Claude Code, jedno z popularniejszych narzędzi AI do pracy z kodem, kryje w sobie prostą, ale rzadko stosowaną technikę: zamiast domyślnego formatu Markdown warto prosić model o odpowiedź w HTML. Simon Willison, ekspert AI i twórca narzędzi dla programistów, opublikował szczegółowy opis tej metody z konkretnymi przykładami. Wyniki pokazują realną różnicę – odpowiedzi w HTML zawierają diagramy SVG, kolorowe oznaczenia priorytetów i interaktywne sekcje nawigacyjne, których zwykły Markdown nie jest w stanie odtworzyć.
Preferencja dla Markdown miała kiedyś solidne uzasadnienie: w dobie modeli GPT-4 z limitem 8192 tokenów każdy znak miał realne znaczenie dla kosztów i szybkości odpowiedzi. Nowoczesne modele – w tym Claude 3.7 czy GPT-5.5 – operują oknami kontekstu sięgającymi miliona tokenów, co sprawia, że narzut HTML stał się nieistotny. Willison przetestował podejście na złożonym przypadku: poprosił model o wyjaśnienie zaciemnionego kodu exploita atakującego system Linux. Wynikowy dokument HTML zawierał ciemny motyw interfejsu, bloki ostrzeżeń wyróżnione kolorowymi ramkami, tabele porównawcze wzorców kodu oraz przejrzyste sekcje podsumowujące działanie exploita. Autor zaznacza, że technika sprawdza się równie dobrze przy przeglądzie pull requestów w repozytoriach kodu – wystarczy dodać w prompcie prośbę o wyrenderowanie diffu z adnotacjami marginesowymi i kolorowaniem według priorytetu.
Dla polskich firm i specjalistów korzystających z Claude lub podobnych modeli to praktyczna wskazówka, którą można wdrożyć natychmiast – bez dodatkowej konfiguracji i bez dodatkowych kosztów. Wystarczy zmodyfikować prompt, dodając instrukcję: Zwróć odpowiedź jako dokument HTML z kolorowym oznaczeniem ważności elementów. Wygenerowany plik otwiera się bezpośrednio w przeglądarce i można go od razu udostępnić całemu zespołowi, co upraszcza komunikację wyników analiz i przeglądów kodu. Technika jest szczególnie przydatna tam, gdzie czytelność ma znaczenie: prezentacje wyników bezpieczeństwa, raporty z przeglądów kodu, wyjaśnienia algorytmów czy analizy danych przygotowane dla osób nieznających szczegółów technicznych. Dla rosnącej grupy polskich firm wdrażających AI w codziennej pracy, takie drobne zmiany nawyków prompting mogą realnie poprawić jakość odpowiedzi modeli językowych.
Źródło: Simon Willison Blog (EN), 8 maja 2026
