URL即文档：LaTeX渲染器的无服务器创新

从Tiny Little Office到LaTeX渲染器

Simon Willison发布了一款名为LaTeX renderer的浏览器工具，灵感来源于Paul Ford与Aboard Foundry打造的Tiny Little Office。后者是一套覆盖文字处理、大纲、演示、表格、计算器、绘图、图表、动画、日历与行程规划的Web应用矩阵，其核心设计思路是把整份文档的数据存进URL的#fragment片段里——保存文档只需收藏一个链接，无需服务器、数据库或账号。

这一模式很快被AI工具链吸收：Tiny Little Office提供了llms.txt文件，告诉AI代理如何构造能渲染成文档的URL。Claude据此直接生成了一份解释URL格式的演示文稿，把「文档即链接」的理念推向了可编程场景。

Tiny Little Office 演示文稿编辑器截图

LaTeX渲染器如何工作

Simon用Claude Code（Opus 5.5 Extra）复刻了这一思路，并把目标换成LaTeX渲染。核心提示词非常简洁：创建一个接收#code-here片段、将其视为LaTeX并高效渲染的工具，支持一个前缀表示用专门的LaTeX压缩字典压缩内容；无片段时展示编辑器，可粘贴LaTeX并切换到「已渲染」视图，该视图可被书签收藏；带片段的视图仍可切回编辑源码。

安全层面借鉴了他此前SVG in Markdown工具的<iframe sandbox="...">机制来防御XSS风险，并加入从URL或GitHub Gist加载LaTeX内容的能力——这意味着一段分享链接既可以是短小精悍的编码文本，也可以指向远端权威源。

$LaTeX渲染器界面截图$

#fragment（URL片段标识符） 是URL中#之后的部分，浏览器用它定位页面内的锚点，但规范上它不会随HTTP请求发送到服务器。这一特性被Tiny Little Office和LaTeX渲染器巧妙借用：把整份文档的状态压缩编码后塞进#之后，数据只存在于用户浏览器中。好处是没有服务器能记录、篡改或丢失这些内容，隐私与持久性由URL字符串本身保证。代价是数据量受浏览器与平台对URL长度的限制（实用上限通常在数万字符量级），且片段内容对搜索引擎不可见。这也是为什么工具需要引入压缩字典——把一段LaTeX源码压成尽量短的字符串，才具备实际可分享性。

<iframe sandbox> 是HTML中用于隔离不可信内容的属性。当一段由AI生成、来源不可控的HTML/LaTeX被渲染到页面时，一旦其中隐藏恶意脚本，就可能读取Cookie、发起请求或篡改宿主页面（即XSS攻击）。sandbox属性会强制iframe进入受限环境，默认禁止脚本执行、表单提交、同源访问等能力，从而把潜在的有害内容关进「沙盒」里。文章提到的markdown-svg-renderer与LaTeX渲染器都用这一机制作为第一道防线，再叠加DOMPurify对输出HTML做净化，形成纵深防御。

技术栈：WASM时代的浏览器排版

工具的依赖组合颇有代表性：

Pako 2.1.0：处理DEFLATE压缩，配合LaTeX专用预设字典实现高压缩比
MathJax 4.1.3：成熟稳定的数学公式渲染方案
faster-latex 0.3.1：基于WebAssembly的LaTeX排版引擎，承担「真正渲染」的角色
DOMPurify 3.4.16：净化HTML输出，作为XSS防护的最后一道关卡

值得关注的是faster-latex的WASM方案。过去浏览器端LaTeX渲染多依赖KaTeX/MathJax覆盖公式，TikZ、文档级排版无法处理；WASM把完整TeX引擎搬进浏览器，让「URL里的论文」真正可行。示例链接中的文档甚至可以包含定理、证明、编号公式与TikZ图形。

WebAssembly（WASM） 是一种可在现代浏览器中运行的二进制指令格式，由C/C++/Rust等语言编译而来，执行速度接近原生。传统上浏览器端展示数学公式靠KaTeX或MathJax，它们本质是「公式到HTML/CSS」的转换器，只能处理数学表达式本身，无法完成真正的文档级排版。而完整的TeX引擎（如pdfTeX、XeTeX）是庞大的C程序，过去只能装在本地电脑或服务器上。WASM让这类引擎能被编译进浏览器，于是TikZ绘图、定理环境、自动编号、页面布局等「整篇论文级」能力第一次无需后端即可实现在网页里。faster-latex正是这一路线的产物，它让「URL里的论文」不只是数学公式，而是排版完整的文档。

DEFLATE与预设压缩字典：DEFLATE是ZIP、gzip等广泛使用的无损压缩算法。常规做法是让每个文档独立压缩，但短文档往往压不动，因为缺少重复模式。预设字典（preset dictionary）的思路是：发送方和接收方事先约定一段公共文本（此处是LaTeX常用命令、环境名、常见公式等），压缩时将它们视为「已出现过的内容」，从而让小体积文本也获得高压缩比。这正是Pako 2.1.0配合LaTeX专用字典的作用。代价是字典必须双方一致——一旦工具更换字典，旧链接就无法再正确解压，跨工具复用也因此困难。

URL即文档：AI工具链的新范式

Tiny Little Office与LaTeX渲染器共同指向一个趋势：URL正在成为AI生成内容的分发格式。

传统路径是「AI生成→保存到数据库→返回短链」，而#fragment方案把数据完全托管在浏览器端。好处有三：没有服务器成本与隐私负担；链接永不失效；AI只需生成一段URL字符串就能交付完整产物。LLM天然擅长构造结构化文本，压缩字典又进一步把体积压到可分享的粒度。

风险同样存在：URL长度有上限，复杂文档会触及浏览器限制；压缩字典必须收发双方一致，跨工具复用困难；片段数据无法被搜索引擎索引，天然排斥可发现性。这些权衡决定了它更适合作为「AI与用户之间的交付管道」，而非面向公众的内容发布平台。

llms.txt 是一种约定俗成的文本文件，放在网站根目录，用来向大语言模型和AI代理说明本站点有哪些内容、如何调用其接口或构造可用链接。它与给搜索引擎看的robots.txt、sitemap.xml思路类似，但服务对象变成了AI。Tiny Little Office提供的llms.txt会告诉模型「如何拼接出一个能渲染成文档的URL」，于是Claude只需按规则生成一段URL字符串，就能交付一份可打开、可分享的成品演示文稿。这正是文章所说「URL正在成为AI生成内容的分发格式」的具体落地路径：模型不再只返回文字，而是返回一个能直接呈现结果的链接。