AI Agent 时代的知识库不再只是个人笔记，而是长期上下文系统。真正的问题不是能不能写 Markdown，而是不同团队、不同项目、不同数据库文档之间缺少共同格式。每个系统都有自己的写法，智能体每次接入都要重新理解结构，长期知识很难迁移和复用。

Open Knowledge Format 给出了一套低门槛答案：用 Markdown 承载正文内容，用 YAML Front Matter 暴露结构化元数据，再用 Knowledge Bundle、Concept、index.md 和 log.md 组织成可导航的知识系统。它不是新的知识管理软件，而是一套人和 AI Agent 都能读取的开放格式。

OKF v0.2 的价值在于把知识管理推进到治理层：来源可追溯、可信度可判断、时效性可复核、生命周期可标记、计算过程可验证。落地时不需要一次铺满所有字段，最小合规只需要 Type 字段；复杂场景再逐步加入来源、审核、过期时间和计算验证。

这套分析框架围绕三个问题展开：需求是否真实，商业化是否已经进入财务结果，估值是否已经提前消化太多预期。只有把产业位置、关键数字、兑现节奏和风险条件放在同一张图里，判断才不会停留在主题热度上。

从 LLM Wiki 到格式碎片化

LLM Wiki 的理念，是让大语言模型帮助个人或团队持续构建结构化知识库，把项目经验、业务流程、架构决策和常用资料沉淀为长期上下文。问题在于，当每个人都开始搭建自己的知识库，格式差异会迅速放大。

一个代码仓库里的长期项目文档是一套格式，数据库文档是另一套格式，个人笔记又是一套格式。AI Agent 在执行任务前，必须先理解这些上下文；如果每个系统都使用不同结构，就需要为每个系统单独做适配。

格式碎片化的代价不只是阅读不方便，而是知识无法稳定迁移。越是希望把知识交给智能体长期使用，越需要一套统一的、开放的、低门槛的知识格式。OKF 就是为这个问题提出的规范。

把这一层拆开，起点是LLM Wiki；现实问题是格式碎片化；代码项目是项目文档。这些并不是孤立信息，而是AI Agent 长期知识库从自由文本、目录导航、元数据治理到可验证计算知识的标准化路径之间的连续传导：知识库越多，格式差异越会变成 AI Agent 接入和迁移成本。

后续判断要同步反向校验。数据场景需要看指标、口径和查询缺少统一元数据；智能体成本需要看每次接入都要重新适配结构；解决方向需要看让知识可迁移、可导航、可复用。只要其中任何一环发生逆转，结论就要重新估价；如果这些条件继续同向强化，框架的解释力会明显提高。

从经营层面看，起点、现实问题、代码项目共同构成这一章节的主轴。LLM Wiki对应用结构化文档沉淀长期知识；格式碎片化对应个人、团队和项目各写一套；项目文档对应架构、任务和长期决策分散。这些指标的意义不在于单点高低，而在于能否相互验证：需求端给出方向，供给端决定交付，财务端确认结果。

落实到投资和产业判断，数据场景、智能体成本、解决方向是必须同时跟踪的约束条件。高景气会放大优势，也会放大执行偏差；价格、产能、成本、客户和技术路线任何一项出现变化，都可能改变最终利润留存。

因此，这里必须区分三类信息：已经发生的财务和订单结果，正在验证的产品、客户与产能进度，以及尚未兑现的远期利润假设。把三类信息混在一起，容易把产业趋势误读为当期业绩；分层处理后，机会和风险才会更清楚。

OKF 的定义：Markdown + YAML

OKF 是一套 Markdown 和 YAML 的格式规范。Markdown 负责承载正文，保留人类可读性；YAML Front Matter 负责描述这份知识的类型、标题、来源、状态、审核信息和其他结构化元数据。

这种组合的优点是低门槛。Markdown 本身已经广泛用于代码仓库、笔记系统和文档站；YAML Front Matter 又能让 AI Agent 先读取少量结构化信息，快速判断文件是否与当前任务相关，再决定是否读取全文。

OKF 不是一个新的知识管理软件，也不是 Obsidian、Git、RAG 或 MCP 的替代品。它更像一个共同语言：知识可以继续放在文件夹、仓库或笔记库里，但只要遵循同一套格式，就更容易被不同系统理解和组合。

把这一层拆开，格式名称是OKF；正文载体是Markdown；元数据是YAML。这些并不是孤立信息，而是AI Agent 长期知识库从自由文本、目录导航、元数据治理到可验证计算知识的标准化路径之间的连续传导：正文用 Markdown，结构化元数据用 YAML，让同一份知识同时适合人和 AI Agent 阅读。

