在过去三年里，对于任何企业 AI 上下文问题，工程上的默认响应几乎是自动化的："直接构建一个 RAG pipeline 就行。"
你启动一个 vector database，对公司的 PDF 进行 chunk，生成 embeddings，并在运行时执行 semantic similarity searches。对于模糊的探索式搜索来说，这已经足够好用。
但随着我们进入 2026 年，RAG-everything 方法中的裂痕已经大到无法忽视。Chunking 会破坏复杂的表格结构，vector retrieval 本质上是概率性的（你_可能_拿到正确的 chunk，也可能拿到一个过时的 chunk），而让 embeddings 与快速更新的数据保持同步，绝对是一场运维噩梦。
为了解决这一问题，Google Cloud 通过开源 Open Knowledge Format (OKF v0.1) 让“RAG-everything”的噪音安静了下来。它不是一个新的云数据库、LLM framework 或 SDK。相反，它是一个 vendor-neutral、可移植的规范，用于形式化 “LLM Wiki”范式——也就是 AI 研究者 Andrej Karpathy 等人长期倡导的那种结构化、互联的“brain”概念。
OKF 将我们的策略从_在非结构化文件上进行概率式搜索_，转变为_在一个鲜活的、同时可供人类和 agent 阅读的 knowledge graph 中进行确定性导航_。
Open Knowledge Format (OKF) 到底是什么？
OKF 标准化了组织知识、业务逻辑和后端 schema 的结构化方式，使任何 AI agent 都能够原生遍历并理解它们，而无需自定义翻译层。
OKF collection——称为 Knowledge Bundle——并不是昂贵的黑盒数据库，而只是一个由纯文本 Markdown 文件组成的标准目录，并用 YAML frontmatter 包裹。
OKF Bundle 的结构
在 OKF bundle 中，目录路径定义了一个概念的唯一身份。信息不是被粗暴地倾倒进一个索引，而是被编译成高度聚焦、单一的“Concepts”（例如内部 API contract、财务指标或 database schema）。
纯文本
company_brain/
├── index.md # Root directory for progressive disclosure
├── engineering/
│ ├── index.md
│ └── service_mesh.md # Architecture concept
└── analytics/
├── index.md
├── tables/
│ ├── customers.md # Individual database concept file
│ └── billing.md
└── metrics/
└── active_users.md # Precise business definition
每一个 concept 文件都遵循一种严格但极简的设计：顶部是一个 YAML frontmatter block（只要求恰好一个字段：type），随后是一个自由格式的 Markdown body。
下面是一个真实 OKF 文件的示例，用于描述一个关键业务指标：
---
type: metric
id: analytics/metrics/active_users
title: Weekly Active Users (WAU)
owner:
updated_at: 2026-06-15
citations:
- source: "https://github.com/internal-org/dbt/models/wau.sql"
---
# Weekly Active Users (WAU)
The total unique count of user IDs who have triggered at least one core backend API transaction within a rolling 7-day window.
## Computation Rules
We explicitly exclude internal QA and test accounts:
`WHERE user_id NOT IN (SELECT user_id FROM staging.internal_testers)`
## Related Components
- See [[analytics/tables/customers]] for primary user dimension mappings.
- See [[analytics/tables/billing]] to correlate usage with active subscription cycles.
OKF 的三大核心支柱
OKF 之所以能在传统企业 wiki 和 RAG 失败的地方取得成功，是因为它遵循了三项架构原则：
Format over Platform： OKF 不需要云账户、重型软件或定制 SDK。它完全是 git-native 的。你可以对它进行版本控制，通过 pull requests 审计它，并精确跟踪公司知识随时间发生的变化。
LLM as the Wiki Librarian： 人类历来不擅长维护文档；文档会立刻腐化。在 OKF 范式中，后台 AI agents 充当维护引擎。当开发者更新代码或 database schemas 时，agent 会自动修改相关的 OKF markdown 文件，修复 cross-links，并将更新记录到 bundle 的
log.md中。通过 Graph Links 实现严格确定性： OKF 不使用 cosine similarity math 来猜测哪些数据与查询相关，而是使用显式 Markdown links（
[[concept_path]]）。这会把一个标准文件夹转化为一个绝对的、确定性的 Knowledge Graph，AI agent 可以沿着它进行逻辑遍历。
真实场景：RAG vs. OKF
让我们看看这如何改变企业内部 AI Data Analyst agent 的日常工作流。
目标
你向 AI agent 提出请求："编写一个 executive SQL query，用于计算我们 Q2 的 Churn Rate。"
旧的 RAG 方式
agent 将你的 query 转换为 vector embedding。
它搜索一个 vector database，其中包含数千个被 chunk 的 PDF、Confluence 页面和历史 Slack 日志。
数据库返回三个 chunks：一份 2023 年的 PowerPoint deck、一篇旧的工程 wiki，以及两位 data engineers 关于如何计算 churn 的争论对话。
LLM 将这些相互冲突的定义组合起来，变得困惑，并写出一个损坏的 SQL query，从错误的 schema 中拉取数据。
OKF 方式
agent 读取公司 OKF bundle 的根
index.md。它直接遍历到
analytics/metrics/churn_rate.md。它提取绝对的、经过审计的 SQL snippet 和结构逻辑。
它沿着文件中的显式 Markdown link
[[analytics/tables/customers]]，立即查找当前的 schema definitions 和 join keys。agent 第一次尝试就生成了完全准确的 query，并引用了确切的文件、更新时间以及负责该文件的工程师。
正面对比：RAG vs. OKF
FeatureRetrieval-Augmented Generation (RAG)Open Knowledge Format (OKF)Core Structure分段、碎片化的 vector chunks。结构化 Markdown + YAML frontmatter。Retrieval Engine概率式（数学 nearest-neighbor）。确定性（显式 graph link traversal）。Human Interface低（需要查询工程 DB）。高（可在 GitHub 或 Obsidian 中原生阅读）。Maintenance高成本（重新索引、embedding drift）。低成本（Git commits 和 pull requests）。Optimal Use Case海量、非结构化、原始数据归档。高风险、权威的业务定义和规则。
现代 AI Stack：一种混合架构
RAG 并不会完全消失——相反，它的角色正在改变。让一个概率系统去寻找公司合法税务标识符或“Revenue”的定义，从根本上就是一个糟糕的设计选择。对于这些高风险、绝对的企业事实，OKF 正在取代 RAG。
展望未来，团队正在构建一种混合架构，其中 AI router 充当流量控制器：
[ User Request ]
│
▼
┌──────────────┐
│ AI Router │
└──────┬───────┘
│
┌──────────────┴──────────────┐
▼ ▼
[ OKF Bundle ] [ RAG Pipeline ]
(Core Rules, Schemas, (Archived PDFs, Customer
Runbooks, Precision) Tickets, Scale Exploration)
通过使用 OKF 实现确定性精度，并使用 RAG 搜索广泛的历史数据，组织正在构建既高度强大又异常稳定的 AI 系统。OKF 并没有消灭 retrieval；它只是为 AI agents 提供了一张标准化地图，帮助它们找到所需内容。
如需了解 Open Knowledge Format 的完整逐步技术解析，请查看这份 OKF 规范和构建 bundles 的详细技术解析。这个视频资源解释了该标准的结构设计，回顾了 GitHub spec，并展示了如何使用纯 Markdown 文件开始为 AI agents 组织知识。
