Markdown vs HTML
多模态AI时代的信息格式架构论
An Architectural Theory of Information Formats in the Age of Multimodal AI
摘要 Abstract
2026年5月，Anthropic工程师Thariq Shihipar发表《The Unreasonable Effectiveness of HTML》一文，主张HTML应取代Markdown成为AI的默认输出格式，引发行业广泛争论。本文按照AI发展的时间线——过去、现在、未来——对Markdown与HTML两种技术路线进行架构分析，论证两者之间不存在替代关系，而是多模态AI有机体中服务于不同功能层的互补组件。论文发现，看似对立的两位代表人物——坚持Markdown的Andrej Karpathy与推崇HTML的Thariq Shihipar——实际上各自在描述同一个多层架构的不同切面：前者是存储层的代言人，后者是执行层的代言人。论文提出三个核心命题：（一）Markdown是LLM文字预测核心的原生载体，不可替代；（二）HTML是多模态交互的必然路径，不可或缺；（三）语音是多模态发展的未来主导交互方式。三者构成”交互层·存储层·执行层”的完整架构，其对齐即为多模态AI能力的涌现。
MarkdownHTML多模态AIToken经济信息熵推理Token语音交互数学形式化
引言：一场需要重新定义的争论 A Debate That Needs Reframing
2026年5月8日，Anthropic的Claude Code工程负责人Thariq Shihipar发表了一篇引爆社交媒体的长文[1]。16小时内，该文获得超过440万浏览量、8200个点赞和15700个收藏[2]。其核心主张是：Markdown作为AI默认输出格式的时代应该结束，HTML才是更优选择。几乎同时，OpenAI联合创始成员Andrej Karpathy的CLAUDE.md文件在GitHub上获得超过60000颗星[3]，用纯Markdown构建了一套完整的AI知识管理范式[4]。
行业将此视为”格式战争”。然而，本文将论证这不是一场”谁取代谁”的战争，而是一个需要用时间线来理解的演化过程——Markdown的主导地位源于LLM的文字预测核心，HTML的崛起回应了多模态交互的需求，而语音将成为未来人机交互的主通道。三者在时间轴上依次登场，在架构中各归其位。
LLM的文字预测核心与Markdown的必然性 The Text Prediction Core and the Inevitability of Markdown
大语言模型的全部能力建立在一个基础机制上：下一个Token预测。从GPT-1到GPT-4，从Claude到Gemini，所有LLM的预训练目标都是在给定前文的条件下预测下一个Token。这个机制决定了LLM的”母语”——它们生成的内容必然带有训练语料的分布特征。
而训练语料的格式化文本分布严重偏向Markdown[18]。GitHub上的README.md、arXiv的LaTeX论文、Stack Overflow的技术问答、开发者文档——互联网上最高质量的结构化文本几乎全部以Markdown或其近亲格式存在。Markdown是LLM的”母语”——它们生成的Markdown比任何其他格式都更干净、更一致[9]。这不是通过重新训练可以改变的，因为这反映的是互联网本身的内容分布[18]。
2022年11月ChatGPT发布时，GPT-3.5默认以Markdown语法输出文本[17]。这不是OpenAI的设计选择，而是训练数据的自然结果。Karpathy后来将教科书的结构类比为AI训练的三个阶段：”阐述内容等于预训练，解题示例等于监督微调，练习题等于强化学习环境”[5]——而所有这些的载体都是Markdown。
2026年4月，Karpathy将这一理念推向了极致。他发布了”LLM Wiki”——一个零代码的架构模式：让LLM主动编纂、维护和互联Markdown文件，构建一个自我修复的知识库[29]。该帖48小时内获得1600万浏览量。他的wiki在单一研究领域增长到约100篇文章、40万字——几乎没有手动编辑[30]。VentureBeat将Markdown称为”最LLM友好且最紧凑的数据格式”[29]。Karpathy自己的框架是三层：原始资料（不可变事实来源）→ Wiki（LLM维护的Markdown知识层）→ Schema（CLAUDE.md作为操作契约）[31]。这与本文提出的三层架构具有结构性同构。
