大模型越来越聪明，但有一件事它始终做不好：它不知道你们公司的事。
你的数据库表结构、业务指标的定义、两个系统之间怎么 join、某个 API 已经废弃了，这些信息散落在各种地方，大模型根本够不着。
于是每次构建一个新的 AI agent，工程师都要重新解决同一个问题：怎么把这些上下文塞给模型。
Google 在 6 月 13 日发布了一个叫 OKF（Open Knowledge Format） 的开放规范，试图把这件事标准化。
现在一个典型组织里，AI 需要的内部知识分散在这些地方：
元数据目录，有自己的 API
各种 Wiki、第三方系统、共享云盘
代码注释、docstring、notebook 单元格
几个资深工程师的脑子里
当一个 AI agent 需要回答"怎么从事件流里计算周活跃用户？"，它得从这些互不兼容的地方拼凑答案。
每个云厂商有自己的知识图谱 schema，每个工具有自己的 SDK，知识被锁在各自的平台里，出不来。
结果就是：每个 agent 开发者都在从零解决同一个上下文组装问题。
过去一年，开发者社区里自发长出了一种模式。
有人叫它"LLM Wiki"，有人叫它"metadata as code"，形态各异，但本质相同：用一个 Markdown 文件库来承载 AI 需要的知识，让 agent 在做正式工作之前先读这些文件。
Andrej Karpathy 在他的 LLM Wiki gist 里把这件事说得很清楚："大模型不会感到无聊，不会忘记更新交叉引用，一次可以处理 15 个文件。"
人类维护个人 Wiki 最终放弃的原因，恰好是大模型最擅长的事。
类似的模式还有：接入 coding agent 的 Obsidian vault、AGENTS.md 和 CLAUDE.md 这类约定文件、数据团队里那些 agent 执行任务前会查阅的 index.md 和 log.md。
这个模式有效，但每个实例都是定制的。
Karpathy 的 Wiki 和你们团队的 Wiki 和某个厂商的目录导出，长得很像（Markdown、frontmatter、交叉链接），但没有人刻意让它们互通。
没有人约定每个文档应该带哪些字段，文件名代表什么含义。
知识还是被锁在各自的团队里。
OKF 不是一个新服务，不是一个平台，是一个格式。
v0.1 的设计极其克制：一个目录，里面是带 YAML frontmatter 的 Markdown 文件，加上一小套约定。
目录结构长这样：
sales/
├── index.md
├── datasets/
│ ├── index.md
│ └── orders_db.md
├── tables/
│ ├── index.md
│ ├── orders.md
│ └── customers.md
└── metrics/
├── index.md
└── weekly_active_users.md
每个概念是一个文件，文件路径就是这个概念的身份标识。
文件头部是一小块 YAML，正文是 Markdown：
---
type: BigQuery Table
title: Orders
description: One row per completed customer order.
resource: https://console.cloud.google.com/bigquery?p=acme&d=sales&t=orders
tags: [sales, revenue]
timestamp: 2026-05-28T14:30:00Z
---
# Schema
| Column | Type | Description |
|-------------|--------|------------------------------------|
| order_id | STRING | Globally unique order identifier. |
| customer_id | STRING | FK to [customers](/tables/customers.md). |
# Joins
Joined with [customers](/tables/customers.md) on `customer_id`.
概念之间用普通 Markdown 链接互相引用，整个目录就变成了一张关系图，比文件系统的父子层级丰富得多。
完整的 v0.1 规范只有一页。
最小约束。
OKF 对每个概念文档只强制要求一件事：有 type 字段。
其他字段、文档结构、正文格式，全部由生产者自己决定。
规范只定义互操作的边界，不定义内容模型。
生产者和消费者解耦。
人工手写的 Wiki 可以被 AI agent 消费。
元数据导出管道生成的 bundle 可以在可视化工具里浏览。
一个大模型合成的知识库可以被另一个大模型查询。
格式是契约，两端的工具可以独立替换。
格式，不是平台。
OKF 不绑定任何云厂商、数据库、模型提供商或 agent 框架。
读写这个格式不需要任何账号或 SDK。
Google 把它作为开放标准发布，因为知识格式的价值来自有多少方在用它，而不是谁拥有它。
Google 同时开源了几个参考实现：
一个富化 agent：遍历 BigQuery 数据集，为每张表和视图起草 OKF 文档，再跑第二轮 LLM，抓取权威文档，补充引用、schema 和 join 路径。
一个静态 HTML 可视化工具：把任意 OKF bundle 渲染成交互式关系图，单个自包含文件，不需要后端，不需要安装，数据不离开页面。
三个示例 bundle：GA4 电商数据集、Stack Overflow、比特币公开数据集，由参考 agent 生成，提交到 repo 里作为活的示例。
另外，Google Cloud 的 Knowledge Catalog 已经更新，可以摄入 OKF 格式并把它提供给 agent 使用。
OKF 现在是 v0.1，是起点。
它能不能成为真正的通用格式，取决于有多少生产者和消费者愿意采用它。
但有一点值得认真对待：这个问题本身是真实的。
每个在做 AI agent 的团队，迟早都会碰到"怎么管理模型需要的上下文"这个问题。
现在大家各做各的，重复造轮子。
如果一个足够轻量的格式标准能在这里站稳，对整个生态的效率提升是实质性的。
如果你的团队正在构建 AI agent，或者在管理数据资产的元数据，OKF 的规范只有一页，读一遍的成本极低。
先看看它能不能描述你们现有的知识结构，再决定要不要往里投入。
规范、参考实现和示例 bundle 都在 GitHub 上，搜索"Open Knowledge Format"可以找到。