Open Knowledge Format (OKF)：Agent 知识的 Markdown 标准

AI Agent 的核心能力之一是知识管理。 Agent 需要理解组织内部的流程、术语、决策规则、历史经验——这些知识构成了 Agent 行动的基础。但 2026 年之前，Agent 知识的存储和共享方式高度碎片化：每个团队用不同的格式、不同的平台、不同的检索机制来管理知识，导致知识无法跨 Agent 系统复用。

传统方案是 RAG（Retrieval-Augmented Generation）。 RAG 将文档切块（chunk）后存入向量数据库，Agent 在需要时通过语义检索获取相关片段。RAG 的优势在于能处理海量非结构化文档，但它有一个根本性缺陷：知识切块后丢失了概念之间的关系。 Agent 获得的是碎片化的信息片段，而非结构化的知识图谱。

据 Google Cloud 报道（https://cloud.google.com/blog/products/ai-machine-learning/open-knowledge-format，2026-06-12），这一问题在企业场景中日益突出：当 Agent 需要理解「产品 A 的定价策略与区域 B 的合规要求之间的关系」时，RAG 返回的往往是孤立的文本片段，Agent 必须自行拼凑和推理概念间的关联——这既低效又容易出错。

传统 RAG 的碎片化问题可以从信息论角度理解。 当一份 10 页的技术规范被切分为 50 个 chunk 时，每个 chunk 独立存储了局部信息，但 chunk 之间的逻辑依赖关系（如「第 3 节的约束条件适用于第 7 节的部署方案」）被完全丢失。Agent 在检索时可能只命中第 3 节或第 7 节，但无法同时获取两者之间的关联。这种「只见树木不见森林」的问题在复杂业务场景中尤为严重。

Open Knowledge Format (OKF) 的诞生正是为了解决这个问题。 据 Google Cloud 报道（https://cloud.google.com/blog/products/ai-machine-learning/open-knowledge-format，2026-06-12），OKF 是一个厂商中立的开放规范，用 Markdown + YAML frontmatter 标准化 AI Agent 的组织知识存储与共享。它采用 Apache 2.0 许可，意味着任何团队都可以免费使用、修改和扩展。OKF 的核心设计原则是：知识应该是人类可读的（Markdown）、机器可解析的（YAML frontmatter）、关系可遍历的（wiki 链接），以及完全开放的（无厂商锁定）。

OKF 的设计灵感直接来自 Andrej Karpathy 的 llm-wiki 模式。 据 GitHub（https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f，2026-04），llm-wiki 的核心理念是：「每个概念一个 Markdown 文件，互相链接形成知识图谱」。Karpathy 在 2026 年 4 月开源了这一实践，迅速获得 5000+ GitHub stars，证明了社区对结构化知识管理方案的强烈需求。

llm-wiki 模式的核心优势在于简洁性和可组合性：

• Markdown 作为载体：人类可读、版本控制友好、无需专有工具
• YAML frontmatter 作为元数据：结构化描述概念的类别、关系、标签
• Wiki 链接作为关系：[[概念名]] 语法建立概念间的有向图

为什么 llm-wiki 模式能获得社区认可？ 因为它精准命中了 Agent 开发者在知识管理上的痛点。传统的知识管理方案要么太重（需要专门的数据库和工具链），要么太松（纯文本文件缺乏结构化关系）。llm-wiki 找到了一个优雅的平衡点：用 Markdown 保持轻量，用 YAML frontmatter 增加结构，用 wiki 链接建立关系——整个知识库就是一个 Git 仓库，无需任何外部依赖。

Google Cloud 将这一社区实践提炼为正式规范。 据 OKF 规范（https://github.com/GoogleCloudPlatform/knowledge-catalog/blob/main/okf/SPEC.md，2026-06-12）描述，OKF v0.1 在 llm-wiki 基础上增加了：

1. 标准化的 frontmatter schema：定义了 id、title、category、related、tags 等必填/选填字段
2. 关系类型约束：区分 depends_on、extends、conflicts_with、example_of 等语义关系
3. 版本化机制：支持知识条目的版本追踪和变更历史
4. 验证工具链：提供 CLI 工具验证 OKF 目录的结构合规性

