Google 開放知識格式（OKF）vs. RAG：這是 AI 記憶的未來嗎？

重點摘要： Google Cloud 於 2026 年 6 月推出開放知識格式（OKF）——一個挑戰 AI 代理獲取與使用知識方式的廠商中立 Markdown 規範。本文深入比較 OKF 與 RAG 的差異，以及為何這件事至關重要。

前言

過去幾年，檢索增強生成（RAG）一直是為 AI 系統提供外部知識的主流解決方案。但在 2026 年 6 月，Google Cloud 悄悄發布了一個可能重塑整個範式的東西：開放知識格式（OKF）。它不是資料庫，不是新的 AI 模型，而是一種格式——而這正是它如此強大的原因。

RAG 是什麼？為什麼我們曾經愛上它？

RAG 的運作方式是將大型語言模型（LLM）連接到外部知識庫。當用戶提問時，檢索器搜索知識庫中的相關文本片段，將其注入模型的上下文窗口，LLM 再根據這些檢索內容生成回應。

RAG 的優點

• 是 — 無需重新訓練即可讓 LLM 保持最新資訊
• 是 — 透過將答案建立在真實文件上來減少幻覺
• 是 — 適合大型非結構化文件語料庫
• 是 — 廣泛採用，工具鏈成熟（LangChain、LlamaIndex 等）
• 是 — 靈活，幾乎可以接入任何向量資料庫

RAG 的缺點

• 否 — 對相同事實反覆檢索相同文件——浪費且緩慢
• 否 — 知識分散在不相容的孤島中（Wiki、目錄、程式碼注釋、工程師的腦袋）
• 否 — 每個 AI 代理開發者都在從頭解決相同的上下文組裝問題
• 否 — 檢索的文本塊缺乏結構，模型通常只獲得沒有元數據或關係的原始文本
• 否 — 沒有標準化格式，導致廠商鎖定和零可攜性
• 否 — 向量搜索開銷導致大規模部署時延遲高

Google 開放知識格式（OKF）是什麼？

OKF 於 2026 年 6 月 12 日 由 Google Cloud 發布，是一個開放的、廠商中立的規範，將組織知識存儲為帶有 YAML 前置元數據的 Markdown 文件目錄。可以把它想像成 AI 知識的 USB-C 接口——一個任何人都可以生產、任何人都可以消費的通用連接器，無需專有 SDK、API 或廠商綁定。

這個核心理念受到 AI 研究員 Andrej Karpathy 的啟發，他提出了「LLM Wiki」模式：與其讓 AI 反覆搜索相同的原始文件（RAG），不如讓 AI 逐步構建並維護一個持久的、活躍的 Wiki。正如 Karpathy 所說：

「LLM 不會感到無聊，不會忘記更新交叉引用，一次可以處理 15 個文件。」

OKF 如何運作

OKF 套件（bundle）就是一個 Markdown 文件目錄。每個文件代表一個「概念」——表格結構、指標定義、操作手冊、API 端點，或團隊需要記錄的任何內容。

圖：OKF 套件是由概念文件組成的目錄——每個文件含 YAML 前置元數據與 Markdown 正文——並透過連結形成可遍歷的知識圖譜。

每個文件包含兩部分：

YAML 前置元數據 — 結構化、可查詢的元數據：

---
type: BigQuery Table
title: Customer Orders
description: One row per completed order
resource: https://console.cloud.google.com/bigquery?...
tags: [sales, orders, revenue]
timestamp: 2026-05-28T14:30:00Z
---

Markdown 正文 — 自由格式的敘述、結構、範例、連接路徑等。

文件之間透過普通 Markdown 連結相互引用，形成人類與 AI 代理均可遍歷的知識圖譜。只有一個必填欄位：type。其餘一切均可選。

OKF 的優點

• 是 — 廠商中立 — 無需 SDK、API 密鑰或專有運行時
• 是 — 人類與 AI 均可讀 — 同一個文件對兩者都有效，無需翻譯層
• 是 — 版本控制 — 與代碼一起存放在 Git 中
• 是 — 持久且累積 — 知識隨時間增長，而非每次查詢都重新檢索
• 是 — 可互操作 — 一個團隊編寫的 Wiki 可以被不同的代理消費，無需翻譯
• 是 — 設計極簡 — 只有一個必填字段（type），其他一切都靈活
• 是 — 解決上下文碎片化 — 一個標準格式取代分散的目錄、Wiki 和共享雲端硬盤
• 是 — 生產者/消費者獨立 — 誰寫知識和誰讀知識完全解耦

OKF 的缺點

• 否 — 非常新（v0.1）— 2026 年 6 月才發布，生態系統和工具鏈仍處於萌芽階段
• 否 — 需要前期整理 — 需要有人（人類或 AI）構建並維護 Wiki，不能從原始文件自動生成
• 否 — 不適合大規模非結構化語料庫 — 當你有數百萬原始文件且沒有預先存在的結構時，RAG 仍然更勝一籌
• 否 — 沒有內建搜索或檢索機制 — OKF 是格式，不是平台；你仍然需要構建或集成服務層
• 否 — 採用風險 — 作為新的開放標準，它依賴社群和廠商的採用才能真正實現互操作性
• 否 — 維護開銷 — 即使有 AI 幫助，保持活躍 Wiki 的準確性和最新性仍需持續投入

OKF vs. RAG：正面比較

OKF 會取代 RAG 嗎？

不會完全取代——這是誠實的答案。OKF 和 RAG 在不同層面解決不同問題。RAG 在你擁有大量非結構化文件庫並需要動態搜索時表現出色。OKF 在你擁有精心策劃的、結構化的組織知識時表現出色——表格結構、指標定義、操作手冊、連接路徑——這些是代理反覆且可靠地需要的內容。

更準確的說法是：OKF 在許多常見的企業 AI 代理場景中取代了對 RAG 的需求。 與其每次代理運行查詢時都重新檢索相同的數據結構事實，不如給代理一個它可以讀取、更新和遍歷的 OKF Wiki。知識始終在那裡，始終結構化，始終是最新的。

把它想像成圖書館（RAG）和維護良好的團隊手冊（OKF）之間的區別。兩者都有用。但對於日常操作，你需要的是手冊。

為什麼這對 AI 的未來至關重要

上下文碎片化問題是當今企業 AI 中最大的隱性瓶頸之一。知識存在於不相容的孤島中——擁有專有 API 的元數據目錄、登錄牆後的 Wiki、埋藏在代碼庫中的注釋，以及可能明天就離職的資深工程師的腦袋。每個 AI 代理開發者都在從頭解決相同的上下文組裝問題。

OKF 是 Google 的賭注：解決方案是一種格式，而不是另一種服務。通過讓知識默認可攜、版本控制且代理可讀，OKF 可能成為 AI 代理理解組織的基礎層——就像 HTTP 成為 Web 運作的基礎一樣。

結論

RAG 是對真實問題的絕妙解決方案，它不會消失。但 OKF 代表了對 AI 代理應如何與組織知識關聯的根本性重新思考——不是作為搜索問題，而是作為活躍文檔問題。如果生態系統採用它，OKF 可能使 AI 代理在企業環境中變得更加可靠、可攜和有用。格式很簡單，影響卻深遠。