本文来自微信公众号： APPSO ，作者：发现明日产品的

人类花了半个世纪把文档从打字机搬到Word，又花了二十年搬到云端。结果AI时代真正的通用格式，是一门2004年发明的纯文本语言——Markdown。

最近Claude Code工程师Thariq又提出了新的观点，说自己已经不用Markdown，HTML才是未来，引发了大量讨论。

Claude Code工程师Thariq分享的用HTML替代Markdown文章，当前该内容已在X上获得千万次浏览

文章里，他提出了HTML格式的输出，是比Markdown文本更好的形态。对AI来说，从输出Markdown到输出HTML，转换的过程基本无痛，但对用户来说却是实打实的体验优化。

Karpathy在今天凌晨也转发了这篇文章，分享了他对于HTML的看法。

在他看来，音频是大语言模型最好的输入，视觉是最好的输出；而在HTML之后还有交互动画、神经网络直接生成的视频、以及最终某种人机之间真正的感知融合。

上下滑动查看更多内容

在Vibe Coding和Agent产品成为主流的背景下，HTML和Markdown对大多数AI玩家可能并不陌生。

在DeepSeek内要求它做一个小游戏，会直接给我们一段能运行的html代码文件

想做一个小游戏，告诉ChatGPT，「帮我做一个贪吃蛇的单页HTML网页」。ChatGPT会将代码打包成成一个后缀名为html的文档，双击打开，我们就能在浏览器里看到一个可交互、有动效、图文丰富的成果。

甚至在浏览器里面，任何一个网页下，按下CTRL+S，保存下来的本地文件，都有一个.html的文档。

而Markdown从AI要获取网页上下文的年代，就有大量的工具，直接将各种文件类型的文档转成Markdown格式。

微软自己作为办公三件套之王，有着docx、pptx、xlsx等职场常用的文件，早前也开源了一个将这些办公文档转成Markdown格式的项目，目前在GitHub上已经收获超过12万Stars。

项目地址：https://github.com/microsoft/markitdown

OpenClaw爆火之后，各种AGENT.md、SOUL.md、CLAUDE.md、MEMORY.md……甚至是Skills工程里面，每个Skill也是一个Skill.md的文档。

从记忆的保存、到提示词和Agent的控制，Markdown格式几乎成为了AI获取丰富上下文的不二选择。

OpenClaw智能体会通过多个不同的Markdown文件来搭建最终的工作区｜图片由AI生成

我们日常工作中最常使用的PDF、DOC、以及PPT反而在AI时代成了「最不被待见」的格式。

但现在冒出来的HTML的又是怎么一回事，它会有机会取代Markdown成为AI时代的新通用语言吗？

Markdown为什么最适合AI

先说说为什么Markdown成为了AI时代的Word，无论是AI的回答，还是我们丢给AI的上下文，现在大多都是以Markdown为主。

这门语言诞生于2004年，灵感来自2000年代电子邮件的文本排版惯例——竖线分隔、80字符换行、星号表示强调。它的目标是「写起来像纯文本，渲染出来像HTML」。足够简单，足够便携，不需要任何工具，任何文本编辑器都能处理。

Markdown语法速查表｜图片由AI生成

这套设计哲学在博客时代是完美的。2008年前后随着Github崛起，Markdown直接成为程序员的标准写作格式。各类技术文档、Stack Overflow回答、Github README、技术博客，Markdown几乎在所有这些场景里都工作得很好。

然后大语言模型来了。

一边是刚好训练数据里有大量Markdown格式的文本，模型学会了用它表达结构。即训练数据上，那些技术博客论坛里「聪明人写的东西」大量是Markdown。模型学到的不只是格式，还有「用Markdown写作=认真、结构化、专业」这个关联。

另一边是Markdown的结构信号非常局部化，一个标题只需要一个#，一个列表只需要一个-，**出现就是加粗。模型也不需要看很远的上下文就能判断当前token的语义角色。

同样一篇文章，HTML意味着繁多的标签、各种区块的分隔，以及样式控制等

对比HTML的标题和列表或者

所以无论是从大语言模型注意力机制的技术角度，还是Token经济学的角度，「能用Markdown就不用HTML」在长文档、多轮对话、大量API调用的场景里，成了工程师和模型双方的偏好。