更关键的是Karpathy对2026年核心问题的重新定义：“有趣的问题不再是’如何让模型更聪明’，而是’如何结构化模型可以访问的信息'”[29]。Markdown的价值不在于格式美观，而在于它是信息结构化的最优载体。
信息密度与数学原生性：Markdown的双重护城河 Information Density and Math Nativeness: Markdown’s Double Moat
在2022-2023年的早期LLM时代，上下文窗口极其有限（GPT-3.5仅4096-8192 Token[8]），每一个Token都弥足珍贵。在这一约束下，Markdown的信息压缩优势具有决定性意义。
但信息密度只是Markdown的第一道护城河。第二道更深：数学公式的生态原生性。严格来说，Markdown核心规范（CommonMark）并不包含数学语法。然而，通过LaTeX扩展（$...$和$$...$$），Markdown生态系统——GitHub Flavored Markdown、Obsidian、Typora、Notion——已将数学公式支持发展为事实标准。$E=mc^2$ 用5个字符表达一个物理定律；HTML需要引入MathJax/KaTeX库并使用冗长的MathML标签。根据2025年开发者文档调查，35%的技术文档包含数学公式[10]——而这个比例正在加速上升。
在这一阶段，用HTML作为AI输出格式在经济上不可行，在技术上不必要。Markdown的主导地位是LLM的训练数据分布、Token经济约束和数学生态亲和力三重因素的必然结果。
HTML作为AI输出格式的崛起 The Rise of HTML as AI Output Format
2024年是转折之年。两个事件同时发生：Token价格暴跌，AI交互界面出现范式转移。
价格端，GPT-4o mini于2024年7月将”够好”的AI推理成本压至不到$1/百万Token[14]——距GPT-4以$30/百万Token发布仅过了16个月。Token的经济约束被大幅松绑，HTML多占的3倍Token不再是致命成本。
界面端，Anthropic于2024年6月20日发布Claude Artifacts[21]——AI行业首次将HTML渲染为可交互的输出界面。用户可以在对话旁的侧面板中实时查看、交互和迭代HTML内容。这不是简单地在聊天窗口中输出代码，而是创建了一个全新的AI交付范式。自发布以来，用户已创建超过5亿个Artifacts。
竞争平台迅速跟进：OpenAI的Canvas（2024年10月）、Microsoft的Copilot Pages（2024年9月）、Google的Gemini Canvas（2025年3月）[21]。HTML从”AI理论上可以生成但没什么用的格式”变成了”有专用渲染容器的可交互输出格式”。
这是HTML作为AI输出格式的历史性突破——它不是取代了Markdown，而是打开了一个Markdown从未覆盖的维度：可视化交互。
Token经济的冰山结构 The Iceberg Structure of Token Economics
然而，就在HTML输出变得经济可行的同一时期，Token经济发生了一场更深层的结构性变革——推理Token的诞生。
2024年9月，OpenAI在o1模型中引入了不可见的”推理Token”——代表模型内部思考过程的Token，按输出费率计费但不出现在最终回复中[13]。这是整个Token经济的结构性断裂点：用户看到的Token不再等于消耗的Token。
| 时期 | Token结构 | 用户可见占比 | 客户体感 |
|---|---|---|---|
| 2022.11 – 2024.06 | 输入 + 输出 = 全部 | 100% | 所见即所付，透明 |
| 2024.07（价格暴跌） | 输入 + 输出 | 100% | “AI变便宜了！” |
| 2024.09（o1发布） | 输入 + 推理(隐藏) + 输出 | ~30% | “怎么又变贵了？” |
| 2025（推理标配化） | 输入 + 系统 + 历史 + 推理 + 输出 | ~5% | “明明更强了，为什么没更便宜？” |
| 2026（Agent时代） | 输入(1%) + 隐藏层(95%) + 输出(4%) | ~5% | “一个简单任务要花这么多钱？” |
在一个被追踪的Claude会话中，用户14个Token的提问在第1轮花费$0.0018，到第260轮花费约$2.41——单纯由于历史记录增长，成本增加了1,339倍。用户自己的输入Token仅占所有处理Token的约1.3%[16]。