从个人实践到行业标准的跨越，标志着 Agent 基础设施正在快速成熟。 据 Google Cloud 报道（https://cloud.google.com/products/knowledge-catalog，2026-06-12），Google Cloud Knowledge Catalog 已原生支持 OKF 导入——这意味着企业可以将 OKF 格式的知识库直接接入 Google Cloud 的 Agent 生态系统，无需额外的集成开发。这一产品化支持的背后是 Google 对 Agent 基础设施战略的判断：知识标准化是 Agent 互操作的前提。

OKF 的核心是一个极简但强大的文件格式规范。 每个知识条目是一个 .md 文件，由两部分组成：YAML frontmatter（元数据）和 Markdown 正文（知识内容）。

一个典型的 OKF 知识条目展示了 frontmatter 和正文的组合方式。frontmatter 定义了概念的元数据和关系，正文则承载具体的知识内容。在下面的示例中，「中国区定价策略」条目通过 related 字段与「数据合规要求」和「企业定价」两个概念建立了 depends_on 和 extends 关系。Agent 在回答定价问题时，可以沿着这些关系自动获取依赖的合规要求和扩展的企业折扣规则——这是传统 RAG 无法实现的结构化推理路径。

正文中的 [[概念名]] wiki 链接语法是 OKF 的核心设计。它让知识条目之间形成有向图，Agent 可以遍历图谱获取关联知识，而非依赖文本相似度匹配。据 OKF 规范（https://github.com/GoogleCloudPlatform/knowledge-catalog/blob/main/okf/SPEC.md，2026-06-12）描述，wiki 链接在导入时会被解析为结构化的关系索引，支持双向遍历和关系类型过滤。

OKF 的关系类型设计值得深入理解。 不同于简单的「相关」或「引用」，OKF 定义了四种精确的语义关系：depends_on 表示执行依赖（本条目的理解或执行需要目标条目）、extends 表示细化扩展（本条目是目标条目的具体化）、conflicts_with 表示冲突约束（两个条目存在矛盾需要仲裁）、example_of 表示实例关系（本条目是目标条目的具体案例）。这四种关系覆盖了 Agent 知识推理中最常见的概念关联模式。

据 OKF 规范（https://github.com/GoogleCloudPlatform/knowledge-catalog/blob/main/okf/SPEC.md，2026-06-12）定义，frontmatter 的核心字段包括：

---
id: pricing-strategy-cn
title: 中国区定价策略
category: business-rules
tags: [定价, 中国区, 合规]
related:
  - id: data-sovereignty-cn
    relation: depends_on
  - id: enterprise-tier-pricing
    relation: extends
version: "1.2"
updated: 2026-07-01
---

# 中国区定价策略

## 核心规则

中国区定价需同时考虑以下约束：
- [[data-sovereignty-cn]] 要求数据不出境，影响部署成本
- [[enterprise-tier-pricing]] 的企业级折扣适用于年框客户

## 决策流程

当客户询问定价时，Agent 应按以下顺序判断：
1. 确认客户所在区域 → 中国区
2. 检查数据合规要求 → 参见 [[data-sovereignty-cn]]
3. 确认客户等级 → 适用对应折扣

2026 年的 AI Agent 生态正在形成清晰的分层协议栈。 OKF、AGENTS.md 和 MCP 分别解决不同层面的问题，三者互补而非竞争。理解这个协议栈对于 Agent 开发者做出正确的架构选型至关重要。

Agent 协议栈三层模型：

OKF 解决知识存储层。 它定义了 Agent 的组织知识如何结构化存储——不是存在向量数据库里的碎片化文本，而是存在 Markdown 文件里的结构化知识图谱。Agent 在规划行动时，可以直接遍历知识图谱获取相关概念及其关系，而非依赖语义相似度检索。OKF 的知识图谱是确定性的——关系由 frontmatter 显式定义，不依赖概率性的语义匹配。