总结下来，Token效率高、结构清晰、解析简单的核心价值，让模型天然爱Markdown，它爱Markdown格式的输入，也爱Markdown格式的输出。

这种偏好在大语言模型训练时，也变得更加明显。

模型通过人类反馈强化学习RLHF的时候，标注员给高分的回答大概率是：有清晰标题、有分点列举、结构一目了然的回答。而这种视觉结构，在纯文本环境里就是Markdown。

于是模型学到的奖励信号也是：用Markdown格式化=看起来更认真、更完整、更值得高分。即使问题根本不需要列表，模型也会倾向于加列表。

知名的Markdown编辑器Typora

这大概也是为什么我们随便问ChatGPT一个问题，它都想给三个要点、加粗关键词、再来个小结。以及大多数时候，在AI的对话界面，复制AI的回答，粘贴到其他输入框，都会发现自动多了#、**、---、等Markdown标识。

我们看到的每一条AI回复的文字消息，基本上都是以Markdown的格式在渲染。

为什么不是PDF、Word、PPT

Markdown好用，但是我们日常生活中使用的文档格式，大多还是PDF和Word。老板发来一个文件，我丢给AI去处理，这个文件往往要比我直接复制粘贴，消耗更多的时间。

本质原因还是模型只认识token，不认识文件。

大语言模型的输入，在进入模型之前必须先被转换成token序列。模型看不到「一个PDF」，它看到的是PDF被解析出来的文本内容，然后再切成token。所以哪种格式在解析成纯文本之后，损失的信息最少、引入的噪声最少，这种格式就是更好的格式。

Claude官方的PDF Skill，需要调用专门的工具库才能实现PDF文件读取

PDF设计的目标是「打印出来好看」，不是「机器好读」。在PDF内部存储的是每个字符的坐标位置，而不是文本的逻辑顺序。一个两列布局的PDF，解析出来的文本顺序很可能是左列第一行、右列第一行、左列第二行、右列第二行，直接就完全乱掉。

表格更糟糕。PDF里的表格通常是用绝对坐标定位的文本块，没有任何「这是一行」「这是一列」的语义信息。对AI PDF解析器来说，只能靠猜。

扫描版PDF就更不用说了，直接是图片，要先过OCR文本识别，而OCR的错误率直接进入模型上下文。

.docx和.pptx本质上是ZIP压缩包，里面是一堆XML（可扩展标记语言）文件。解析出来的原始内容里有大量样式标记，字体、颜色、段落间距、主题、修订记录，这些对模型理解内容毫无帮助，但会占用大量token，稀释真正有用的信息。

对PPT来说，信息密度本来就低，一张幻灯片可能只有一句话、几个关键词，解析出来是碎片化的文本，没有上下文连接，模型很难重建完整的逻辑。

有人会说那TXT呢，其实Markdown和Word这类文本，本质上都可以转成TXT文档，它没有额外的噪声，但也没有任何结构信号。

模型很难定位到哪里是标题、哪里是列表、哪里是代码块、哪里是引用。对于长文档，还意味着模型要靠自然语言线索去猜结构，准确率不稳定。

图片由AI生成

类似的语言还有JSON/XML，它们确实对机器更友好，但「机器」指的不是语言模型。

JSON和XML是为程序解析设计的，键值对、层级结构、严格语法。传统软件读JSON很舒服，因为它可以直接json.parse()，得到一个结构化对象。

而语言模型的「理解」是通过token之间的统计关联实现的。对语言模型来说，读JSON和读自然语言的方式是一样的，逐token处理，靠注意力机制建立关联。把这种严格结构化的格式喂给一个为模糊输入设计的系统，本身是一种错配。

Markdown刚好在这两者之间，它是纯文本，但带有轻量结构信号。

部分工具像Jina Reader，在网页URL前添加r.jina.ai前缀，就能将任何网页转换为LLM友好的Markdown

解析Markdown不需要任何特殊工具，直接读文本就行，不会有PDF那种坐标混乱，不会有Word那种XML噪声。同时#**-这些符号给了模型足够的结构线索，让它知道这段是标题、这段是列表、这段是代码。

