Principais destaques
- 📄 O OKF, anunciado pelo Google Cloud em 12 de junho de 2026, é um padrão aberto que representa conhecimento organizacional como um diretório de arquivos Markdown com cabeçalho YAML, sem exigir SDK, runtime ou registro especial para funcionar.
- 🧠 Diferente do RAG tradicional, que busca repetidamente em documentos brutos, o OKF propõe que a IA construa e mantenha uma espécie de wiki persistente e com controle de versão, que se atualiza aos poucos em vez de ser reconsultada do zero a cada pergunta.
- 🔗 A versão atual, OKF v0.1, é declarada pelo próprio Google como “um ponto de partida, não um padrão finalizado”, com apenas um campo obrigatório por conceito (
type) e links cruzados entre arquivos formando o grafo de conhecimento.
Toda equipe que constrói com inteligência artificial esbarra, mais cedo ou mais tarde, no mesmo obstáculo: o conhecimento vive em silos.
Um agente usa um banco vetorial proprietário. Outro puxa de um pipeline de RAG personalizado. Um terceiro lê documentos escritos à mão, formatados para um modelo específico. Quando chega a hora de compartilhar esse conhecimento entre times, ferramentas ou modelos, normalmente é preciso recomeçar do zero.
É esse problema que o Open Knowledge Format (OKF) tenta resolver. Anunciado pelo Google Cloud em 12 de junho de 2026, o OKF é uma especificação aberta e neutra em relação a fornecedor, pensada para representar metadados, contexto e conhecimento curado da forma que sistemas de IA modernos precisam. Este artigo explica o que é o OKF, como ele funciona na prática, por que o Google o criou, e como começar a usá-lo, com prompts prontos para ajudar na adoção.
🧩 O problema que o OKF tenta resolver
Quando desenvolvedores constroem agentes de IA hoje, normalmente precisam de algum tipo de camada de conhecimento: um conjunto de documentos, fatos ou dados estruturados que o modelo consulta para responder perguntas ou completar tarefas. Esse é o domínio da geração aumentada por recuperação (RAG): o modelo busca trechos relevantes em uma base de conhecimento e gera uma resposta ancorada nesse conteúdo recuperado.
O problema é que não existe uma forma combinada de construir essa camada de conhecimento. Times diferentes fazem escolhas diferentes: formatos de documento variados (PDFs, arquivos Markdown, texto simples, páginas raspadas em HTML), estratégias de divisão de texto (chunking) que variam enormemente, esquemas de metadados inconsistentes, e modelos de embedding incompatíveis entre si. O resultado é fragmentação: bases de conhecimento construídas para um projeto não servem para outro, times reconstroem o mesmo conhecimento institucional do zero, e agentes dentro da mesma organização não conseguem compartilhar o que sabem.
📚 De onde vem a ideia: o padrão “wiki para LLMs”
Para entender o OKF, vale primeiro conhecer o conceito no qual ele se baseia. Andrej Karpathy, ex-diretor de IA da OpenAI e hoje uma referência em educação sobre inteligência artificial, já escreveu e falou sobre a ideia de construir “wikis para LLMs”. A percepção central é simples: agentes de IA precisam da própria versão de documentação, diferente da documentação tradicional, escrita para humanos, com narrativa longa, histórico e ressalvas em prosa que um modelo de linguagem não precisa, e às vezes até se confunde.
Times já vinham fazendo isso de forma independente, com cofres do Obsidian conectados a agentes de codificação, arquivos de convenção como CLAUDE.md ou AGENTS.md, e repositórios cheios de arquivos index.md. Mas cada implementação era feita sob medida, sem interoperabilidade entre si. O OKF formaliza esse padrão de “wiki para LLM” em um formato portátil e padronizado.