AGENTS.md 解决行为配置层。 它定义了 Agent 的行为边界、权限约束、输出格式偏好——本质上是 Agent 的「操作手册」。AGENTS.md 告诉 Agent「你应该怎么做」，而 OKF 告诉 Agent「你需要知道什么」。两者的协同方式类似于「数据库 + 应用配置」：OKF 提供数据（知识），AGENTS.md 提供逻辑（行为规则）。

MCP 解决工具调用层。 它定义了 Agent 如何发现和调用外部工具——从数据库查询到 API 调用到浏览器操作。MCP 是 Agent 的「手」，让 Agent 能够执行具体操作。当 Agent 通过 OKF 获取了知识、通过 AGENTS.md 确认了行为边界后，最终通过 MCP 执行实际操作。

三者的协同方式：

1. Agent 接收任务 → 通过 OKF 知识图谱理解任务涉及的概念和约束
2. Agent 规划行动 → 通过 AGENTS.md 确认行为边界和输出要求
3. Agent 执行操作 → 通过 MCP 调用具体工具完成任务

据 GitHub（https://github.com/GoogleCloudPlatform/knowledge-catalog，2026-06-12）显示，OKF 采用 Apache 2.0 许可开源，这意味着任何 Agent 框架都可以原生集成 OKF，无需 SDK、无平台锁定。这与 MCP 的开放策略一致——Agent 基础设施正在走向开放标准化。对于企业开发者而言，这种分层标准化意味着可以混合搭配不同供应商的组件：用 OKF 管理知识，用 MCP 连接工具，用 AGENTS.md 配置行为——而不必绑定单一平台。

OKF 的价值不仅在于规范本身，更在于产品化支持。 据 Google Cloud 报道（https://cloud.google.com/products/knowledge-catalog，2026-06-12），Google Cloud Knowledge Catalog 已原生支持 OKF 导入——这是 OKF 从社区规范走向企业级产品的关键一步。

Knowledge Catalog 的核心能力：

• OKF 目录导入：将符合 OKF 规范的 Markdown 目录直接导入为结构化知识库
• 自动关系索引：解析 frontmatter 中的 related 字段，构建知识图谱索引
• Agent 集成接口：提供 API 让 Agent 运行时查询知识图谱——支持按 ID 获取、按关系遍历、按标签过滤
• 版本管理：支持知识条目的版本回滚和变更追踪

对企业的实际意义：

1. 无需自建知识管理基础设施：直接使用 Google Cloud 的托管服务
2. 知识可跨 Agent 复用：同一套 OKF 知识库可以被多个 Agent 系统共享
3. 知识更新即时生效：修改 Markdown 文件后重新导入，Agent 立即获取最新知识

但 OKF 的价值不限于 Google Cloud 生态。 由于 OKF 本质上是 Markdown 文件 + 验证工具链，任何 Agent 框架都可以直接读取 OKF 目录并解析 frontmatter——无需依赖特定的云服务。这种「文件即标准」的设计哲学与 Git 的版本控制哲学一脉相承。即使不使用 Google Cloud，团队也可以用 OKF 组织知识，用 Git 管理版本，用社区提供的 CLI 工具验证格式合规性。

OKF 的产品化路径也值得关注。 Google 选择先发布开放规范、再提供托管服务的方式，而非直接推出闭源产品。这种策略有助于建立生态共识——OKF 不是 Google 的私有标准，而是行业的公共基础设施。据 OKF 规范（https://github.com/GoogleCloudPlatform/knowledge-catalog/blob/main/okf/SPEC.md，2026-06-12）显示，规范本身由社区驱动，Google 只是初始贡献者之一。

OKF 和 RAG 不是替代关系，而是互补关系。 理解这一点对于正确采用 OKF 至关重要。

RAG 解决的是「海量非结构化文档的语义检索」问题。 当你有数万份 PDF、网页、邮件需要检索时，RAG 的向量嵌入 + 语义搜索是唯一可行的方案。RAG 的优势在于覆盖面广、对输入格式无要求，但它的局限在于检索结果是碎片化的文本片段，缺乏概念间的结构关系。

OKF 解决的是「结构化知识的精确关系表达」问题。 当你需要将核心业务知识（如决策规则、合规要求、流程规范）组织为可遍历的知识图谱时，OKF 提供了标准化的格式和工具链。OKF 的优势在于关系精确、结构清晰，但它要求知识经过人工或半人工的结构化整理。

