每隔几个月，AI 社区就会发现一种新的 RAG 杀手。
更长的上下文窗口。微调。GraphRAG。Agentic RAG。
但在 2026 年 6 月，Google Cloud 发布了一项真正改变了讨论方向的内容：Open Knowledge Format (OKF)，这是一种开放、厂商中立的规范，用于将经过整理的知识存储为纯 Markdown 文件，任何 AI Agent 都可以直接读取。
OKF 并不会消灭 RAG。它恰恰揭示了 RAG 从来就不该独自承担哪些工作。
本文将拆解这两种方法：它们是什么、如何工作、各自擅长什么，以及为什么 2026 年最强大的 AI 系统会将两者结合使用。
如何阅读本文
RAG 和 OKF 并不是在争夺同一个位置。它们解决的是不同的知识问题：
RAG 回答：“信息就在这个大型语料库的某处，去把它找出来。”
OKF 回答：“我们已经知道这些内容，并且已经清楚地写在这里，直接读就行。”
记住这个框架，整场争论就会烟消云散。
1. RAG：检索主力
它究竟是什么
检索增强生成（Retrieval-Augmented Generation，RAG）会在 LLM 生成响应之前增加一个检索步骤。模型不再只依赖训练数据，而是搜索外部知识库，检索相关片段，并将其作为上下文来支撑回答。
Query → Embedding → Vector Search → Top-K Chunks → LLM → Response
自 2023 年以来，RAG 一直是企业 AI 的首选架构。它解决了三个关键问题：幻觉（通过让回答基于真实文档）、知识过时（通过检索最新信息），以及私有数据访问（通过索引内部语料库）。
无人提及的真实成本
RAG 功能强大，但宣传时往往略过了代价：
大多数 RAG 系统会在分块环节悄然失效。 分得太小，片段就缺少上下文；分得太大，又会因噪声而稀释相关性。固定大小分块会破坏语义单元。语义分块则会增加工程开销，而这笔开销一开始通常没人纳入预算。
检索质量决定了系统的上限。 如果检索器取回了错误的片段，或完全漏掉了正确片段，再多的提示工程也无法挽救输出。朴素的 RAG pipeline 在检索环节的失败率约为 40%。
关系只能靠推断，从不明确表达。 RAG 会寻找与查询语义上_相似_的片段。但相似不等于理解。它并不知道概念 A _依赖于_概念 B，也不知道策略 X _优先于_策略 Y。文档被拆成 512-token 的片段后，这些关系就丢失了。
每次查询都从头开始。 知识不会累积。LLM 每次遇到问题都要重新发现已有知识。没有复利效应，也不会逐步积累。
2. OKF：RAG 从未具备的知识整理层
它究竟是什么
Open Knowledge Format (OKF) 由 Google Cloud 于 2026 年 6 月 12 日发布（版本 0.1），是一种规范，用于将组织知识表示为包含 YAML frontmatter 的 Markdown 文件目录。每个文件代表一个概念：指标定义、表结构、策略或 runbook。文件之间通过 Markdown 链接构成知识图谱，Agent 可以在其中导航。
knowledge-bundle/
index.md # 目录列表（入口）
log.md # 变更历史
metrics/
index.md
revenue.md # 每个文件对应一个概念
churn-rate.md
policies/
escalation-matrix.md
data-retention.md
每个概念文件看起来像这样：
---
type: metric
title: Monthly Recurring Revenue
owner: finance-team
tags: [revenue, saas, reporting]
--
# Monthly Recurring Revenue (MRR)
MRR 是所有活跃订阅收入按月标准化后的总和。
## Calculation
MRR = Σ (active subscriptions × monthly rate)
## Related
- 偏移指标请参阅 [churn-rate](./churn-rate.md)。
- 年化视图请参阅 [ARR](./arr.md)。
该规范只要求一个 frontmatter 字段：type。其他字段均为可选。无需 SDK。无需专有 runtime。无需向量数据库。无需 embeddings。只要能读取 Markdown，就能读取 OKF。
起源：Karpathy 的 LLM Wiki
OKF 并非凭空出现。它将 Andrej Karpathy 于 2026 年 4 月在 X 上描述的一种模式，即 LLM Wiki，正式规范化了。他的洞见简单却颇具突破性：与其在查询时从原始文档中检索，不如让 LLM 将知识_编译_成一个持久、互联的 wiki，并持续更新。
