Markdown vs HTML para LLMs: ~70% menos tokens e seu HTML não sai do navegador

Ao copiar o código-fonte HTML de uma página e colá-lo no ChatGPT, no Claude ou no Gemini, o input também inclui tags e atributos além do corpo do texto. Se o objetivo é resumir ou extrair o conteúdo, tags e atributos desnecessários consomem tokens e podem dificultar a identificação do que deve ser processado. O HTML copiado está cheio de divs de empacotamento, atributos class, scripts inline e pixels de rastreamento, e nada disso o modelo precisa para entender o conteúdo. Converter para Markdown remove tags e atributos desnecessários e organiza a entrada em torno do texto, preservando a estrutura, como títulos e listas.

Este guia compara Markdown e HTML como formatos de entrada para LLMs com números medidos, lista os casos em que o HTML ainda é a escolha certa e mostra um caminho de conversão no navegador que não faz upload do HTML interno para um servidor de terceiros.

Resposta rápida

Para entrada de LLM, prefira Markdown. Nesta amostra, a contagem de tokens do Markdown ficou em cerca de 30% da do HTML. A redução varia conforme a quantidade de tags e atributos no HTML de origem. Em avaliações externas, há exemplos em que a precisão na extração de tabelas foi maior com Markdown do que com HTML. Cole seu HTML em HTML to Markdown e copie o resultado para o seu prompt. A conversão roda inteiramente no seu navegador: o HTML que você cola não é enviado para o FormatArc nem para qualquer serviço de terceiros.

Como as LLMs leem formatos

As LLMs não "veem" o HTML renderizado da forma como um navegador vê. Elas processam o código-fonte bruto como um fluxo de tokens. Cada colchete angular, nome de classe e estilo inline consome tokens da mesma janela de contexto em que o seu conteúdo de verdade precisa caber.

Daí decorrem duas consequências:

• Uma página HTML cheia de empacotamento deixa menos espaço para instruções, exemplos e a resposta do assistente.
• O ruído dentro do código-fonte, como class="text-base text-gray-700", atributos data-* e trechos de analytics, pode desviar a atenção do modelo do conteúdo que ele deveria extrair ou reescrever.

O Markdown codifica a mesma estrutura (títulos, listas, links, código) com um ou dois sinais de pontuação por elemento, em vez de tags de abertura e fechamento. O resultado é mais curto e mais coerente com os padrões que as LLMs encontram nos corpora de treinamento: arquivos README do GitHub, sites de documentação, posts do Stack Overflow e tópicos de fórum são predominantemente Markdown.

O motivo estrutural de o Markdown ser mais enxuto é o próprio modelo de tags. No HTML que você realmente copia de uma página (DOM serializado ou saída de um CMS), a maioria dos elementos de contêiner chega como um par de tags casadas (<p>...</p>, <li>...</li>, <td>...</td>, <div>...</div>), de modo que o custo da marcação é pago duas vezes por elemento: uma para abrir e outra para fechar. (Tecnicamente, o HTML permite omitir algumas dessas tags de fechamento, mas a serialização do DOM renderizado e os motores de template as emitem mesmo assim, e é isso que você cola.) O aninhamento multiplica esse efeito: uma lista dentro de uma célula de tabela dentro de uma linha empilha tags de abertura na entrada e tags de fechamento na saída, e cada tag ainda pode carregar atributos class, id, style e data-* que adicionam mais caracteres sem acrescentar o significado de que o modelo precisa. O Markdown expressa as mesmas construções como marcadores únicos e sem par, colocados uma só vez: # para um título, - para um item de lista, | para o limite de uma coluna de tabela, uma linha em branco para uma quebra de parágrafo. Não há token de fechamento para repetir nem espaço de atributo para preencher, então a sobrecarga por elemento é uma pequena constante, em vez de um par de contêiner que cresce com os atributos e a profundidade de aninhamento. É essa diferença que as medições abaixo quantificam; a causa é a ausência da duplicação de tags de abertura e fechamento.