后续判断要同步反向校验。读取对象需要看同一份知识兼容两类读者；组合系统需要看可被检索、工具和知识管理系统使用；定位需要看不是替代 Obsidian 或 Git。只要其中任何一环发生逆转，结论就要重新估价；如果这些条件继续同向强化，框架的解释力会明显提高。

从经营层面看，格式名称、正文载体、元数据共同构成这一章节的主轴。OKF对应Open Knowledge Format；Markdown对应人类可读、工具生态成熟；YAML对应Front Matter 暴露结构化字段。这些指标的意义不在于单点高低，而在于能否相互验证：需求端给出方向，供给端决定交付，财务端确认结果。

落实到投资和产业判断，读取对象、组合系统、定位是必须同时跟踪的约束条件。高景气会放大优势，也会放大执行偏差；价格、产能、成本、客户和技术路线任何一项出现变化，都可能改变最终利润留存。

因此，这里必须区分三类信息：已经发生的财务和订单结果，正在验证的产品、客户与产能进度，以及尚未兑现的远期利润假设。把三类信息混在一起，容易把产业趋势误读为当期业绩；分层处理后，机会和风险才会更清楚。

Knowledge Bundle 是文件夹，不是数据库

OKF 的基础单位是 Knowledge Bundle，也就是知识包。它不是数据库表，也不是某个云服务里的专有对象，而是一个文件夹结构。这个设计非常重要，因为文件夹天然可复制、可版本管理、可放进代码仓库，也能被各类工具读取。

知识包内部可以包含多个 Concept，也可以包含 index.md 和 log.md 这样的导航与变更记录文件。智能体不需要一上来读取整个知识库，而是先读取目录、元数据和链接关系，再定位到真正相关的知识条目。

把知识包做成文件夹，而不是数据库，降低了迁移成本。个人笔记、团队项目文档、API 说明、数据库指标口径，都可以以 Knowledge Bundle 形式组织，再交给 RAG、MCP、Obsidian 或代码智能体使用。

把这一层拆开，基础单位是Knowledge Bundle；物理形态是文件夹；迁移成本是低。这些并不是孤立信息，而是AI Agent 长期知识库从自由文本、目录导航、元数据治理到可验证计算知识的标准化路径之间的连续传导：OKF 的基础单位是 Knowledge Bundle，本质上是一个可被工具读取的文件夹结构。

后续判断要同步反向校验。组合能力需要看可接入 RAG、MCP 和笔记系统；导航文件需要看提供知识包目录；变更记录需要看记录重要新增和更新。只要其中任何一环发生逆转，结论就要重新估价；如果这些条件继续同向强化，框架的解释力会明显提高。

从经营层面看，基础单位、物理形态、迁移成本共同构成这一章节的主轴。Knowledge Bundle对应OKF 中的知识包；文件夹对应不强依赖数据库或专用平台；低对应复制文件夹即可迁移。这些指标的意义不在于单点高低，而在于能否相互验证：需求端给出方向，供给端决定交付，财务端确认结果。

落实到投资和产业判断，组合能力、导航文件、变更记录是必须同时跟踪的约束条件。高景气会放大优势，也会放大执行偏差；价格、产能、成本、客户和技术路线任何一项出现变化，都可能改变最终利润留存。

因此，这里必须区分三类信息：已经发生的财务和订单结果，正在验证的产品、客户与产能进度，以及尚未兑现的远期利润假设。把三类信息混在一起，容易把产业趋势误读为当期业绩；分层处理后，机会和风险才会更清楚。

Concept 是每个知识条目

Knowledge Bundle 内部最基本的单位叫 Concept，也就是知识条目。一个 Concept 本质上就是一个 Markdown 文件，可以保存一篇知识笔记、一段业务流程、一个 API 约定、一份架构说明或一个长期项目记忆。

例如 Concept/AgentMemory.md 就可以被视为一个知识条目。它所在的文件夹和文件名共同形成 ConceptID，也就是说，文件路径本身就是知识身份的一部分。这个设计让知识条目更容易被链接、引用和更新。

OKF 并不限制正文内容。真正需要遵守的是文件头部的 Front Matter，因为智能体需要通过结构化元数据快速理解这个文件是什么、是否相关、是否可信、是否过期。

把这一层拆开，基本单位是Concept；文件形态是Markdown文件；示例文件是AgentMemory.md。这些并不是孤立信息，而是AI Agent 长期知识库从自由文本、目录导航、元数据治理到可验证计算知识的标准化路径之间的连续传导：文件路径与文件名共同形成 ConceptID，让知识条目具备稳定身份。

