我前几天在想一个问题。
微信支付发了AI工具箱1.0，让AI帮你接支付。逻辑很顺，你告诉AI「我要接小程序支付」，AI读文档、写代码、调通接口，你不用碰文档。
但等等，AI怎么读文档？
微信支付的文档里有很多时序图、状态图，都是图片或者HTML渲染的图表。大多数模型，尤其是那些没有多模态能力的模型，根本看不懂。它们看到的不是「图」，是一堆alt标签或者乱码。
所以1.0的实际体验是，AI能读文字，但读不懂图。涉及状态流转、回调时序这些核心逻辑的地方，AI大概率会猜，猜错了你还得自己看文档。
然后今天，微信支付发了2.0。
我仔细看了一眼升级点，发现有一个改动特别小、但特别聪明的，把文档里所有时序图和状态图全部转成了Mermaid格式。
这个改动，比它听起来重要得多。
先说Mermaid是什么。它是一种用代码画图的格式，长这样
任何模型都能读懂这段代码，因为它就是文本。不需要多模态能力，不需要看图，直接按行读就行了。
原来的HTML图表呢？对模型来说是一团节点嵌套，它要先把HTML渲染成「图」这个概念，才能理解时序关系。没有多模态能力的模型，这一步就卡住了。
转成Mermaid之后，整体Token消耗比原始HTML降低50%。两个原因，Mermaid格式本身比HTML精简得多，模型理解Mermaid需要的Token也比理解一张图片少得多。
嗯，这个设计思路其实挺反直觉的。大多数人做AI友好文档，第一反应是「加多模态支持，让模型能看图」。微信支付选了另一条路，把图变成文本，让所有模型都能读。
说回正题，这个改动解决了1.0时代一个很真实的问题。你有了一个Skill，Skill能读文档，但文档里的关键逻辑藏在图里，模型读不懂，Skill的输出就只能靠猜。猜错了，你还是得自己看文档。
2.0把这个问题在源头上解决了。