这些符号本身就在token词表里，模型直接处理，不需要任何预处理步骤。

Markdown也要过时了？

在Claude Code工程的那篇文章里，细数了HTML的几大优点。

图片由AI生成

信息密度更高，HTML能传达的信息远比Markdown丰富。它能做基础的文档结构、标题格式，但它还能表示各种其他信息，像是CSS样式、SVG图片、canvas空间数据、流程图、img标签插入图片等等。

他还提到，Claude能处理越来越复杂的工作，它写的需求文档和计划也越来越长。而超过100行的Markdown文件根本读不下去，更别说让其他人去读。

但HTML文档的阅读体验就更轻松。Claude可以用标签页、插图、链接等方式把结构组织得清晰易导航。它甚至能做到响应式布局，在不同设备上都能舒服地阅读。

在分享这点上，他也认为HTML的传播要比Markdown容易。把HTML文件随便放到某个云平台上，发这个链接给朋友和发一份Markdown文档，一定是点开链接阅读的几率更大。

就像现在做报告，展示几十页的PPT，不然直接打开一个网页。市面上常见的深度研究产品，在生成PPT时，所采用的格式也是从渲染HTML网页开始。

还有HTML的交互性，我们可以点击不同的按钮、使用滑块或旋钮来调节不同的信息展示。

在提到Markdown输出的Token要比HTML少时，以及更耗时间时，他说HTML可能比Markdown慢2-4倍，但觉得值得；而HTML带来的表达力提升、以及真正去读它的概率大幅提高，最终产出反而更好。

我们也尝试把Thariq这篇长文转成HTML的格式，相较于X推文的长截图，HTML呈现的内容会对读者更友好。

将X长文转成HTML｜上下滑动查看更多内容

针对HTML更合适给人阅读这点，文章所列的优点听起来确实Markdown很难做到，但直接把HTML描绘成新的AI通用语言，还为时尚早。

难道我们未来的会话，每一次都要等AI输出一个所谓样式精美、交互友好的网页吗？

我想我们和朋友闲聊的时候，不会希望它盛装打扮，更不会想他要化妆一小时，要我们原地等待他。

更不用说，在大多数用户接触到的AI，即那些不针对编程、设计等特定领域的AI，全部都是以对话的形式在交互，我们的会话或许并不需要一份精美的HTML，现有的Markdown就已经足够了。

Claude Code工程师这篇文章里也提到了HTML适用于哪些项目，例如要求AI生成一份详细的需求文档，包括规划项目和探索不同的设计方案、或是可视化代码审查和理解、制作交互原型，比如动画和动作效果、以及研究报告等使用场景。

而这些场景本来就是适合网页呈现的场景，用它来挑战Markdown的地位稍微有点胜之不武。

作者在最后得出的论点是HTML作为AI交付给人类的最终产物更好读。但他并没有主张用HTML作为AI的工作记忆或上下文格式，因为Markdown在这一领域目前就是所有AI的唯一解决方案。

Markdown还是AI时代的Word，那Markdown最终会走向哪里？

Markdown是AI的工作语言，是上下文的载体，是agent之间传递信息的格式，但它可能不需要是用户最终看到的东西。HTML或者未来某种更好的格式，是Markdown被渲染之后的界面。

HTML挑战不用挑战Markdown的地位，它只需要承担补上Markdown从来就不需要承担的那个角色。

Markdown可以是HTML的一部分，我们在网页上和AI聊天，AI给我们的回复使用Markdown，它此时是被嵌入到了HTML里。

未来的Markdown就像一块积木一样，它会被嵌入到HTML、甚至是某种更精美的XTML语言里。

图片由AI生成

格式会一直往前走。HTML是此刻的前台，但也只是此刻的。下一站可能是可交互的3D空间，再下一站可能是直接写进视网膜的信号流。

但无论前台换成什么，后台跑的还是Markdown。它不会被取代，只会被遗忘。而在技术的世界里，被所有人遗忘，恰恰是一种格式最终胜利的方式。

每一代人都在争论下一个界面是什么。但真正活下来的，从来不是界面，是协议。