В июне 2026 года Google представила Open Knowledge Format (OKF) — открытую спецификацию для организации и обмена знаниями агентами искусственного интеллекта. Пакет OKF включает файлы Markdown, облегчённые метаданные YAML и явные связи между концепциями. Он предлагает альтернативу встраиванию данных и векторным базам данных в приложениях ИИ.

Традиционный подход к предоставлению внешних знаний большим языковым моделям — генерация с дополненным поиском (RAG). Конвейер RAG извлекает информацию из внешних документов во время логического вывода. Он эффективен для поиска в миллионах документов, но имеет существенный компромисс: перед индексацией документ нужно разбить на фрагменты. Это повышает эффективность поиска, но разрушает исходную структуру документа — связанные отношения распределяются по независимым фрагментам.

Например, обычный конвейер RAG может разбить больничный протокол на несколько фрагментов (
Patients arriving through the Emergency Department must complete an initial triage.Admission Requirements:- Valid patient identification- Initial clinical assessment- Emergency cases receive immediate priority
,
Patient information is recorded in the Electronic Health Record (EHR) system.
,
Bed allocation follows the Bed Occupancy guidelines maintained by the Operations team.
). Когда врач спрашивает: «Каков процесс приёма пациента?», база данных vector извлекает наиболее релевантные фрагменты. При этом логические взаимосвязи между правилами приёма, процедурой экстренной сортировки, системой EHR и распределением коек теряются — модель должна восстанавливать их при каждом запросе.

OKF разработан, чтобы решить эту проблему — упростить восстановление ссылок из фрагментированных фрагментов в каждом запросе. Особенно это актуально для курированных организационных знаний (политики, процедуры, API, runbooks — взаимосвязанные концепции).

Идеи OKF восходят к концепции LLM Wiki, представленной Андреем Карпати в 2026 году. Суть в том, что агент с ИИ поддерживает базу знаний, которую может читать, обновлять и улучшать, вместо многократного поиска необработанных документов. Аналогия такая: Obsidian — это IDE, LLM — это программист, wiki — это кодовая база. Люди предоставляют исходные материалы (документацию, политики, схемы, рабочие тетради), а агент организует их в структурированный wiki-формат: составляет резюме, объединяет связанные концепции, поддерживает ссылки.

Пакет OKF — это каталог документов Markdown, где каждый файл представляет одну концепцию (например, политику, API, отдел, runbook, таблицу БД, метрику), связанные стандартными ссылками Markdown. В отличие от векторной БД, OKF сохраняет взаимосвязи в явном виде. Данные в виде простого текста управляются версиями в Git, проверяются через запросы на извлечение, доступны для поиска стандартными инструментами.

Спецификация OKF минимальна: она определяет несколько соглашений, но не накладывает жёсткую структуру каталогов. Это позволяет организациям гибко организовывать знания в соответствии со своей предметной областью.

Компоненты типичного комплекта OKF:
* index.md — основная точка входа в базу знаний, обзор доступных концепций;
* CHANGELOG.md (необязательно) — регистрация изменений в базе знаний;
* файлы концепций (.md) — отдельные концепции (политика, процедура, API, отдел, метрика, система);
* основной вопрос YAML — метаданные (тип концепции, название, описание, теги, владелец, дата последнего обновления);
* ссылки Markdown — явная связь между концепциями.

Соблюдение согласованной иерархии папок упрощает обслуживание и навигацию по базе знаний. Примеры структурирования знаний по соглашениям OKF: база знаний больницы — , база знаний по разработке ПО — , производственная база знаний — .

Каждая связка в OKF начинается с index.md (точка входа), необязательного CHANGELOG.md (отслеживание изменений) и набора каталогов для группировки понятий. ИИ‑агент, разобравшись в структуре одного пакета OKF, сможет управлять другим пакетом, созданным по тем же правилам, без значительной адаптации.

Для CityCare Hospital создаётся ассистент ИИ, который поможет персоналу отвечать на вопросы о правилах приёма, неотложной помощи, отделениях, системах и показателях. Информация будет организована в виде пакета OKF. Начинается создание пакета с корневого каталога; index.md служит точкой входа для людей и ИИ‑агентов (```

