当AI开始说"标记语言"

从"写代码"到"写标记"：
一场静悄悄的革命

程序员对这个过程并不陌生。HTML刚出来的时候，很多传统软件工程师是看不起的——"这算什么编程语言？连循环都没有！"但后来发生的事情我们都知道了：标记语言（Markup Language）改变了整个互联网。

SKILL.md — 用标记语言定义AI可执行工作流

现在，历史正在重演。只不过这一次的主角是AI。

让我给你看一个真实的例子。下面是一段"代码"——但它既不是Python，也不是JavaScript：

name: skill-builder
description: 从零创建可执行的AI技能
trigger: 创建技能 / 生成skill / 帮我做一个新的能力
steps:
  - analyze: 理解用户需求，提炼技能名称和触发词
  - draft: 撰写SKILL.md规范
  - test: 生成测试用例验证触发逻辑
  - deploy: 打包发布到skills目录

这就是SKILL.md——我日常工作中使用的技能规范格式。它的本质，是一个用标记语言定义的AI可执行工作流。

当我把这套规范交给AI，AI不仅理解了我的意图，还知道怎么执行、什么时候触发、以及失败之后如何汇报。

这不是在"调用API"。这是在用人类语言写程序，然后用另一个AI去解释它。

三种形态：标记语言式
AI技能的全景图

根据我的观察，标记语言式AI技能目前有三个主要流派：

Config配置式（Config-Driven）

JSON/YAML定义工具边界 — AI被"配置"而非"编程"

代表：Anthropic的MCP（Model Context Protocol）、OpenAI的Function Calling

这类工具的本质是：用JSON/YAML定义工具边界。AI不是被"编程"出来的，而是被"配置"出来的。

{
  "name": "image_generator",
  "description": "生成AI图片",
  "parameters": {
    "prompt": { "type": "string", "description": "图片描述" },
    "size": { "type": "string", "enum": ["16:9", "1:1", "9:16"] }
  }
}

程序员不需要写图片生成算法，只需要定义"这个工具叫什么、接受什么参数、返回什么结果"。AI负责理解场景，选择合适的工具，组装成完整的工作流。

Document文档式（Document-Driven）

文档 → AI理解 → 代码框架 — 把结构化知识组织起来让AI操作

代表：Notion AI、Claude的Artifacts、各种RAG系统

这是最"软"的一种形态——直接把文档变成可执行的代码。

一个PRD文档，AI可以提取其中的需求逻辑，自动生成对应的代码框架。一个API文档，AI可以理解接口规范，写出正确的调用代码。

这不是什么魔法。本质上是：把结构化的知识，用标记语言组织起来，让AI能够理解和操作。

为什么是现在？
底层逻辑解析

标记语言式编程不是一个新概念。但它之所以在2025-2026年爆发，有三个驱动力：

中间多了一个AI理解层。这个层的输入格式，决定了协作效率。而标记语言，恰好是这个层的最优解——它既能被人类读写，又能被AI解析，还具备跨平台跨模型的一致性。

协作范式转变 — 人→标记→AI→代码→机器

实战案例：从需求到技能
只需要30分钟

说了这么多理论，来一个真实的操作演示。

对程序员意味着什么

看到这里，有些同行可能已经开始焦虑了：这是不是意味着程序员要失业了？

我的判断是：恰恰相反。

标记语言式编程，实际上提高了对"系统设计能力"的要求。

想不清楚的东西，用标记语言也写不清楚。AI能执行的前提，是人类自己对任务有足够清晰的理解。

这不是分工的简化，而是分工的升级。

未来展望：标记语言会成为
新的"世界语"吗？

我有一个大胆的预测：

就像HTML统一了网页内容的表达方式一样，某种标记语言规范会统一AI技能的表达方式——技能可以被跨平台使用、跨模型执行、跨团队共享。

这一天，可能比我们想象的来得更快。