十年前，我们开始用 YAML 编排容器、声明服务、配置 CI/CD；十年后，我们开始用 Markdown 定义 AI 的行为、规则和协作方式。
从 Kubernetes 的 deployment.yaml 到 GitHub 的 .prompt.md、AGENTS.md、SpecKit，我们正经历一次新的"声明式革命"——从声明基础设施，到声明智能。
从云原生到 AI 原生：从 YAML 到 Markdown 的转折
在云原生时代，开发者的使命是"让机器理解我们的配置"。YAML 成为一种描述性编程语言——它不是程序，却能驱动一切。Kubernetes、Terraform、Helm、Ansible……我们把系统行为抽象成声明，把部署逻辑变成状态描述。
但进入 AI 原生时代，我们面临新的问题：我们不再需要告诉机器"怎么运行容器"，而要告诉机器"怎么思考与行动"。
于是 Markdown 成为新的规范语言（Specification Language）。开发者开始用 Markdown 规范 AI 的语气、步骤、协作方式，把 prompt、rules、skills、spec 当作可维护的"AI 说明书"。这正是规范驱动开发（Spec-Driven Development, SDD）的起点。
Markdown：AI 原生时代的"声明式语言"
过去我们写 deployment.yaml 告诉集群如何部署服务；现在我们写 .prompt.md 告诉 Copilot 如何理解我们的代码。
一个典型的 Copilot Prompt 文件：
复制这几行文字就能改变整个 IDE 的行为。在 GitHub Copilot、VS Code、Cursor 等环境中，这些 .prompt.md 文件被自动加载，构成了 AI IDE 的"语境层（context layer）"。
Copilot Prompt 文件加载流程图
Copilot Prompt 文件加载流程图
这意味着：AI 的行为，不再藏在隐形的 system prompt 里，而变成仓库的一部分。
从 .prompt.md 到 AGENTS.md，再到 Anthropic 的 SKILL.md、GitHub 的 SpecKit，Markdown 逐渐演化为一种新的编程语言——一种描述智能体"该怎么做事"的语言。
从 Prompt 到 Skill 到 Spec：AI 规范的演化路径
阶段 | 规范载体 | 核心目标 | 代表实践 |
云原生时代 | YAML | 声明基础设施 | Kubernetes、Terraform |
Prompt 工程时代 | Markdown | 提示上下文 | Copilot .prompt.md、AGENTS.md |
技能模块时代 | Markdown + 脚本 | 封装能力 | Anthropic Agent Skills、Cursor Rules |
规范驱动时代 | Markdown + DSL | 规范协作 | GitHub SpecKit |
这种演化并非偶然。YAML 和 Markdown 其实解决了同一个问题：如何把人类意图结构化地传达给机器。
YAML 描述机器行为的"状态与配置"；Markdown 描述智能体行为的"语境与规则"。从 Cloud-Native 到 AI-Native，我们只是把声明对象从容器换成了智能体。
Anthropic Agent Skills：从"声明配置"到"声明能力"
Anthropic 的 Agent Skills 是这一趋势的典型代表。每个技能（Skill）是一个独立目录，核心文件是 SKILL.md：
复制Claude 启动时只加载技能名称与描述（几十个 token），当任务触发时，再动态加载完整内容——这就是所谓的渐进披露（progressive disclosure）。
这与 Kubernetes 加载 CRD 的方式惊人地相似：控制平面不需要立即知道每个字段的细节，只要在执行时再解析即可。AI 的"知识面"也因此实现了动态扩展——用 Markdown 模块化知识，用执行环境激活技能。
Skill 不只是文档，还可以附带脚本。Claude 可以在安全沙箱中运行这些脚本，像执行容器一样调用外部逻辑。这让"读文档"和"执行任务"合二为一——AI 既能理解指令，也能自己完成操作。
Anthropic Agent Skills 加载与执行流程图
Anthropic Agent Skills 加载与执行流程图
Copilot Prompt、Cursor Rules 与 Skills：AI 规范的中层革命
这三种机制其实解决了相同的问题：如何在 AI IDE 中定义"上下文 + 规则 + 行为"。
层级 | 载体 | 定义内容 | 场景 |
Prompt 层 | .github/prompts/*.prompt.md | 语气、上下文、风格 | Copilot、VS Code |
Rule 层 | .cursor/rules/*.md | 项目规则、约束 | Cursor IDE |
Skill 层 | skills/*/SKILL.md | 能力模块与脚本 | Claude Code |
• Copilot Prompt 定义"我是谁"；
• Cursor Rules 定义"我该怎么写"；
• Skills 定义"我能做什么"。
这是一种从上下文到能力的自然过渡。而下一阶段，就是从能力到治理——SpecKit。
GitHub SpecKit：让 AI 按规范开发
SpecKit 把"开发规范"升级为一整套治理体系。它以"Constitution（宪法）→ Spec（规范）→ Plan（计划）→ Task（任务）"为层次，让 AI 可以像项目经理一样遵循规则执行开发。
在 .specify/ 目录中，开发者定义：
复制在 specs/ 中定义阶段任务，AI 按阶段执行、反馈、验证。这已经不仅是提示或风格指导，而是治理机制（governance layer）。
换句话说，SpecKit 是"AI 团队协作的 GitOps"。