CityCare Hospital Knowledge Base## Policies- [Patient Admission Policy](policies/patient-admission.md)- [Discharge Policy](policies/discharge-policy.md)## Procedures- [Emergency Triage](procedures/emergency-triage.md)- [Blood Transfusion](procedures/blood-transfusion.md)## Systems- [Electronic Health Record](systems/ehr-system.md)## Metrics- [Bed Occupancy](metrics/bed-occupancy.md)## Departments- [Emergency Department](departments/emergency.md)

```). Агент ИИ сначала читает индекс, чтобы понять существующие концепции, затем переходит к соответствующим файлам — это упорядочивает пакет и сокращает ненужный контекст при поиске.

Файлы концепций — составные элементы пакета OKF. Каждая концепция — одна часть знаний (политика, процедура, отдел, система, показатель или API). Каждый файл концепций состоит из YAML Front Matter (метаданные о концепции) и Markdown Content (фактические знания со ссылками на связанные концепции) (
---type: policytitle: Patient Admission Policydescription: Guidelines for admitting patients into CityCare Hospitaltags: - admissions - patient-careupdated: 2026-06-15---# Patient Admission PolicyPatients arriving through the Emergency Department must complete an initial triage before admission.## Admission Requirements- Valid patient identification- Initial clinical assessment completed- Emergency cases receive immediate priority## Related Concepts- [Emergency Triage](../procedures/emergency-triage.md)- [Electronic Health Record](../systems/ehr-system.md)
). Концепции ссылаются на другие связанные концепции в базе знаний — изолированные документы превращаются во взаимосвязанный граф знаний. Для OKF обязательно поле «тип» в YAML (определяет тип концепции: политика, процедура, система или показатель). Дополнительные метаданные (заглавие, описание, теги, обновлённый) упрощают организацию и обслуживание пакета. Файлы концепций могут описывать операционные показатели, внутренние системы, отделы, API-интерфейсы или runbooks (
---type: metrictitle: Bed Occupancy Ratedescription: Percentage of inpatient beds currently occupiedtags: - operations - hospitalupdated: 2026-06-15---# Bed Occupancy RateThe Bed Occupancy Rate measures the percentage of inpatient beds currently occupied.## FormulaOccupied Beds / Total Available Beds × 100## Data SourceHospital Information System## OwnerOperations Department## Related Concepts- [Emergency Department](../departments/emergency.md)- [Patient Admission Policy](../policies/patient-admission.md)
).

При использовании пакета OKF агент ИИ выполняет структурированный процесс навигации: читает index.md, определяет релевантную концепцию, открывает файл с концепцией, переходит по ссылкам на связанные концепции, формирует ответ из соответствующих концепций. В отличие от конвейера RAG, агент начинает с выбранной точки входа и изучает только релевантные концепции — это сохраняет взаимосвязи между понятиями и ограничивает объём контекста для языковой модели.

OKF позволяет организовать знания так, как это делает человек (например, врач при работе с документацией), и даёт доступ к явному графу знаний с уже определёнными связями — процесс поиска становится более детерминированным, его легче проверять и поддерживать.

Однако у OKF есть ограничение: требуется куратор для каждой концепции. Каждая политика, процедура, система, показатель и подразделение должны быть написаны, проанализированы и поддерживаться. Это практично для авторитетных организационных знаний, но становится непрактичным при масштабе в миллионы документов (например, в больнице: миллионы записей в EHR, статьи о медицинских исследованиях, клинические заметки, отзывы пациентов, отчёты об инцидентах, внутренние электронные письма, стенограммы совещаний, журналы технического обслуживания оборудования). Организация каждого из этих документов в концептуальные файлы OKF потребовала бы огромного количества ручных усилий. Даже если агенты ИИ помогают в процессе подготовки, большая часть этой информации постоянно меняется и лучше подходит для семантического поиска. Именно поэтому по-прежнему предпочтительным решением остаётся RAG.

RAG индексирует большие коллекции неструктурированных данных с помощью встраиваний. Когда задаётся вопрос, система извлекает наиболее семантически значимые документы и предоставляет их в качестве контекста для языковой модели. Например, на вопросы «Сталкивался ли кто‑нибудь с этой ошибкой МРТ‑сканера раньше?», «Найдите предыдущие отчёты об инцидентах, связанных с задержкой лабораторных результатов», «Подведите итоги обсуждений, связанных с внедрением новой системы EHR», «Найдите все заметки о встречах, в которых упоминаются задержки с переводом пациентов» невозможно найти ответы в небольшой базе знаний, подготовленной кураторами. Для этого требуется поиск по тысячам или даже миллионам документов.

Сравним особенности подходов:

Особенность OKF RAG Лучше всего подходит для сбора организационных знаний больших коллекций неструктурированных документов Источник знаний файлы концепций Markdown необработанные документы Поиск детерминированная навигация поиск семантического сходства Инфраструктура файловая система + Git вложения + векторная база данных Управление версиями встроенная поддержка Git требуется повторная индексация после обновлений Отношения явные связи между понятиями выводятся из извлечённых фрагментов Масштабируемость умеренная отличная Объяснимость высокая умеренная

Ни один из подходов не является универсально лучшим. Они решают разные задачи: OKF обеспечивает структуру и точность, RAG — масштабируемость и гибкость. Поэтому современные архитектуры агентов используют OKF и RAG там, где каждая из технологий работает лучше всего. Применяется принцип 80/20: 20 % критически важных, стабильных организационных знаний хранятся в виде пакета OKF, 80 % неструктурированной информации — в конвейере RAG. Создаётся многоуровневая архитектура знаний, где маршрутизатор определяет подходящий источник знаний для входящего запроса. Вопросы с достоверными и детерминированными ответами (например, «Каковы правила приёма пациентов?», «Как рассчитывается коэффициент занятости койко‑мест?») направляются в пакет OKF. Дополнительные вопросы (например, «Кто‑нибудь сталкивался с этой ошибкой МРТ‑сканера раньше?», «Найдите предыдущие отчёты об инцидентах, связанных с задержкой результатов лабораторных исследований») — в RAG‑систему. Фреймворки LangGraph, LangChain или LlamaIndex упрощают маршрутизацию — позволяют создавать рабочие процессы, которые выбирают стратегию поиска на основе запроса пользователя.

Таким образом, OKF и RAG работают вместе как взаимодополняющие уровни в единой архитектуре знаний. OKF подходит для политик, runbooks и документов API, RAG — для семантического поиска в больших неструктурированных коллекциях. Совместное использование систем даёт больше возможностей.

# Patient Admission PolicyPatients arriving through the Emergency Department must complete an initial triage before admission.## Admission Requirements- Valid patient identification- Initial clinical assessment completed- Emergency cases receive immediate priority## Recording and Bed AllocationPatient information is recorded in the Electronic Health Record (EHR) system before a bed is assigned.Bed allocation follows the Bed Occupancy guidelines maintained by the Operations team.