🛠️ Como o OKF funciona, tecnicamente
Diferente do que se poderia imaginar por analogia com bancos vetoriais complexos, a proposta do OKF é deliberadamente simples. A versão publicada, OKF v0.1, representa o conhecimento como um diretório de arquivos Markdown com cabeçalho YAML (o chamado frontmatter), com um pequeno conjunto de convenções combinadas que permitem que wikis escritas por produtores diferentes sejam consumidas por agentes diferentes, sem tradução no meio do caminho. Sem esquema de compressão complicado, sem runtime novo, sem SDK obrigatório.
Exemplo simplificado de um conceito no formato OKF:
markdown
---
type: concept
title: Política de Reembolso
last_updated: 2026-06-20
related: [politica-de-troca, prazo-de-entrega]
---
# Política de Reembolso
Clientes têm até 30 dias corridos após o recebimento do produto para
solicitar reembolso integral, desde que o item esteja lacrado e sem
uso...Cada conceito exige apenas um campo obrigatório, type, e os links cruzados entre os arquivos (como related no exemplo acima) formam o grafo de conhecimento, permitindo que um agente navegue entre conceitos relacionados da mesma forma que navegaria por uma wiki.
Uma diferença conceitual importante em relação ao RAG tradicional: em vez de o modelo buscar repetidamente em documentos brutos toda vez que precisa de uma informação, o OKF propõe que a IA construa e mantenha, de forma incremental, uma wiki persistente. O conhecimento é compilado uma vez e permanece atualizado; cada nova fonte enriquece o grafo já existente; referências cruzadas são mantidas automaticamente; e contradições podem ser sinalizadas. Como o pacote de conhecimento vive em arquivos de texto simples, ele também se encaixa naturalmente em controle de versão: a base de conhecimento pode viver dentro de um repositório Git, com cada mudança registrada como um commit, com autoria, data e diff.
🎯 Por que o Google criou esse padrão
O OKF já nasce ligado a um produto real do Google Cloud: ele é oferecido dentro do Knowledge Catalog, o novo nome para o que antes era vendido como Dataplex, agora descrito como um “motor de contexto sempre ativo” para agentes de IA. Junto ao anúncio, o Google publicou implementações de referência tanto do lado de quem produz quanto de quem consome esse conhecimento, incluindo um agente de enriquecimento que percorre um conjunto de dados no BigQuery, redige um documento de conceito no formato OKF para cada tabela e view, e depois roda uma segunda passagem de IA que varre documentação já existente para enriquecer cada conceito com mais contexto.
Vale um esclarecimento sobre o status do projeto: o repositório do OKF no GitHub traz o aviso de que “não é um produto oficial do Google”, o que pode parecer contraditório ao lado de um anúncio no blog oficial do Google Cloud. Não é uma contradição real: esse mesmo aviso aparece na maioria dos repositórios de código aberto do Google, incluindo o principal repositório de exemplos de IA da empresa. Ele significa apenas que o código não tem suporte oficial, não que o formato em si seja não oficial. O Google escreveu a especificação e a anunciou formalmente, mesmo com o código de referência rotulado dessa forma. A própria empresa é direta sobre a maturidade do projeto: “OKF v0.1 é um ponto de partida, não um padrão finalizado. O formato vai evoluir conforme mais produtores e consumidores surgirem, e conforme aprendermos coletivamente que tipo de representação de conhecimento os agentes realmente precisam na prática.”