这一结构变化从根本上改变了格式争论的前提。当推理Token占据总成本的95%以上时，输出端选择HTML还是Markdown节省的那40%Token差异，在总账单中已经是舍入误差。Anthropic自身的数据显示，”计算机和数学”类任务在API中占比增加了14%，在聊天界面中下降了18%[23]——工具化使用正在取代对话式交互，格式选择的标准从”省Token”转向了”信息密度最大化”和”功能适配性”。
同一架构的两层代言人 Two Advocates for Different Layers of the Same Architecture
理解了技术演化的时间线和Token经济的结构变化之后，一个比”格式战争”更精确的模式浮现了：Karpathy和Thariq并非对立的两派，而是同一个多层架构的两层代言人——一个在描述存储层，一个在描述执行层。
6.1 Karpathy：存储层的代言人
Andrej Karpathy——OpenAI联合创始成员、前Tesla AI总监。他的LLM Wiki将Markdown定义为AI的知识管理层：让LLM主动编纂、维护和互联Markdown文件，构建自我修复的知识库[4][29]。对他来说，Markdown是AI的记忆介质——信息的持久化、结构化、可检索载体。
但Karpathy本人并非”反HTML”。在2025年年终回顾中，他明确指出：“文本是计算机（和LLM）的原生数据表示，但它不是人类的偏好格式。人们喜欢以视觉和空间方式消费信息。LLM应该用我们偏好的格式与我们交流——图像、信息图、幻灯片、白板、动画、Web应用等。”[32]他承认Markdown和emoji只是这种趋势的”早期版本”——文字的视觉化”装扮”。
6.2 Thariq：执行层的代言人
Thariq Shihipar的职业背景揭示了他为何聚焦于执行层：多伦多大学毕业，在Rocket Insights做产品开发[6]，创办YC支持的视频游戏公司经营五年，MIT Media Lab读研——约一年前加入Anthropic[7]。他的20个HTML示例——代码审查面板、数据可视化、交互式对比——全部是人类消费端的体验优化，恰好对应了Karpathy所说的”LLM应该用我们偏好的格式与我们交流”。
| 维度 | Karpathy（存储层代言人） | Thariq（执行层代言人） |
|---|---|---|
| 关注的层 | AI内部的知识管理和持久化 | AI向人类的交付和交互 |
| 核心问题 | “如何结构化模型可以访问的信息” | “如何让人类更好地消费AI输出” |
| 职业背景 | AI/ML研究、预训练、深度学习 | Web产品、游戏、SaaS |
| 对另一层的态度 | 承认”LLM应用视觉格式与人交流”[32] | 承认”如果读者是模型，用Markdown”[8] |
| 本质角色 | 基础设施层——让AI更好地思考 | 应用层——让人类更好地接收 |
这一发现改变了整场争论的性质。这不是”Markdown派 vs HTML派”的格式战争——是两个人分别站在同一栋建筑的不同楼层向外描述他们看到的风景。Karpathy看到的是地基（知识如何被结构化存储），Thariq看到的是外墙（知识如何被人类消费）。当我们把两层叠合在一起时，看到的就是论文提出的多层架构。需要指出的是，这一观察基于两个代表性人物的公开言论，更大范围的样本验证是后续工作的方向。
AI的熵减本质与输出公式化趋势 AI as Entropy Reduction and the Trend Toward Formalization
当前格式争论的背后，一个更深层的结构性力量正在运作：AI本质上是一台熵减机器，它接收高熵的人类语言输入，提取其中的结构——因果关系、约束条件、变量依赖——然后输出低熵的结构化信息。基于熵的训练框架ENTRA已证明，通过抑制LLM推理中的冗余内容，可将输出长度减少37%-53%而准确率不降反升[22]。
那么，熵减的方向指向哪里？在可形式化的知识领域中，答案是数学公式。F=ma 三个符号压缩了牛顿力学的全部运动规律。E=mc² 五个符号统一了质量和能量。数学公式是这类知识的信息密度上限。
这一趋势并非AI的”主观选择”，而是结构性必然。OpenAI已证明AI幻觉在数学上不可避免[11]。自然语言输出无法被结构性验证，但形式化数学表达可以被定理证明器（如Lean）机械验证[12]。2026年初的”First Proof”挑战赛中，AI在一周内自主解决了超过一半的研究级数学问题[26]。越来越多的AI使用者是工具化需求——他们要的不是对话，是可验证的结果。
语音：未来必然主导的交互方式 Voice: The Inevitable Dominant Mode of Human-AI Interaction
当我们将视线从格式层抬升到交互层，一个更大的范式转移正在发生：文字正在让位于语音，成为人机交互的主通道。