As próprias construções são definidas por especificações publicadas: a sintaxe central (títulos, listas, links, spans de código e código cercado, parágrafos) é padronizada na CommonMark SpecificationAbre em uma nova aba, e as extensões de tabela, lista de tarefas, texto tachado e autolink são definidas na GitHub Flavored Markdown SpecAbre em uma nova aba. Consultar essas especificações permite verificar o significado de cada construção e a diferença entre CommonMark e GFM.

A composição exata do treinamento de cada modelo não é pública, então não convém exagerar aqui. O que é verificável é que o Markdown é amplamente usado em textos técnicos públicos, e os principais provedores de modelos recomendam explicitamente uma estrutura no estilo Markdown em seus guias de prompting. Por exemplo, a documentação de prompting do Claude da Anthropic e o guia de design de prompts do Gemini do Google sugerem usar títulos e listas com marcadores para separar seções.

Eficiência de tokens: uma comparação medida

Para comparar formatos de forma justa, escrevemos um pequeno documento técnico sintético que explica o que é JSON. O documento contém um título h2, dois ou três parágrafos, uma lista com três marcadores, um bloco de código JSON e uma tabela de três colunas. Em seguida, expressamos o mesmo conteúdo de três maneiras: uma versão HTML usando o padrão de empacotamento que você vê em uma página típica de CMS (classes no estilo Tailwind e atributos aria), uma versão Markdown usando CommonMark mais a extensão de tabelas do GFMAbre em uma nova aba e uma versão em texto puro com a marcação removida e a tabela expressa como linhas separadas por tabulação. O texto completo dos documentos usados é mostrado abaixo, e o caminho dos arquivos de reprodução e o comando de execução estão ao final desta seção.

As contagens de tokens vêm da biblioteca oficial tiktokenAbre em uma nova aba da OpenAI, versão 0.13.0. cl100k_base é o tokenizador da família GPT-3.5 / GPT-4; o200k_base é usado pela família GPT-4o.

Redução em relação ao HTML: Markdown −63,2 % de caracteres, −70,8 % de tokens cl100k, −70,4 % de tokens o200k; texto puro −66,1 % de caracteres, −74,4 % de tokens cl100k, −74,0 % de tokens o200k. A proporção caracteres por token fica em 3,50 para HTML, 4,41 para Markdown e 4,63 para texto puro: o HTML carregado de símbolos (<, >, =, ", nomes de atributos) prejudica de forma mensurável a eficiência do tokenizador. Os tokenizadores do Claude e do Gemini diferem em seus valores absolutos, mas a direção do imposto de empacotamento é a mesma para qualquer tokenizador BPE.

Estes são números para um documento sintético específico. Em páginas reais, a redução varia conforme a quantidade de elementos além do corpo do texto. Medições externas também relatam resultados diferentes conforme as condições:

• O benchmark da Web2MDAbre em uma nova aba: em um artigo de 3.000 palavras, HTML ≈ 8.000 tokens vs Markdown ≈ 2.800 tokens (-67 %).
• O artigo de 2026 da Beam.aiAbre em uma nova aba: 68 % de redução de tokens em conteúdo limpo, chegando a 87 % em páginas reais com toda a estrutura do DOM.
• A análise da ReleasePadAbre em uma nova aba: redução de 10 a 20 % em listas simples com marcadores, escalando fortemente conforme a densidade de empacotamento aumenta.

A taxa de redução varia conforme as condições, mas em todos os casos o Markdown tem menos tokens do que o HTML. Ao inserir vários documentos de uma vez, as tags e atributos desnecessários de cada documento também consomem tokens e reduzem o espaço de entrada disponível para o texto.

