引言：AI Agent 的“知识供给侧改革”
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”。
在企业级落地场景中，知识往往碎片化地散落在 Confluence、API 文档、数据库元数据以及各类共享网盘中。传统的 RAG（检索增强生成）模式频繁面临“检索噪声大、拼凑上下文易出错”的困境。
为了解决这一痛点，Google 悄然发布了 Open Knowledge Format (OKF) 规范（位于 knowledge-catalog 仓库的 okf/SPEC.md）。这是一个面向 Agent 时代的开放式技术规范。而就在两个月前，前 OpenAI 科学家 Andrej Karpathy 刚刚提出了 LLM Wiki 概念。
这两大风向的交汇，正揭示着一场面向 AI 的“知识接口统一运动”。本文将带你深度拆解 OKF 的核心架构，并与 Karpathy 的 LLM Wiki 进行横向对比。
深度解构 OKF：专为 AI Agent 设计的知识包装规范
1. 核心哲学：什么是 OKF？
OKF 既不是一个需要部署的底层软件，也不是一套复杂的 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），并将它们组织在一个文件夹（称为 Bundle，知识包）中。
2. 三大极简结构
OKF 的设计可以用三个“Just”或标准件来概括：
Just Markdown（纯文本主体）：内容主体完全基于标准的 Markdown。规范鼓励使用 Heading（一级/二级标题）、Table（表格）、Code Block（代码块）等强结构化排版，因为这种天然的“视觉锚点”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 文件的最顶部都包含一段 YAML 格式的元数据（类似于图书馆的索引卡片）：
唯一必填项：type（明确定义该概念的资产属性，如 Metric 指标、Table 数据库表、Runbook 运维手册等）。
高频推荐项：title（标题）、description（描述）、resource（指向 BigQuery 或外部实体资产的 URI 链接）、tags（标签）、timestamp（时间戳）。
Reserved Files（保留系统文件）：
index.md（动态目录）：这是 OKF 解决 Context 爆炸的核心。它支持 渐进式披露（Progressive Disclosure） 机制。Agent 在检索时，可以先阅读 index.md 了解全局目录，再精准打开关联文件，有效避免一次性加载成百上千个文档导致的“中间迷失（Lost in the Middle）”现象与高昂的 Token 成本。
log.md（审计日志）：记录知识包的版本变更与演进历史。
OKF 样例文件示范：
—— 摘自 OKF 规范示例
3. 容错消费模型 (Permissive Consumption Model)
OKF 的设计哲学极其务实，采用了宽容消费模型。规范明确指出，消费这些知识的 Agent 不能因为文件缺少了某些可选字段、使用了自定义的 type，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。这种“严律守己，宽以待人”的原则，极大地降低了企业数据生产者的门槛。
双雄并立：OKF 与 Karpathy 的 LLM Wiki 深度对比
在 OKF 发布的前两个月（2026年4月），Andrej Karpathy 在 GitHub Gist 上发布了 llm-wiki.md。从底层逻辑来看，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。
1. Karpathy 的核心硬核理念：“先编译，后查询”
Karpathy 认为传统 RAG 存在天然的缺陷：每次用户提问时，系统临时从海量碎片中检索出几条 Snippets 喂给 LLM，这种“一次性组装”导致知识无法在系统内部沉淀和有机演进。
而 LLM Wiki 提倡：在输入端，当有新资料或新对话进入时，先让 LLM 将其“编译”成一个由 Markdown 构成、相互链接的本地知识库（如 Obsidian），形成知识图谱。Agent 只在这个已经高度结构化的 Wiki 内部进行检索。整个知识库通过 Ingest（输入） -> Query（查询） -> Lint（结构体检） 的闭环自主进化。
2. 核心差异多维对比矩阵
总结：大模型时代的“文本返祖”与标准之争
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。
对人类透明：它不需要你把知识锁死在某个特定厂商的专有数据库或 SaaS 平台中。它只是一堆你用记事本随时可以修改、可以用 Git 进行版本控制的纯文本（Markdown）。
对机器友好：通过极简的 YAML 元数据和标准硬链接，AI 智能体无需任何复杂的插件，就能一眼看懂知识的类型、用途以及它们之间的关联拓扑网络。
如果说 OpenAPI 规范统一了 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。
这标志着，AI 知识管理正在正式从事后检索的“传统 RAG”，走向事前治理的“知识重构（KAG/Wiki）”时代。对于企业架构师和开发者而言，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。
互动话题：你在开发 Agent 时是否也遇到了 RAG 检索不准、上下文爆炸的问题？你更看好轻量级的个人 LLM Wiki 还是企业级的 Google OKF 规范？欢迎在评论区分享你的架构思考！
