你花三个月做了技术调研,读了二十篇论文、整理了十几份文档、记了一百多条笔记。结论有了,关键词也有。但当你问 AI:「这个技术领域的核心概念是什么?不同方案的权衡是什么?」
它答不上来。
不是因为你笔记写得不好,而是因为这些笔记缺乏结构——AI 不知道「这篇是方法 A 的缺陷分析,那篇是方法 B 的适用场景,另外几篇是竞品对比」,它只能看到一堆文本,不知道它们之间的关系。
Karpathy 的 LLM Wiki 思路给了一个方向:采集 → 整理 → 生成可查询的 wiki。但真正落地时你会发现一堆问题没有答案:frontmatter 应该有哪些字段?目录怎么组织?AI 按什么路径找知识?这些没有标准答案,大家都在模糊地试。
OKF(Open Knowledge Format) 补上了这一环。
OKF 是什么
OKF 是 Google Cloud 在 2026 年初发布的知识表示格式规范。本质上,它是一组约定:如何用 Markdown 文件组织知识,使得知识结构——有哪些概念、各概念之间什么关系、AI 怎么找到它们——变得机器可读。
规范极度轻量,只有三条原则:
最小化偏见 — 只强制要求一个字段:type。其他字段全部由你自己定义。
生产者 / 消费者独立 — Google 给了一套从 BigQuery 自动生成 Bundle 的工具,但你可以手写、用任意工具生成。规范只是约定,不是绑定。
格式不绑定平台 — OKF Bundle 就是一个文件夹,里面是一堆 .md 文件。Git 管理、打包成 tarball、直接拷贝——没有任何专有依赖。
OKF 回答了落地问题:header 写什么(type 必填,其他自定义)、数据怎么组织(index.md + 分类目录 + references)、AI 怎么找(从 index.md 开始,按链接逐层读取)。
OKF 和 PKM 已有实践的对应关系
如果你已经在用 Obsidian,看到 OKF 的结构会觉得眼熟——它们的思路高度重合,只是表述不同:
| OKF 概念 | PKM 对应 | 说明 |
|---|---|---|
index.md |
MOC(Map of Content) | 入口导航页,列出该领域的核心页面 |
| 目录分层结构 | PARA / 主题文件夹 | 按领域组织,不是扁平文件列表 |
frontmatter type |
页面类型标签(Concept / Note / Reference) | 定义这篇笔记是什么类型的知识 |
| references | 双向链接 [[wikilink]] |
概念之间的关联 |
type: Reference |
Literature Note | 引用来源 |
OKF 把这些做法标准化了,并且配套了工具链。但如果你已经在用 Obsidian,你其实已经在实践 OKF 的思路了——只是没有意识到这和 Google 提出的规范是同一件事。
一个关键分类:Skill 和 OKF 解决不同问题
在 AI Agent 的语境里,这两个概念经常被混在一起,但解决的是完全不同的问题:
- • Skill = 程序性知识,回答「怎么做」
- • OKF = Declarative 知识,回答「是什么」以及「知识在哪里」
技术调研场景下:OKF 负责告诉 AI「方法 A 是什么、适用场景是什么、和方法 B 的核心差异是什么」;Skill 负责「用方法 A 写一段示例代码、用 pip 安装这个包」。两者各司其职。
这和 CoALA 框…