⚖️ Como o OKF se compara a abordagens existentes
Vale entender como o OKF se relaciona com coisas que você provavelmente já usa:
- 🧰 Frameworks de RAG (LangChain, LlamaIndex): essas ferramentas oferecem uma infraestrutura excelente para construir pipelines de RAG, mas são frameworks, não formatos; dão o encanamento para carregar, dividir, gerar embeddings e recuperar documentos, mas a saída de um pipeline não é necessariamente compatível com a de outro
- 🗺️ XML sitemap e llms.txt: um sitemap XML lista as páginas de um site; um arquivo
llms.txtaponta rastreadores para o conteúdo mais útil de um site. O OKF vai além, entregando o próprio conhecimento, empacotado em arquivos que um agente lê diretamente. A diferença que importa é a direção:llms.txte sitemaps olham para fora, para rastreadores visitando seu site, enquanto o OKF olha para dentro, para os próprios agentes de uma organização - 🗄️ Bancos de dados vetoriais: um banco vetorial é um sistema de armazenamento otimizado para busca por similaridade em embeddings. O OKF opera em outro nível: uma base de conhecimento no formato OKF pode, se fizer sentido, alimentar um banco vetorial depois, mas o OKF em si define como o conhecimento é curado e estruturado antes disso
👥 Quem deveria se importar com o OKF
- 🛠️ Desenvolvedores de aplicações de IA que constroem agentes dependentes de uma camada de conhecimento, e querem um formato reutilizável que não precise ser refeito ao trocar de modelo ou plataforma
- 🏢 Times de TI corporativa e gestão do conhecimento, responsáveis por manter conhecimento institucional, que se beneficiam de poder exportar de um sistema e importar em outro, ou compartilhar bases de conhecimento entre departamentos
- 🔧 Criadores de plataformas, plugins ou integrações que trabalham com bases de conhecimento, e ganham um formato-alvo estável para dar suporte
- ☁️ Times que já operam no ecossistema Google Cloud, especialmente os que usam BigQuery e o Knowledge Catalog, onde o suporte ao OKF já é nativo
🚀 Como começar a adotar o OKF
Prompt para gerar seu primeiro documento de conceito no formato OKF:
Crie um documento no formato OKF (Markdown com cabeçalho YAML) para o
conceito abaixo. Siga esta estrutura:
---
type: concept
title: [título do conceito]
last_updated: [data de hoje]
related: [lista de outros conceitos relacionados, se houver]
---
[conteúdo do conceito em Markdown, claro e direto, sem prosa
desnecessária, pensado para ser lido por um agente de IA]
Conceito a documentar:
[DESCREVA O CONCEITO, POLÍTICA OU CONHECIMENTO QUE VOCÊ QUER FORMALIZAR]Prompt para transformar documentação existente em formato OKF:
Converta o documento abaixo, escrito para leitores humanos, em um ou mais
documentos de conceito no formato OKF. Remova prosa narrativa
desnecessária, histórico e ressalvas que não afetam a informação
essencial. Identifique se o conteúdo deveria ser dividido em vários
conceitos menores e interligados, e sugira os campos "related" para cada
um.
Documento original:
[COLE O TEXTO ORIGINAL]Prompt para auditar contradições em uma base de conhecimento no formato OKF:
Revise os conceitos abaixo, todos no formato OKF, e aponte qualquer
contradição, informação desatualizada, ou lacuna que impeça um agente de
IA de responder com confiança a perguntas relacionadas a esses conceitos.
Conceitos:
[COLE OS ARQUIVOS OU TRECHOS RELEVANTES]Um ponto de atenção prático vale registrar: como o OKF permite que agentes leiam e atualizem o conhecimento diretamente, uma base de conhecimento mantida por um agente é, também, uma superfície real de ataque. Se um agente escrever no pacote a partir de uma entrada não confiável, o pacote pode virar um vetor de injeção indireta de prompt, então o que você permite que escreva ali importa tanto quanto o que já está escrito.
O Open Knowledge Format é a tentativa do Google de resolver um problema real de fragmentação na forma como equipes de IA constroem e compartilham conhecimento: em vez de cada time inventar seu próprio esquema de documentos, chunking e metadados, o OKF propõe um padrão simples, baseado em arquivos Markdown com cabeçalho YAML, sem exigir ferramentas especiais para ler ou escrever.
A proposta se diferencia do RAG tradicional ao formalizar uma wiki persistente e versionada, em vez de uma busca repetida em documentos brutos, e já vem acompanhada de implementações de referência dentro do ecossistema Google Cloud.
Sendo uma versão 0.1, declarada pelo próprio Google como um ponto de partida, o formato ainda deve evoluir bastante, mas já oferece hoje um caminho concreto e de baixa barreira técnica para quem quer tornar suas bases de conhecimento de IA reutilizáveis entre agentes, times e ferramentas.
