大模型时代的下半场，AI Agent（智能体）的瓶颈正在从“推理算力”转向“上下文供给”。
在企业落地场景中，知识散落在 Wiki、代码注释、API 文档与共享网盘中。传统的 RAG（检索增强生成）频繁面临“切片噪声大、拼凑上下文易出错”的困境。本质上，这不是大模型不够聪明，而是知识供给侧缺乏一套面向 AI 的“标准化知识接口”。
为此，Google Cloud 发布了 Open Knowledge Format (OKF v0.1) 规范（位于 knowledge-catalog 仓库的 okf/SPEC.md）。而在两个月前，前 OpenAI 科学家 Andrej Karpathy 刚刚提出了 LLM Wiki 概念。这两大风向的交汇，标志着 AI 知识资产治理正式进入标准化深水区。
深度解构 OKF：专为 Agent 设计的“知识包装规范”
OKF（Open Knowledge Format）不是一个需要安装的重型软件，也不是一个复杂的运行库（SDK），而是一个极简的、人类与 AI 共同可读的“知识包装规范”。
它倡导一种“去中心化、原子化”的知识管理方式：将复杂的知识点打碎成一个个独立的 Markdown 文件（称为 Concept，概念），并组织在一个文件夹（称为 Bundle，知识包）中。
站在技术架构的角度，OKF 实现了三个极简结构：
Just Markdown（纯文本主体）：主体基于标准的 Markdown。规范鼓励使用 Heading（标题）、Table（表格）、Code Block（代码块）等强结构化排版，因为这种天然的“语法锚点”能极大地帮助 AI Agent 准确提取语义。
Just YAML Frontmatter（元数据索引卡片）：每个 Markdown 文件的顶部都有一段 YAML 格式的元数据，就像图书馆的索引卡片：
唯一必填项：type（定义该概念的资产属性，如 Metric 指标、Table 数据库表、Runbook 运维手册）。
高频推荐项：title（标题）、description（描述）、resource（指向实体资产的 URI 链接，如 BigQuery 链接）、tags（标签）。
Reserved Files（保留系统文件）：
index.md（动态目录）：支持 渐进式披露（Progressive Disclosure） 机制。Agent 检索时可以先阅读目录了解全局，再精准打开相关文件，有效避免一次性加载成百上千个文档导致的“中间迷失”与高昂的 Token 成本。
log.md（审计日志）：记录知识包的版本变更历史。
OKF 样例文件示范：
OKF 采用了极其务实的容错消费模型 (Permissive Consumption Model)。规范指出，Agent 不能因为文件缺少可选字段或存在失效的交叉链接而拒绝解析。即便格式不够严谨，Agent 也应当将其退化为通用文档继续读取，极大地降低了数据生产者的门槛。
双雄并立：OKF 与 Karpathy 的 LLM Wiki 深度对比
在 OKF 发布的两个月前，Karpathy 提出了 LLM Wiki 概念，核心理念是 “先编译，后查询”（Compile-first, instead of RAG）。
传统 RAG 是临时从海量碎片中检索切片喂给大模型，知识无法在系统内部沉淀和有机演进。而 LLM Wiki 提倡新资料进来时，先让 LLM 将其“编译”成一个由 Markdown 构成、相互链接的本地知识图谱（如 Obsidian），形成 输入 -> 查询 -> 结构性体检（Lint） 的自主进化闭环。
从底层技术谱系来看，Google 的 OKF 本质上是对 Karpathy 的 LLM Wiki 中“媒介层”的一种工业化与标准化落地。
CTO 视角的技术资产启示：大模型时代的“文本返祖”
无论是 Karpathy 掀起的 LLM Wiki 风潮，还是 Google 迅速跟进标准化的 OKF，都揭示了 AI 时代知识形态的重大转变：知识正在向“对机器友好，对人类透明”的方向演进。
知识即代码 (Knowledge as Code)：过去我们把企业资产锁在 Confluence 或专有数据库中。OKF 告诉我们，未来最好的知识形态，就是用 Git 进行版本控制的纯文本（Markdown）。它可以无缝进入 CI/CD 管道，合并、Diff、代码审查等成熟的软件工程工具链全部可以平移过来。
事前治理（KAG）将彻底颠覆事后缝补（RAG）：单纯靠向量数据库把垃圾资产切片，然后寄希望于大模型在提问时去大海捞针的“粗暴 RAG”路子越来越窄了。未来的趋势一定是利用大模型或自动化流水线，在输入端将技术、业务资产“编译、重构”成标准 OKF 格式的知识图谱。
“机器可读性”成为衡量技术债的新指标：未来评估一个系统的架构好坏，不仅要看高并发、低延迟，更要看它的机器可读性（Machine-readable）。谁能率先把企业内部那些隐性知识转化为满足 OKF 标准的显性数字资产，谁就能在 AI-native 的研发管理中占据绝对的先发优势。
如果说 OpenAPI 统一了 AI 智能体调用工具（Tools）的接口，那么 OKF 与 LLM Wiki 正在尝试统一 AI 智能体获取知识（Knowledge）的接口。对于技术负责人和开发者而言，及早布局标准化的文本知识组织方式，将是构建下一代高表现力 Agent 的核心护城河。
