AI为何钟情Markdown格式？

如果你曾使用过Claude Code或OpenClaw等工具，不难发现一个普遍现象：AI生成的文件几乎都采用.md（Markdown）格式。例如，常用的配置文件如claude.md、soul.md、agents.md、memory.md、skill.md，无一例外都是Markdown文件。

这究竟是为何？

我将此疑问抛给了豆包、Claude和Gemini，它们给出的答案主要归结为三个原因：

1. 天然的母语。 AI的训练数据，包括GitHub、Stack Overflow以及各类技术文档，充斥着Markdown。对于模型而言，这如同它在进化过程中最熟悉的原生语言。

2. 清晰的结构与语义。 在同等字符量下，Markdown能够承载更多的层级和语义信息。这使得模型能更准确地把握内容的重点和结构，而非将所有文本视为一视同时、平铺直叙的内容。

3. RLHF的强化作用。 在人类反馈强化学习（RLHF）阶段，标注人员普遍认为带有标题、列表、代码块的回复比纯文本“更优”，因为它们显得更专业、更易于阅读。因此，模型学会了：使用Markdown格式 = 获得更高的评分。

综上所述，模型偏好Markdown格式是其训练数据和训练方式共同作用的结果。

这一逻辑引申出一个更重要的观点：既然Markdown是AI的“母语”，那么在AI时代，我们应当主动运用这种语言与其进行交互。

在此，我分享一个我正在实践的方法：利用Markdown文档构建个人的上下文仓库。

推荐的工具组合是：Obsidian + Claude Code（或类似AI工具）。

Obsidian是一款本地化的Markdown笔记软件，所有笔记都以.md格式保存在您自己的计算机上。我用它来存储工作方法论、项目资料、灵感记录——任何您希望AI能够长期记忆的内容，都可以沉淀于此。

通过配置MCP或Skill等插件，您可以将Obsidian与AI工具进行整合。整合后，可以实现两项关键功能：

首先是读取。在与AI交互时，它可以直接调用您Obsidian中的文档作为上下文，从而带着您完整的工作背景和个人偏好进行响应，避免了每次交互都从零开始。

其次是写入。这部分更为有趣——当您与AI进行有价值的讨论、产生新的见解，或形成一个值得记录的方案时，您可以直接让AI将其写回您的Obsidian，从而更新您的知识库。您的上下文仓库将随着每一次交互持续增长。

举个例子：我在Obsidian中保存了一份关于“HR工作方法论”的Markdown文档，其中包含了公司的四步法框架、蓝领与白领管理的核心差异以及常见场景的处理原则。每次我让AI协助设计HR方案时，都会将这份文档作为上下文提供给它，这样它输出的建议就不是泛泛而谈，而是真正契合我实际工作情况的方案。

随着时间的推移，这个仓库的价值将日益凸显。AI会越来越懂您，同时您的知识也在这个过程中得到持续的整理和积累。

决定AI好用与否，本质上只有两个关键因素：模型的能力和上下文的质量。前者我们难以掌控，而后者则可以主动构建和优化。

当前，模型的上下文窗口已达到百万级别，并且仍在不断扩展。这意味着可以预加载的上下文信息越来越多。未来，使用AI的差异将不再仅仅体现在提问技巧的高低或安装了多少个skill，而更多地取决于：

您能提供给模型的上下文信息有多少，以及这些信息的准确性如何。