Os documentos de amostra exatos

<section class="prose prose-lg max-w-none">
  <h2 class="text-2xl font-semibold mt-8 mb-4" id="what-is-json">What is JSON?</h2>
  <p class="text-base text-gray-700 leading-relaxed mb-4">JSON (JavaScript Object Notation) is a lightweight, text-based data format used to exchange structured data between systems. It originated in JavaScript but is now language-independent and supported by virtually every modern programming language.</p>
  <p class="text-base text-gray-700 leading-relaxed mb-4">A JSON document is built from a small set of building blocks:</p>
  <ul class="list-disc pl-6 mb-4 space-y-1">
    <li class="text-base text-gray-700">Objects: unordered collections of key-value pairs wrapped in <code class="bg-gray-100 px-1 rounded">{}</code></li>
    <li class="text-base text-gray-700">Arrays: ordered lists of values wrapped in <code class="bg-gray-100 px-1 rounded">[]</code></li>
    <li class="text-base text-gray-700">Primitives: strings, numbers, booleans, and <code class="bg-gray-100 px-1 rounded">null</code></li>
  </ul>
  <p class="text-base text-gray-700 leading-relaxed mb-4">Here is a minimal example representing a single user record:</p>
  <pre class="bg-gray-900 text-gray-100 p-4 rounded overflow-x-auto mb-4"><code class="language-json">{
  "id": 42,
  "name": "Ada Lovelace",
  "active": true
}</code></pre>
  <p class="text-base text-gray-700 leading-relaxed mb-4">The core value types and their typical use cases are summarized below.</p>
  <table class="w-full border-collapse mb-4" aria-label="JSON value types">
    <thead>
      <tr class="border-b border-gray-300">
        <th class="text-left p-2 font-semibold">Type</th>
        <th class="text-left p-2 font-semibold">Example</th>
        <th class="text-left p-2 font-semibold">Typical use</th>
      </tr>
    </thead>
    <tbody>
      <tr class="border-b border-gray-200">
        <td class="p-2"><code class="bg-gray-100 px-1 rounded">string</code></td>
        <td class="p-2"><code class="bg-gray-100 px-1 rounded">"hello"</code></td>
        <td class="p-2">Names, labels, free text</td>
      </tr>
      <tr class="border-b border-gray-200">
        <td class="p-2"><code class="bg-gray-100 px-1 rounded">number</code></td>
        <td class="p-2"><code class="bg-gray-100 px-1 rounded">3.14</code></td>
        <td class="p-2">IDs, counts, measurements</td>
      </tr>
      <tr class="border-b border-gray-200">
        <td class="p-2"><code class="bg-gray-100 px-1 rounded">boolean</code></td>
        <td class="p-2"><code class="bg-gray-100 px-1 rounded">true</code></td>
        <td class="p-2">Flags, feature toggles</td>
      </tr>
    </tbody>
  </table>
  <p class="text-base text-gray-700 leading-relaxed mb-4">JSON is widely used for REST API payloads, configuration files, and persisting application state because it is easy to read, easy to parse, and supported everywhere.</p>
</section>

## What is JSON?

JSON (JavaScript Object Notation) is a lightweight, text-based data format used to exchange structured data between systems. It originated in JavaScript but is now language-independent and supported by virtually every modern programming language.

A JSON document is built from a small set of building blocks:

- Objects: unordered collections of key-value pairs wrapped in `{}`
- Arrays: ordered lists of values wrapped in `[]`
- Primitives: strings, numbers, booleans, and `null`

Here is a minimal example representing a single user record:

```json
{
  "id": 42,
  "name": "Ada Lovelace",
  "active": true
}
```

The core value types and their typical use cases are summarized below.

| Type | Example | Typical use |
| --- | --- | --- |
| string | `"hello"` | Names, labels, free text |
| number | `3.14` | IDs, counts, measurements |
| boolean | `true` | Flags, feature toggles |

JSON is widely used for REST API payloads, configuration files, and persisting application state because it is easy to read, easy to parse, and supported everywhere.

What is JSON?

JSON (JavaScript Object Notation) is a lightweight, text-based data format used to exchange structured data between systems. It originated in JavaScript but is now language-independent and supported by virtually every modern programming language.

A JSON document is built from a small set of building blocks:

Objects: unordered collections of key-value pairs wrapped in {}
Arrays: ordered lists of values wrapped in []
Primitives: strings, numbers, booleans, and null

Here is a minimal example representing a single user record:

{
  "id": 42,
  "name": "Ada Lovelace",
  "active": true
}

The core value types and their typical use cases are summarized below.

Type	Example	Typical use
string	"hello"	Names, labels, free text
number	3.14	IDs, counts, measurements
boolean	true	Flags, feature toggles

JSON is widely used for REST API payloads, configuration files, and persisting application state because it is easy to read, easy to parse, and supported everywhere.