最佳实践是两者结合使用：

• 用 OKF 管理核心业务知识——高频使用、需要精确关系推理的知识
• 用 RAG 处理长尾知识——低频使用、格式多样的非结构化文档
• Agent 在运行时同时查询 OKF 知识图谱和 RAG 向量库，综合两者结果

这种混合架构的优势在于： OKF 提供精确的核心知识关系，RAG 提供广泛的背景知识覆盖。Agent 可以先从 OKF 获取核心概念和约束，再用 RAG 补充相关的非结构化信息——两者互补，而非二选一。

从成本角度看，OKF 的前期投入高于 RAG。 RAG 几乎是「零成本」的——直接把文档扔进向量数据库就行。OKF 需要对知识进行结构化整理，定义 frontmatter 和关系。但这种前期投入会在长期获得回报：结构化的知识更容易维护、更新和复用，而 RAG 的碎片化知识库随着规模增长会变得越来越难以管理。

混合架构的工程实现也值得关注。 在实际部署中，OKF 知识图谱可以作为 RAG 检索的「元数据过滤器」——Agent 先查询 OKF 确定相关的概念类别和标签，然后用这些元数据缩小 RAG 的检索范围。这种方式既保留了 RAG 的语义检索能力，又通过 OKF 的结构化关系提升了检索精度。据 OKF 规范（https://github.com/GoogleCloudPlatform/knowledge-catalog/blob/main/okf/SPEC.md，2026-06-12）描述，Google Cloud Knowledge Catalog 已经支持这种混合查询模式，Agent 可以在一次请求中同时获取 OKF 图谱关系和 RAG 语义检索结果。

OKF 对不同类型的 Agent 开发者有不同的影响路径：

如果你正在构建企业级 Agent 系统：

• 评估将现有的知识文档（Confluence、Notion、内部 Wiki）迁移到 OKF 格式的可行性
• 优先迁移高频使用的核心知识（如业务规则、决策流程、合规要求）
• 利用 OKF 的关系字段建立知识图谱，提升 Agent 的关联推理能力
• 考虑与 Google Cloud Knowledge Catalog 集成，获得托管的知识库服务

如果你正在构建个人/小团队 Agent：

• OKF 的 Markdown 格式天然适合 Git 版本控制
• 可以用 llm-wiki 模式组织个人知识库，再用 OKF 规范标准化
• 无需 SDK、无平台锁定——知识文件可以在不同 Agent 框架间迁移
• 社区提供的 CLI 工具可以验证格式合规性

如果你正在构建 Agent 框架/平台：

• 考虑原生支持 OKF 格式的知识导入
• 提供 OKF 知识图谱的查询接口
• 与 MCP 工具调用层集成，实现「知识驱动的工具选择」
• 支持 OKF + RAG 混合查询模式

OKF 的核心承诺是：知识应该是开放的、结构化的、可互操作的。 正如 MCP 让 Agent 的工具调用标准化，OKF 让 Agent 的知识管理标准化。这两者的结合，标志着 AI Agent 基础设施正在从「各自为战」走向「生态互联」。

立即可以做的事：

1. 访问 OKF GitHub 仓库（https://github.com/GoogleCloudPlatform/knowledge-catalog）了解规范细节
2. 使用 OKF CLI 工具验证现有知识目录的格式合规性
3. 在一个小型知识子集上试点 OKF 格式，评估对 Agent 推理质量的影响
4. 关注 OKF 规范的版本更新，参与社区讨论贡献你的使用经验

OKF 的长期价值在于其开放性。 与许多厂商主导的标准不同，OKF 从第一天起就采用 Apache 2.0 许可，规范文档托管在 GitHub 上接受社区审查。这意味着 OKF 不会被单一供应商锁定，而是真正成为行业公共基础设施。对于正在构建 Agent 基础设施的团队来说，现在采用 OKF 的成本很低——它本质上就是 Markdown 文件加验证工具——但收益会随着生态成熟而指数级增长。早期采用者将有机会塑造规范的未来方向，并在 Agent 知识管理标准化进程中占据先发优势。