GitHub SpecKit 治理流程图
从声明式到规范式：AI 编程的第二次范式转移
我们可以把这次变革看作云原生哲学的延续。
时代 | 驱动力 | 核心问题 | 解决方式 |
云原生 | 基础设施自动化 | 如何让机器执行配置？ | 声明式 YAML |
AI 原生 | 知识与智能协作 | 如何让智能体执行规范？ | 规范式 Markdown |
Kubernetes 用 YAML 管理容器，SpecKit 用 Markdown 管理智能。我们正从"Infrastructure as Code"走向"Intelligence as Specification"。
这不是玩笑。YAML 地狱尚未远去，Markdown 地狱正在路上。
规范驱动开发（Spec-Driven Development, SDD）
SDD 让我们重新定义"开发"的意义：
• Prompt 是上下文配置文件（定义身份与风格）
• Skill 是能力模块（定义行为与工具）
• Spec 是项目宪法（定义规则与目标）
规范驱动开发层级图
这三层共同构成了 AI IDE 的"规范体系结构"。未来的 IDE 不再是文本编辑器，而是一个"认知操作系统"——具备记忆、技能与规范。
实践建议：在你的仓库中启用规范层
以你的 website/ 仓库为例：
1. 创建 .github/prompts/
• 定义 .github/prompts/docs.prompt.md
• 规定写作语气、风格、语言、格式。
1. 编写 AGENTS.md
• 描述项目的开发流程、依赖、构建命令、测试方法。
• 让 Copilot 或 Cursor 在项目内拥有"本地规则感知"。
1. 加入 SpecKit
• 在 .specify/ 目录定义项目宪法与阶段任务。
• 让 AI 以规范化的方式参与开发。
1. 可选：引入 Skills 模块
• 把常用的内容生成、翻译、发布脚本封装成技能。
• 未来 Claude 或 Gemini 均可调用。
AGENTS.md 在仓库中的应用流程图
AGENTS.md 在仓库中的应用流程图
通过这几步，你的仓库就从传统仓库升级为 AI 协作就绪仓库（AI-Ready Repo）。
从 YAML DevOps 到 Markdown AIOps
云原生 DevOps 让我们学会：
"让配置可复现。"
AI 原生 AIOps 让我们学会：
"让智能可复现。"
YAML 定义了容器生命周期，Markdown 定义了智能体生命周期。
我们正在经历一个历史性转折——从编排基础设施，到编排智能。
从 DevOps 到 CollabOps：规范驱动开发的哲学转向
DevOps 的革命，让我们第一次相信——通过声明与自动化，机器可以可靠地与人协作。
十年后，我们正进入另一个协作范式——CollabOps（Collaborative Operations）：不仅是机器之间的协作，而是人、智能体、代码共同参与的自治网络。
在云原生时代，YAML 是信任的契约：我们把配置写进文件，让集群去实现；系统变成"听话的执行者"。
在 AI 原生时代，Markdown 成为新的契约：我们把规则写进文档，让智能体去遵守；系统变成"懂事的协作者"。
区别在于：
• DevOps 解决的是命令如何执行得更准确；
• CollabOps 解决的是意图如何被正确理解。
这就是规范驱动开发（Spec-Driven Development）的哲学基础：
用可阅读、可协作的方式描述智能行为，让机器理解人类的"为什么"，而不仅是"做什么"。
它继承了 YAML 的声明式精神，又吸收了 Markdown 的可解释特性。YAML 是机器能解析的最小真理，Markdown 是人类能阅读的最大模糊。而 AI，恰好生存在这两者之间。
未来的开发者，或许不再是"写代码的人"，而是"设计规范的人"——他们定义了 Agent 的角色、边界、合作方式；他们像 DevOps 写 CI/CD 一样写 Skills、Prompts、Specs；他们构建的，不再是程序，而是认知协作系统。
正如云原生让我们学会用 YAML 驯化复杂性，AI 原生将教会我们用 Markdown 驯化智能。这场转变，不只是工具的升级，而是开发哲学的延续。
从 Infrastructure as Code 到 Intelligence as Collaboration——这是我们时代新的编程宣言。
结语：AI-Native 的未来，是规范的未来
当 Prompt 成为配置文件、Skill 成为插件、Spec 成为治理机制，AI IDE 就不再是辅助工具，而是团队中的认知成员。
YAML 让我们声明了机器的状态；Markdown 让我们声明了智能的意图。
这场从 YAML 到 Markdown 的迁移，不仅是语法层的变化，更是开发哲学的更迭：
云原生让计算可编排，AI 原生让智能可编排。
总结
本文探讨了从 YAML 到 Markdown 的技术演变，揭示了 AI 原生时代规范驱动开发的兴起。通过对比云原生与 AI 原生的声明式范式，文章阐明了 Markdown 如何成为描述智能体行为的新语言，并通过 Prompt、Skill、Spec 的层级演化，展示了从基础设施自动化到智能协作的哲学转向。实践建议为开发者提供了启用规范层的具体路径，最终强调了 CollabOps 作为未来协作范式的意义。这一转变不仅改变了开发工具，更重塑了开发者与 AI 的协作方式。
参考文献
1. Equipping Agents for the Real World with Agent Skills - anthropic.com
2. Spec-driven development with AI: Get started with a new open source toolkit - github.blog
3. AGENTS.md Emerges as Open Standard for AI Coding Agents - infoq.com
