不同的中文翻译版本: 
2
<Chinese_version1>文本</Chinese_version1>
3
<Chinese_version2>文本</Chinese_version2>
4
<Chinese_version3>文本</Chinese_version3>

使用 xml 的好处

明确的需求,可扩展性,易于阅读和编写

我们可能在将需求写在 xml 的 tag 上，让 LLM 明确知道我们想要预期结果，避免 LLM 输出的时候偏离主题。不同的需求可以很直观的用不同的tag与之对应。

比如上面的邮件改写：上面的形容词，可以更吸引人（attractive) 也可以是更正式（official），或者更严肃（serious）直接替换对应的内容就行。

结构化的输出结果，更容易从 LLM 的输出提取内容，方便程序化处理

结构化输出的结果，让我们更容易的从输出结果中精确提到到内容，方便程序进行下一步处理：


1
import re
2

3
text = "经基本原则<Chinese>计算机科学家Ryan Williams（左），Rahul Ilango（中）和Shuichi Hirahara最近找到了一种算法，该算法可以比穷尽搜索更快地检查数据集的压缩。</Chinese>"
4

5
pattern = re.compile(r"<Chinese>(.*?)</Chinese>")
6
result = pattern.findall(text)
7

8
print(result)
9
## ['计算机科学家Ryan Williams（左），Rahul Ilango（中）和Shuichi Hirahara最近找到了一种算法，该算法可以比穷尽搜索更快地检查数据集的压缩。']

通过上面的正则就能很方便的提取到之间的内容

为什么不用 json， yaml ... ？

相比起上面的 xml ，json，yaml需要严谨的格式， json， yaml 如果格式有问题，就无法解析，而案例的中的xml 只要结果包含在一个完整xml tag 内，通过简单的正则，就能正确获取到结果。