Os três arquivos-fonte, o script de medição baseado em tiktoken da OpenAI (measure.py) e o JSON de resultados estão comitados no repositório em scripts/benchmarks/markdown-vs-html-for-llms/. Execute python3 -m venv venv && ./venv/bin/pip install tiktoken==0.13.0 && ./venv/bin/python measure.py para reproduzir exatamente os números da tabela acima.

Privacidade: mantenha o HTML sensível fora de serviços de terceiros

Os argumentos de tokens e de precisão já foram bastante repetidos em outros artigos. O ângulo que a maioria deles pula é o que acontece com o HTML de origem durante a etapa de conversão.

Muitos conversores online de "HTML para Markdown" executam a conversão em um servidor de backend. Você cola seu HTML, a página faz um POST para uma API, o servidor devolve o Markdown. Isso é aceitável para um trecho público da Wikipedia. Não é aceitável para:

• Uma página de documentação interna exportada do Confluence ou do Notion.
• O dump de HTML de um painel administrativo que contém nomes de clientes.
• O corpo de uma resposta de um site de staging antes de o texto de marketing ser aprovado.
• Qualquer corpo de e-mail em HTML com dados pessoais.

O HTML to Markdown do FormatArc é uma página estática. A conversão para Markdown é implementada em JavaScript que roda no seu navegador, usando a biblioteca TurndownAbre em uma nova aba embutida na página. O HTML que você cola é processado localmente; nenhuma requisição de rede leva o HTML de origem para o FormatArc ou para qualquer serviço de terceiros. Você mesmo pode verificar isso abrindo a aba de rede no DevTools do navegador, colando uma string identificável de forma única no painel de HTML, pressionando Run e confirmando que nenhuma requisição de saída contém a sua string.

"No navegador" aqui significa que o HTML de origem não é enviado. A própria página continua sendo servida por HTTPS a partir de uma CDN, e analytics padrão podem ser carregados uma vez na primeira visita, mas o documento que você converte nunca sai da sua máquina.

Qualidade de compreensão: tabelas, código e listas

A contagem de tokens é a metade fácil. A qualidade de compreensão é a metade que decide se o seu prompt realmente funciona.

Vamos ver resultados de avaliação sobre extração de tabelas e características de notação ao inserir código e listas:

• Extração de tabelas: como cita a análise da ReleasePadAbre em uma nova aba, uma avaliação baseada em GPT frequentemente referenciada relata ~60,7 % de precisão em tabelas Markdown vs ~53,6 % em tabelas HTML equivalentes, uma diferença de 7 pontos sobre dados subjacentes idênticos.
• Tratamento de blocos de código: o código cercado em Markdown com uma dica de linguagem (```python) preserva o sinal da linguagem de forma limpa; o HTML frequentemente aninha a dica de linguagem dentro de um atributo de classe (<pre><code class="language-python">), que o modelo precisa extrair da marcação.
• Listas aninhadas: a indentação do Markdown oferece uma pista estrutural forte com baixo custo de tokens. As cadeias HTML <ul><li><ul><li> queimam tokens e ocasionalmente confundem o modelo sobre a qual lista um item filho pertence.

Nada disso significa que o Markdown seja universalmente mais preciso (veja na próxima seção onde o HTML vence). Ao menos na extração de tabelas, além da redução de tokens com Markdown, também há resultados de avaliação que mostram ganho de precisão.

Onde o HTML ainda é a escolha certa

O Markdown nem sempre é a resposta. Há três cenários em que colar HTML é genuinamente melhor:

Quando a semântica vive nos atributos

aria-label, role, itemprop, microdados e tags Open Graph carregam informação que não tem equivalente em Markdown. Se você está pedindo ao modelo para auditar acessibilidade, extrair metadados estruturados de produto ou verificar marcação schema.org, os atributos HTML são o conteúdo. Removê-los com um conversor de Markdown destrói a tarefa.