Karpathy 的表述精准指出了 RAG 的根本局限：
LLM 每次遇到问题，都要从头重新发现知识。知识不会累积。
他的帖子迅速走红，浏览量超过 2100 万。两个月后，Google Cloud 将这一模式提炼并标准化为 OKF。
AI Agent 如何使用 OKF
与 RAG pipeline 不同，Agent 不会从搜索 embedding 索引开始。它从一个经过整理的入口开始，然后逐步探索与当前任务相关的概念：
1. Agent 读取 index.md → 查看有哪些知识
2. Agent 沿链接跳转到相关概念文件
3. Agent 读取概念：完整编写、准确无误的答案
4. 如有需要，Agent 沿交叉链接查看相关概念
5. 完成。无需 embeddings。无需排序。也没有“最接近的匹配项”。
这就是确定性检索：要么在该路径找到文件，要么得到明确的错误。不会返回一组包含五篇_可能_相关的文档的排序列表。没有概率性，也不会悄无声息地给出错误答案。
3. RAG 与 OKF：正面对比
4. RAG 仍然胜出的领域（而且始终如此）
OKF 并不取代 RAG，也从来不是为此而设计的。以下场景中，RAG 仍然是正确选择：
规模。 你的组织有 50,000 个 Confluence 页面、十年的支持工单、数千条 Slack 线程，以及不断增加的 PDF。将所有这些内容整理成精心编写的 OKF 概念文件，需要投入大量人工。RAG 可以轻松处理：将内容嵌入、建立索引、进行搜索。
快速变化的数据。 股价、事件报告、实时日志和客户交互都在持续变化，因此相比经过整理的 Markdown 文件，它们更适合通过语义搜索来处理。
未知的未知。 当你不知道要找什么时，就需要搜索。RAG 可以让你在庞大的语料库中说“帮我找出所有与 X 相关的内容”。而 OKF 需要有人事先把答案写下来。
探索发现。 RAG 擅长发现你不知道存在的关联。Embedding 搜索可能会返回一份三年前的相关文档，甚至没人记得当时是谁写的。
5. OKF 的优势所在（以及 RAG 力有不逮之处）
当答案_必须完全准确_比搜索大型语料库更重要时，OKF 就是正确选择：
策略和 runbook。 你的升级矩阵只有一个正确版本。Agent 按照 [[ops/policies/escalation_matrix]] 查找时，要么找到该文件，要么报错。RAG 可能会检索到一段相似但已过时的内容，来自已弃用的版本。
指标定义。 “MRR 是什么？”在你的组织中只有一个答案。这不应该是相似度搜索，而应该是直接读取。
API 文档和 schema。 表结构、endpoint 规范和数据字典都要求精确、结构化且权威。它们应该放在经过整理的概念文件中，而不是被拆分到向量索引里。
入职培训。 新工程师入职、合规培训材料和 SOP 都属于稳定的知识，变更不频繁，而且必须准确无误。
合规与审计。 受监管行业（银行、保险、医疗保健）需要回答：“这项策略在某个日期具体是怎么写的？”OKF bundle 存储在 git 中。每次变更都有记录。每个概念都有负责人。每种关系都明确表示。试试看如何审计向量数据库。
6. 真正胜出的架构：OKF + RAG
“谁更胜一筹”的争论忽略了关键一点：生产系统会同时使用两者。
2026 年各团队逐渐采用的架构，是在两个系统前面放置一个路由器：
80/20 的划分
企业中逐渐形成的实用模式：
组织知识中20% 的关键、稳定且经常被引用的内容，以 OKF bundle 的形式保存：策略、指标、schema、runbook 和 SOP。
其余 80%，也就是规模庞大、非结构化且快速变化的信息，继续留在传统的 RAG pipeline 中。
路由器的工作很简单：已知的确定信息交给 OKF，其他所有内容则交给 RAG。
OKF 让 RAG 更出色
大多数文章都忽略了这一点：OKF bundle 是干净、结构良好的 Markdown，非常接近 RAG 分块 pipeline 的理想输入。让检索器直接处理 OKF bundle，就能得到比原始源文档质量高得多的分块。
OKF 改善知识本身。RAG 仍负责在大规模场景中找到这些知识。
7. 快速上手：5 分钟创建你的第一个 OKF Bundle
你不需要新工具，只需要一个文件夹和文本编辑器。
步骤 1：创建 bundle 目录结构
mkdir -p knowledge-bundle/metrics knowledge-bundle/policies
touch knowledge-bundle/index.md knowledge-bundle/log.md
步骤 2：编写你的第一个概念
创建 knowledge-bundle/metrics/mrr.md：
---
type: metric
title: Monthly Recurring Revenue
owner: finance-team
