FDE 企业 AI 落地与交付 · 企业知识治理 · 2026-06-17

OKF:LLM Wiki 知识库的落地实践标准

OKF 为 LLM Wiki 知识库提供了标准化的落地实践方案,解决了知识结构化和 AI 可读性的核心难题。

核心内容:

  1. 传统知识整理的痛点与 LLM Wiki 的落地挑战
  2. OKF 规范的核心原则与设计思路
  3. OKF 与现有 PKM 实践(如 Obsidian)的对应关系

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:

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…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/zhishiguanli/2026061759432.html