到2026年，全球AI语音助手市场预计超过500亿美元，87.5%的开发者正在积极构建语音Agent[19]。语音是人类最早的接口——远在文字或打字之前[20]。人说话的速度约150词/分钟，打字约40词/分钟。键盘正在成为次要输入方式[20]。Karpathy本人也指出：”人们实际上不喜欢阅读文本——它缓慢且费力”[32]。
这意味着Markdown vs HTML的争论——本质上是两种文字标记语言之间的争论——正在被一个更大的趋势所超越。当人类用语音和AI交互时，他们既不写Markdown也不写HTML。两种格式都退到了”后台实现”的位置——就像今天没有人关心浏览器内部用二进制还是十六进制。
需要指出的是，语音是近未来的主导交互方式，但不一定是终极交互方式。截至2026年初，Neuralink已在至少21名患者身上植入脑机接口设备[33]，BCI技术正从实验室走向消费电子。更远期的交互范式可能超越语音，直接连接人类认知与AI。但在可预见的未来（2026-2035），语音是最现实、最大规模的主导交互通道。
语音数据的不可压缩性与多模态对齐 The Incompressibility of Voice Data and Multimodal Alignment
语音不是文字的低效版本。它是一个独立的信息维度。
当语音被转写成文字时，情绪、犹豫、语速变化、呼吸停顿——全部被压成了扁平的文字符号。这意味着语音信号对多模态AI训练具有不可替代的价值：如果只保存文字转写而丢弃原始语音，模型永远学不会”语调下降+停顿=犹豫性同意≠坚定同意”这种跨模态关系。
多模态AI的核心架构印证了这一点。阿里的Qwen2.5-Omni将推理和表达分离为两个组件——”思考者”在文本域中处理所有输入模态并产生推理，”说话者”将推理结果实时转换为流式音频[27]。文字关系是推理的锚点，其他模态对齐到这个锚点上——但对齐的前提是其他模态的原始数据必须被保存。没有数据保存的交互就是纯消费行为——不产生AI进化所需的资产。
Markdown的天花板与HTML的多模态角色 Markdown’s Ceiling and HTML’s Multimodal Role
在多模态的语境下，Markdown有一个结构性天花板：它无法承载音频和视频。Markdown的原生能力边界是纯文本+图片引用链接。想在.md文件中嵌入一段语音，唯一的办法是退回到内嵌HTML标签——这恰恰说明了两者的层次关系。
而HTML天生就是多模态容器——<audio>、<video>、<canvas>、<svg>、<script>——全部原生支持。在多模态AI的世界里，HTML是唯一能同时承载文字、音频、视频、图像和交互的Web标记语言。
如果AI停留在纯文字世界里，它永远只是程序员和研究者的工具。要渗透C端大众市场，AI必须变成多模态——而多模态在Web端的容器只能是HTML。这不是HTML”取代”Markdown，而是HTML覆盖了Markdown无法到达的维度。同时需要指出，在移动端原生应用（React Native、Flutter、SwiftUI）中，HTML并非唯一选择——但在Web生态中，它是不可替代的。
HTML的不可替代性还体现在另一个维度：它是Progressive Web App（PWA）的基础。PWA建立在HTML/CSS/JavaScript之上，具备可安装、离线可用、推送通知三大能力[34]。PWA可被搜索引擎索引、更容易符合Web无障碍标准（Accessibility），在2026年已成为全球优先事项。这意味着HTML不仅能承载多模态内容，还能让AI的交付物变成可安装的离线应用、可被搜索引擎发现、符合无障碍标准——这些能力Markdown完全不具备。
由此，两种格式的定位终于清晰了：
HTML = 多模态训练与交互信息的载体 = 多模态感知与C端触达
两者对齐 = 多模态AI能力的涌现
三层架构：交互·存储·执行 Three-Layer Architecture: Interaction · Storage · Execution
综合过去（Markdown的LLM原生性）、现在（HTML的多模态交互崛起、Token经济的冰山化）和未来（语音交互的必然主导）三个时间维度的分析，本文提出多模态AI时代的信息格式三层架构：
每一层使用最适合其功能定位的格式，而不是让一种格式试图统治所有层。语音优化交互效率（人类输入带宽最大化），Markdown优化信息持久性（压缩密度、公式原生、可检索、可版本控制），HTML优化交付体验（多模态渲染、可视化、可交互）。