tags: [revenue, saas]
---
# Monthly Recurring Revenue (MRR)
MRR 是所有活跃订阅收入的总和……
步骤 3：创建索引
在 knowledge-bundle/index.md 中：
# Knowledge Bundle
## Metrics
- [Monthly Recurring Revenue](./metrics/mrr.md): SaaS 核心收入指标
## Policies
- [Escalation Matrix](./policies/escalation-matrix.md): 事件响应路由
步骤 4：让你的 Agent 读取它
Agent 首先读取 index.md，然后沿链接访问相关概念，便能确定性地获取经过整理、权威可靠的知识，无需 embeddings。
步骤 5：进行版本管理
cd knowledge-bundle && git init && git add . && git commit -m "Initial bundle"
现在，你的知识已经可以进行版本管理、差异比较和审计，也具备了可移植性。
8. OKF 生态系统（2026 年 10 月）
OKF 发布才四个月，工具链已经逐渐丰富：
okflib (Python)：解析、验证、可视化并自动生成 OKF bundle
okf (Rust)：零依赖的 parser、validator 和链接图谱
okf-toolkit (Python CLI)：提供 init、validate、search 和 graph 命令
okf (Go)：完整的 v0.2 bundle 模型，支持一致性检查
Hermes OKF：基于 OKF 构建的 AI Agent 通用记忆系统
OKF Wiki：基于 Obsidian、由 LLM 维护并遵循 OKF 的知识库
MCP servers：面向 Claude、Codex 和其他 Agent 的原生 OKF 工具
该规范采用 Apache 2.0 许可证。没有厂商锁定，也没有专有 runtime。
9. 快速决策框架
10. 常见误区
“OKF 取代 RAG。” 并非如此。对于可以直接定位的、经过整理的事实，OKF 才会取代向量检索。长尾内容仍然留在原处。
“RAG 足以处理所有情况。” 并非如此。当 Agent 必须_确定无误_地掌握某项策略、指标或 schema 时，概率式检索就不是合适的工具。
“所有内容都用 OKF。” 将数千份快速变化的文档整理成 OKF 概念并不现实。核心关键内容用 OKF，其余部分用 RAG。
“我得拆掉现有的 RAG pipeline。” 不需要。实际的第一步，是挑出 Agent 最常答错的五到十个问题，也就是答案只有一个的那些问题，然后先把它们写成 OKF 概念。
“OKF 需要专用工具。” 它只需要文本编辑器和文件夹。这正是它的设计初衷。
2026 年面试官真正期待你掌握什么
应聘 AI/ML 和数据工程职位时，请做好准备：
解释为什么“RAG vs. OKF”是错误的讨论框架。 它们解决的是不同的知识问题：已知的确定信息与未知的未知。
描述 RAG 在结构上的局限。 分块脆弱、检索具有概率性、关系靠推断、知识不会累积。
解释 OKF 是什么。 Markdown 文件 + YAML frontmatter + 显式链接 = 面向 Agent 的确定性、经过整理的知识。
了解 Karpathy 与 OKF 的联系。 OKF 将 LLM Wiki 模式（2026 年 4 月）正式规范化为可移植、厂商中立的标准。
画出混合架构。 Router → 核心整理知识交给 OKF，长尾内容交给 RAG。
清楚说明权衡。 OKF 提供结构和精确性，RAG 提供规模和灵活性。生产系统会同时使用两者。
掌握这六点，你就能像架构师而非追随者那样思考 AI 知识系统。
核心结论
RAG 和 OKF 从来就不是在争夺同一个王座。
RAG 是检索主力：它搜索大型、混乱且快速变化的语料库，并在查询时找出相关信息。
OKF 是经过整理的知识层：它存放稳定、权威且确定的知识，Agent 可以直接读取；知识之间的关系明确，并且完全可审计。
错误在于把它们当成对手。它们是服务于不同知识范围的层：
规模较小、至关重要且稳定的 20% 存放在 OKF 中：策略、指标、schema 和 runbook。
规模庞大、非结构化且动态变化的 80% 留在 RAG 中：工单、讨论串、会议记录和历史文档。
2026 年最强大的 AI 系统，并不是那些争论哪种方法更好的系统，而是那些通过路由器让各自发挥所长的系统：必须完全准确的内容交给 OKF，庞大到无法手工整理的内容交给 RAG。
别再问哪种方法更好。问问你的 Agent 哪些内容必须_确定无误_，然后从那里开始。
如果这篇文章对你有帮助，可以关注我，获取更多关于 AI、ML 和数据系统的深度分析。