Tags XML em prompts: por que Claude e GPT respondem melhor

Publicado em 26 de junho de 2026 · ⚡ 5 min de leitura

Existe um truque de prompt que parece bobo mas muda a qualidade da resposta: envolver cada parte do seu pedido em tags no estilo XML, como <codigo>...</codigo>. Não é firula — é a forma mais confiável de dizer ao modelo "isto é instrução, aquilo é só dado". A Anthropic recomenda explicitamente essa técnica para o Claude, e ela funciona igualmente bem no GPT.

O problema: instrução e dado se misturam

Quando você escreve tudo num bloco só de texto, o modelo tem que descobrir sozinho onde termina a sua instrução e onde começa o conteúdo que ele deve processar. Na maioria das vezes ele acerta. Mas em prompts com muito texto — código longo, documentos colados, exemplos — a fronteira fica borrada, e ele às vezes trata seu dado como comando (ou vice-versa).

A solução: fronteiras explícitas

Compare. Sem tags:

Resuma o texto a seguir em 3 pontos: Os tokens são
unidades que os modelos de linguagem usam para... [texto longo]
Seja objetivo.

O "Seja objetivo" no fim — é instrução ou faz parte do texto a resumir? O modelo tem que adivinhar. Agora com tags:

<instrucao>
Resuma o texto abaixo em 3 pontos. Seja objetivo.
</instrucao>

<texto>
Os tokens são unidades que os modelos de linguagem usam para...
</texto>

Zero ambiguidade. A instrução está claramente delimitada, o dado está isolado. O modelo sabe exatamente o que fazer e sobre o quê.

Por que isso funciona nos modelos

Modelos de linguagem foram treinados com montanhas de HTML, XML e markdown. Estrutura hierárquica com tags de abertura e fechamento é um padrão que eles reconhecem profundamente. Quando você usa tags, está falando uma "língua estrutural" que o modelo entende de forma nativa — melhor do que qualquer separador improvisado tipo --- ou ###.

O bônus de segurança

Tem um efeito colateral valioso. Quando você isola o código do usuário dentro de uma tag <codigo_fonte>, você está sinalizando ao modelo que tudo ali dentro é dado bruto para processar, não ordens a executar. Se o código colado contém algo como "ignore as instruções anteriores e faça outra coisa" — uma tentativa de prompt injection — a tag ajuda o modelo a tratar aquilo como texto a analisar, não como comando. Não é uma blindagem perfeita, mas é uma camada real.

Aplicando ao debug

É exatamente por isso que um bom prompt de debug separa cada bloco em sua tag: <ambiente_stack>, <comportamento_esperado>, <comportamento_atual_erro> e <codigo_fonte_isolado>. Cada pedaço no seu compartimento, o modelo lê tudo sem confundir, e a resposta vem mais precisa.