为什么大模型选择 Markdown
纯文本模型 + 排版需求 = MD 成为首选，逐步推演 HTML/Word/LaTeX 为何不行
本页解决的问题
先给结论「为什么大模型选择 Markdown」要解决的关键问题是什么？
纯文本模型 + 排版需求 = MD 成为首选，逐步推演 HTML/Word/LaTeX 为何不行
让这个结论先证明自己值得留下。 把这一页当成决策工具，而不是需要背下来的定义。把概念连到一个真实任务、一个可观察结果，以及一个能改变你判断的失败上。
写下一个问题：试完这个方法后，你能用什么证据回答它？
结论听起来很完整，却没有检查最关键的假设。
大模型是纯文本模型
LLM 逐 Token 输出，每个 Token 就是一段文字。它不懂颜色、不懂字号、不懂对齐。
但用户期望有排版
标题、加粗、列表、代码块、链接…没有排版的纯文本，阅读体验极差。
1. 纯文本兼容 — 模型逐 Token 输出即可，无需特殊编码
2. 排版标记极轻 —
# ## ** 只占几个 Token3. 前端渲染成熟 — marked.js / react-markdown 等库一行代码搞定
这不是碰巧。这是纯文本模型 + 排版需求的最优解。
「核心矛盾」如何改变一次回答
「LLM 逐 Token 输出，每个 Token 就是一段文字。它不懂颜色、不懂字号、不懂对齐」说明，模型处理的不是我们眼中的“字数”，而是一段段 Token。Token 的切分方式会影响输入长度、上下文能放下多少内容，以及一次请求要花多少计算。
长度、信息量和上下文不是一回事
当「LLM 逐 Token 输出，每个 Token 就是一段文字。它不懂颜色、不懂字号、不懂对齐」变长时，先要分清三件事：文字被切成多少 Token、哪些内容真正参与当前判断、以及旧内容是否已经超出上下文窗口。删掉重复说明通常比单纯把窗口开得更大更有效。
先保留会改变判断的内容
可以用「LLM 逐 Token 输出，每个 Token 就是一段文字。它不懂颜色、不懂字号、不懂对齐」做一次对照：保留同样的问题，分别删掉重复背景、压缩格式和移除无关历史，比较答案质量、延迟与 Token 数量。
从「核心矛盾」走到「方案推演」
「核心矛盾」先把问题落在「LLM 逐 Token 输出，每个 Token 就是一段文字。它不懂颜色、不懂字号、不懂对齐」上；到了「方案推演」，讨论继续推进到「↺ 重播推演 1 用 HTML？标签太重， 浪费 Token ↓ 不行 2 用 Word/PDF？二进制格式， 无法逐字输出 ↓ 更不行 3 用 LaTeX？语法复杂， 模型容易出错 ↓ 也不行 ✓ Markdown： 文本自带排版标记，轻量优雅 同一段内容，不同格式的开销对比 Markdown 三大优势： 1. 纯文本兼容 — 模型逐 Token 输出即可，无需特殊编码 2. 排版标记极轻 — # ## ** 只占…」。两段连起来，重点就不只是记住一个结论，而是看清它成立所依赖的条件。
把这条判断带到下一个场景
处理长文本时，先保留会改变结论的内容，再决定如何压缩格式和历史；上下文更长只有在新增信息真正有用时才值得付出代价。
- 「核心矛盾」：LLM 逐 Token 输出，每个 Token 就是一段文字。它不懂颜色、不懂字号、不懂对齐
- 「方案推演」：↺ 重播推演 1 用 HTML？标签太重， 浪费 Token ↓ 不行 2 用 Word/PDF？二进制格式， 无法逐字输出 ↓ 更不行 3 用 LaTeX？语法复杂， 模型容易出错 ↓ 也不行 ✓ Markdown： 文本自带排版标记，轻量优雅 同一段内容，不同格式的开销对比 Markdown 三大优势： 1. 纯文本兼容 — 模型逐 Token 输出即可，无需特殊编码 2. 排版标记极轻 — # ## ** 只占…
最后的「最后把结论落到实践」把讨论落到「LLM 逐 Token 输出，每个 Token 就是一段文字。它不懂颜色、不懂字号、不懂对齐」。回看这条线索时，最值得保留的是：当输入、规模或风险改变，哪些判断需要重新做一遍。
我把这篇文章里的一个判断改写成了今天可以验证的小实验。比记住结论更有用的是，知道下一步要观察什么。
读完以后我先回头找它成立的条件，而不是直接把方法搬进项目。这个顺序让后面的取舍清楚很多。
如果把这个判断放到真实工作里，最先需要补的约束是什么？我想知道从阅读到第一次实践之间，哪一步最值得先做。
还没有这篇文章的讨论。