并且，所有层的数据——语音的情感信号、Markdown的结构化文本、HTML的用户交互行为——都必须被保存并回流至模型训练。没有数据保存的交互就是纯消费行为。AI的进化依赖于每一层数据资产的持续积累。
反论与回应 Counterarguments and Responses
12.1 “Markdown本质上编译为HTML”
这是事实。John Gruber创造Markdown时，明确将其定义为”text-to-HTML conversion tool”。从技术层面看，Markdown是HTML的简写。但这不影响本文的论点——正如汇编语言编译为机器码，但我们仍然区分它们的使用层次。Markdown和HTML在数据生命周期中服务于不同的阶段：一个优化写入和存储，一个优化渲染和消费。编译关系不等于功能等价。
12.2 “JSON才是AI结构化输出的真正载体”
在Agent-to-Agent通信中，JSON（以及YAML、Protocol Buffers等）确实是更合适的格式——它们比Markdown和HTML都更精确、更易机器解析。本文的讨论聚焦于人类可读/可写的信息格式。在完整的AI数据生态中，JSON服务于机器间通信层，Markdown服务于人类可读的存储层，HTML服务于人类可交互的渲染层——三者在不同的通信界面上工作。
12.3 “数学形式化不适用于所有知识”
完全同意。Section VII已修正此论点：AI输出趋向数学表达的判断仅限于”可形式化的知识领域”。法律论证、伦理推理、文学叙事、外交谈判等领域的知识抵抗数学形式化，结构化自然语言仍是其最优载体。这恰恰强化了Markdown的长期价值——它既能承载公式（通过LaTeX扩展），也能承载无法公式化的结构化文字。
12.4 “Markdown的数学支持不是原生的”
严格来说正确。CommonMark规范不包含数学语法，$...$是LaTeX语法，由第三方渲染器解析。但事实标准（de facto standard）的力量不亚于规范标准。GitHub、Obsidian、Typora、Notion、VS Code均已原生支持数学渲染。当35%的技术文档包含数学公式时，这一生态优势已经构成实质性的竞争壁垒。
结论：对齐即涌现 Conclusion: Alignment Is Emergence
本文通过过去、现在、未来三个时间维度的分析，得出以下结论：
过去（2022-2023）：LLM的文字预测核心决定了Markdown成为AI的原生格式。训练数据分布、Token经济约束和数学生态亲和力三重因素使Markdown的主导地位成为必然。
现在（2024-2026）：Token价格暴跌松绑了经济约束，Claude Artifacts开创了HTML交互输出范式，但推理Token的诞生和膨胀使输出端的格式成本差异变得微不足道。看似对立的两位代表人物——Karpathy与Thariq——实际上各自在描述同一个多层架构的不同切面：前者是存储层的代言人，后者是执行层的代言人。Karpathy本人在2025年年终回顾中已明确承认”LLM应用视觉格式与人交流”——两者的观点在各自承认对方层次时已经隐性对齐。同时，AI的熵减本质正在推动输出向数学形式化方向演化。
未来（2026→）：语音将成为人机交互的主通道，Markdown和HTML都退到后台实现层。但Markdown因LLM的文字预测核心、信息压缩密度和数学生态原生性而不可替代；HTML因多模态容器能力和C端交互触达而不可或缺。语音信号的不可压缩性要求原始多模态数据必须被保存，而非仅保留文字转写。
AI需要多模态外延以渗透C端——所以HTML不可或缺。
语音是人类最自然的接口——所以它将主导未来交互。
Markdown是AI的左脑——逻辑、推理、公式。HTML是AI的右脑——感知、多模态、C端触达。语音是AI的嘴和耳朵。三者不是竞争关系，是一个完整的多模态AI有机体的不同器官。Karpathy和Thariq不是在打仗，他们是站在同一栋建筑的不同楼层描述各自看到的风景。对齐即涌现。
参考文献 References
- Shihipar, T. “Using Claude Code: The Unreasonable Effectiveness of HTML.” X/Twitter, May 8, 2026.
- Pillitteri, P. “HTML vs Markdown in Claude Code: Why Anthropic’s Thariq Changed the Default.” pasqualepillitteri.it, May 2026.
- Liu, Y. “The 4 Lines Every CLAUDE.md Needs.” Level Up Coding / Medium, April 2026.