Quando você precisa do layout visual, não apenas do texto

Diagramas SVG, gráficos incorporados, widgets <iframe>, atributos de dados personalizados para componentes interativos, tudo isso sobrevive no HTML e desaparece no Markdown. Em maio de 2026, Thariq Shihipar, da Anthropic, publicou Using Claude Code: The Unreasonable Effectiveness of HTMLAbre em uma nova aba, defendendo que, para agentes de IA que produzem saídas ricas voltadas para humanos, a amplitude expressiva do HTML (layouts estilizados, elementos interativos, SVG incorporado) compensa o seu custo mais alto de tokens. No lado da entrada, pense se o layout ou os elementos incorporados em si serão objeto de análise. Se for preciso manter essas informações, o HTML passa a ser uma opção.

Quando o modelo vai renderizar o resultado

Ao corrigir um HTML existente e exibir o resultado diretamente no navegador, alinhar a entrada e a saída em HTML pode simplificar a configuração das ferramentas. Ainda assim, não é preciso decidir o formato de entrada apenas pelo formato de saída: escolha conforme as informações que você quer manter na entrada e a configuração do processamento de conversão.

Um fluxo de trabalho prático: de HTML para Markdown pronto para LLM

Para o caso comum, em que você tem uma página da web ou um e-mail em HTML e quer entregar o conteúdo a uma LLM sem o imposto da marcação, aqui está o fluxo de trabalho. A conversão de HTML para Markdown é feita no navegador. Se depois você enviar o texto convertido para uma LLM externa, verifique separadamente se pode incluir informações confidenciais.

Passo 1: Obtenha o HTML

No Chrome ou no Firefox, clique com o botão direito na página e escolha "Exibir código-fonte da página", ou use o painel Elements do DevTools e copie o HTML externo do elemento <article> ou <main>. Para e-mail em HTML, use "Ver código-fonte" no seu cliente de e-mail.

Se você só precisa do corpo do artigo, copie essa subárvore em vez da página inteira. Remover a navegação, a barra lateral e o rodapé nesta etapa evita converter conteúdo desnecessário e também reduz o número de tokens enviados à LLM. Quando você copia a página inteira e o resultado vem com <span> e estilos inline, o artigo Colar HTML como Markdown mostra o que remover e em que ordem.

Passo 2: Converta no seu navegador

Cole em HTML to Markdown e pressione Run. O Markdown aparece no painel da direita.

Para um passo a passo mais detalhado da conversão em si, com tabelas, caminhos de imagem e casos extremos de colspan, veja o guia de HTML para Markdown. Para o caminho inverso, quando a LLM responde com Markdown que você quer de volta como HTML, o Markdown to HTML também trata disso localmente.

Passo 3: Limpe antes de colar

Mesmo depois da conversão, examine o Markdown em busca de resíduos que você não precisa:

• Links de navegação que se converteram em itens de lista no topo.
• Banners de consentimento de cookies que ainda deixaram um parágrafo para trás.
• Blocos de copyright no rodapé.

Remover links e textos de apoio desnecessários após a conversão aumenta o espaço de entrada disponível para o texto.

Passo 4: Crie o prompt com o Markdown já limpo

Um modelo simples que funciona para a maioria das tarefas de extração:

Below is a documentation page in Markdown.

Task: <one sentence>.
Constraints: <output format, length, etc.>.

---

<paste the cleaned Markdown here>

Os títulos do Markdown dão ao modelo âncoras fortes para referenciar na resposta ("Na seção 'Sintaxe'..."), o que melhora a especificidade da resposta.

Armadilhas ao converter HTML para entrada de LLM

Cinco coisas costumam dar errado. Fique atento a estas:

1. Blocos de código perdendo a dica de linguagem. <pre><code class="language-python"> deveria virar ```python. Alguns conversores descartam a dica, o que força o modelo a adivinhar a linguagem.
2. Tabelas com colspan ou rowspan desabando. As tabelas com pipe do GFM não expressam células mescladas, então a estrutura da tabela original pode se perder após a conversão. Quando der para organizar as células mescladas em linhas e colunas normais, há também a opção de converter para CSV e depois usar o CSV to Markdown. O guia de CSV para Markdown detalha a conversão. Veja também a folha de referência de sintaxe de tabelas Markdown e a folha de referência de tabelas GFM para alinhamento e escape.
3. HTML inline vazando. Tanto o CommonMark quanto o GFM permitem HTML bruto inline. Se o modelo vai ver <span class="text-red">important</span> no seu "Markdown", isso voltou ao balde do imposto de empacotamento. Use um conversor que emita Markdown puro nos casos em que conseguir, e mantenha HTML bruto apenas para as construções (notação matemática, tabelas complexas) que genuinamente precisam dele.
4. Atenção aos caminhos relativos de imagem e link. Por exemplo, <img src="/images/foo.png"> vira ![](/images/foo.png), mas a LLM não consegue buscar esse caminho. Quando for preciso deixar a referência explícita, reescreva tanto as imagens quanto os links para URLs absolutas. Se não quiser que as imagens sejam referenciadas, deixe isso claro no prompt.
5. Diferença entre CommonMark e GFM. Tabelas, listas de tarefas, texto tachado e autolinks são extensões do GFM. Se você exibir o Markdown convertido em outra ferramenta, confirme também se ela suporta GFM. As diferenças entre as construções são explicadas em CommonMark vs GFM.

Comparação de formatos em um relance

Para os impacientes, aqui está a matriz de decisão:

Para a maioria dos prompts cotidianos, como "resuma este artigo", "extraia estes campos" ou "reescreva em linguagem simples", o Markdown é o padrão certo.

Perguntas frequentes

Devo usar Markdown ou texto puro como contexto para o ChatGPT?

Escolha Markdown se a fonte tiver alguma estrutura (títulos, listas, tabelas, código). Para textos que não precisam mostrar estrutura como títulos ou listas, o texto puro permite conter a contagem de tokens. Quando quiser preservar estruturas como títulos e tabelas, escolha Markdown sem decidir apenas pela contagem de tokens.

Como usar Markdown e XML na entrada do Claude?

O Claude lida com ambos. As orientações de prompting da Anthropic recomendam títulos e listas no estilo Markdown para separar seções do prompt e, além disso, incentivam tags XML (<instructions>, <context>) como limites entre as partes do prompt. O Markdown ainda é vantajoso na eficiência de tokens para o corpo do texto; uma opção é escrever o corpo em Markdown e usar tags XML para separar as instruções do corpo.

E quanto a JSON ou XML para contexto estruturado?

Use JSON quando os dados forem naturalmente tabulares ou em forma de registros (respostas de API, configuração). Use XML quando quiser limites explícitos entre seções do prompt; a documentação da Anthropic usa esse estilo. Para entregar prosa com títulos e listas, a notação concisa do Markdown é adequada.

Como converto uma URL diretamente para Markdown pronto para LLM?

Não há uma forma totalmente no lado do cliente de buscar uma URL arbitrária a partir de uma página estática (o CORS bloqueia isso). Salve a página localmente primeiro (Cmd/Ctrl-S, ou copie o código-fonte do DevTools) e cole o HTML em HTML to Markdown. A conversão em si permanece no seu navegador.

A conversão do FormatArc é mesmo só no navegador?

Sim, para a etapa de conversão. O HTML que você cola é processado pela biblioteca JavaScript TurndownAbre em uma nova aba embutida na página, e nenhuma requisição é enviada contendo a fonte. A própria página é carregada de uma CDN por HTTPS e pode fazer chamadas de analytics padrão na primeira visita, mas o HTML que você colou não faz parte de nenhuma requisição de saída.

Resumindo

Se o objetivo é resumir ou extrair o texto, use o Markdown como formato de entrada padrão. Ele reduz tags e atributos desnecessários e organiza a entrada em torno do texto. A proporção exata depende da página de origem, mas a direção é consistente entre os benchmarks publicados.

Se o HTML de origem for sensível (docs internas, dados de clientes, rascunhos não publicados), a etapa de conversão em si importa. O HTML to Markdown roda localmente no seu navegador, de modo que a fonte nunca chega a um servidor de terceiros.

Para o caminho inverso, veja Markdown to HTML e o guia de Markdown para HTML. Para problemas específicos com tabelas no seu Markdown convertido, a folha de referência de sintaxe de tabelas Markdown cobre escape, alinhamento e armadilhas.