- MindStudio. “What Is the Karpathy LLM Wiki Pattern?” mindstudio.ai, April 2026.
- Zannarbor, F. “Andrej Karpathy on Books & LLMs.” Substack, October 2025.
- Crunchbase. “Thariq Shihipar — Founder and CEO @ One More Multiverse.” crunchbase.com.
- Shihipar, T. Personal website and Vibe Code Camp interview. thariq.io; davidguttman.github.io, 2026.
- RentierDigital. “HTML vs Markdown for AI Agent Output.” rentierdigital.xyz, May 2026. web2md.org data.
- Unmarkdown. “The AI Output Problem: Why Every AI Tool Writes in Markdown.” unmarkdown.com, February 2026.
- Markdown Visualizer. “Math & LaTeX in Markdown — Complete Guide.” markdownvisualizer.com, March 2026.
- Computerworld. “OpenAI Admits AI Hallucinations Are Mathematically Inevitable.” February 2026.
- Yang, K. et al. “Formal Mathematical Reasoning: A New Frontier in AI.” arXiv:2412.16075, December 2024.
- Ibbaka. “Pricing Thought: OpenAI Will Price Reasoning Tokens in o1.” ibbaka.com, September 2024.
- PriceWorld. “ChatGPT vs Claude vs Gemini: What Every AI Subscription Actually Costs in 2026.” March 2026.
- EG3. “What Are AI Reasoning Tokens and Their Hidden Costs.” eg3.com, April 2026.
- IntuitionLabs. “Token Optimization and Cost Management for ChatGPT & Claude.” intuitionlabs.ai, May 2026.
- OpenAI. “GPT models use a syntax called Markdown.” GPT documentation, November 2022.
- The Last Fingerprint. “How Markdown Training Shapes LLM Prose.” arXiv:2603.27006, 2026.
- AssemblyAI. “Voice AI in 2026.” assemblyai.com, February 2026. “87.5% of builders actively building voice agents.”
- ViitorCloud. “Best UI/UX Trends for AI-Powered Applications in 2026.” April 2026; Mistral AI, “Voxtral,” 2026.
- AI Wiki. “Claude Artifacts.” aiwiki.ai, May 2026. “Launched June 20, 2024. 500M+ Artifacts created.”
- ENTRA. “Entropy-Based Redundancy Avoidance in LLM Reasoning.” arXiv:2601.07123, 2026.
- GetPanto. “Anthropic AI Statistics 2026.” getpanto.ai, May 2026.
- Horecny, J. “The AI Price Collapse Is Real.” Medium, March 2026. Stanford AI Index 2025 data.
- PMC. “Bridging Text and Speech for Emotion Understanding.” December 2025.
- Quanta Magazine. “The AI Revolution in Math Has Arrived.” April 2026.
- Sopyla, K. “Speech-to-Speech Models in 2026.” ai.ksopyla.com, February 2026. Qwen2.5-Omni architecture.
- Willison, S. “Using Claude Code: The Unreasonable Effectiveness of HTML.” simonwillison.net, May 8, 2026.
- VentureBeat. “Karpathy shares ‘LLM Knowledge Base’ architecture that bypasses RAG with an evolving markdown library maintained by AI.” venturebeat.com, April 3, 2026. “Markdown — the most LLM-friendly and compact data format.”
- Codersera. “Karpathy’s LLM Knowledge Base: Build an AI Second Brain.” codersera.com, April 6, 2026. 100 articles, 400K words, zero manual editing.
- AI Critique. “Andrej Karpathy’s latest concept ‘LLM Wiki’ and the future of enterprise knowledge.” aicritique.org, May 8, 2026. Three-layer architecture: raw sources → wiki → schema.
- Karpathy, A. “2025 LLM Year in Review.” karpathy.bearblog.dev, December 2025. “Text is the raw/favored data representation for computers (and LLMs), but it is not the favored format for people.”
- The Week. “Neuralink and beyond: How BCIs are rewriting the future of human-technology interaction.” theweek.in, May 10, 2026. “As of early 2026, Neuralink has implanted devices in at least 21 patients.”
- WebPiki. “PWA in 2026: Are Progressive Web Apps Still Worth It?” webpiki.com, February 2026. PWA: HTML/CSS/JS foundation, installable, offline-capable, push notifications.