后续判断要同步反向校验。所在目录需要看目录参与身份定义；稳定ID需要看由路径和文件名共同形成；内容范围需要看笔记、文档、流程都可以放入。只要其中任何一环发生逆转，结论就要重新估价；如果这些条件继续同向强化，框架的解释力会明显提高。

从经营层面看，基本单位、文件形态、示例文件共同构成这一章节的主轴。Concept对应知识包内的知识条目；Markdown文件对应正文可以保存任意知识；AgentMemory.md对应一个知识条目对应一个文件。这些指标的意义不在于单点高低，而在于能否相互验证：需求端给出方向，供给端决定交付，财务端确认结果。

落实到投资和产业判断，所在目录、稳定ID、内容范围是必须同时跟踪的约束条件。高景气会放大优势，也会放大执行偏差；价格、产能、成本、客户和技术路线任何一项出现变化，都可能改变最终利润留存。

因此，这里必须区分三类信息：已经发生的财务和订单结果，正在验证的产品、客户与产能进度，以及尚未兑现的远期利润假设。把三类信息混在一起，容易把产业趋势误读为当期业绩；分层处理后，机会和风险才会更清楚。

最小合规只需一个 Type 字段

OKF 要求 Markdown 文件必须包含 YAML Front Matter，但最小合规要求很低：唯一强制字段只有 Type。Type 用来说明这份文件描述的是什么类型的知识，例如 AI、Resource、Prompt、业务流程、架构设计或数据库指标。

这个字段看起来简单，却能显著降低智能体读取成本。智能体可以先读 YAML 元数据，判断当前文件是否与任务有关，再决定是否读取完整正文。这样就不需要把整个 Markdown 文件直接塞进上下文窗口。

实际使用中，可以继续增加 title、description、sources、status、verified 等字段，但不需要一开始把所有字段都铺满。OKF 的落地原则是从最小 Type 开始，根据场景复杂度逐步补充治理信息。

把这一层拆开，结构区域是Front Matter；唯一强制是Type；可选字段是title/description。这些并不是孤立信息，而是AI Agent 长期知识库从自由文本、目录导航、元数据治理到可验证计算知识的标准化路径之间的连续传导：OKF 不要求一开始填满所有字段，最小要求只有 Type，用来说明知识类型。

后续判断要同步反向校验。示例类型需要看可自定义知识分类；示例类型需要看资源型资料；示例类型需要看提示词或任务模板。只要其中任何一环发生逆转，结论就要重新估价；如果这些条件继续同向强化，框架的解释力会明显提高。

从经营层面看，结构区域、唯一强制、可选字段共同构成这一章节的主轴。Front Matter对应Markdown 文件顶部的 YAML 元数据；Type对应说明文件描述哪类知识；title/description对应按实际需要逐步增加。这些指标的意义不在于单点高低，而在于能否相互验证：需求端给出方向，供给端决定交付，财务端确认结果。

落实到投资和产业判断，示例类型、示例类型、示例类型是必须同时跟踪的约束条件。高景气会放大优势，也会放大执行偏差；价格、产能、成本、客户和技术路线任何一项出现变化，都可能改变最终利润留存。

因此，这里必须区分三类信息：已经发生的财务和订单结果，正在验证的产品、客户与产能进度，以及尚未兑现的远期利润假设。把三类信息混在一起，容易把产业趋势误读为当期业绩；分层处理后，机会和风险才会更清楚。

index.md、log.md 与渐进式披露

OKF 的文件夹目录里，通常会有 index.md 和 log.md。index.md 相当于整个知识包的导航目录，使用普通 Markdown 链接指向相关知识条目。这里故意使用普通链接，而不是某个笔记软件的专用双链格式，因为不是所有系统都支持私有链接语法。

log.md 记录知识包的重要变化，例如哪一天新增了哪些文件、重命名了哪些条目、更新了哪些关键内容。对长期知识库来说，变更记录能帮助智能体理解知识演进，也方便团队追踪上下文来源。

这一套结构对应 Progressive Disclosure，也就是渐进式披露。智能体先读取 index.md、Front Matter 和少量摘要，确定哪些内容相关，再进一步读取完整正文。这样既保留知识库完整性，又避免一次性消耗过多上下文。

把这一层拆开，导航入口是index.md；链接形式是Markdown链接；变更记录是log.md。这些并不是孤立信息，而是AI Agent 长期知识库从自由文本、目录导航、元数据治理到可验证计算知识的标准化路径之间的连续传导：index.md 提供导航，log.md 记录变更，Progressive Disclosure 减少上下文浪费。

后续判断要同步反向校验。读取策略需要看判断相关性后再深入；核心机制需要看渐进式披露降低上下文成本；最终效果需要看人类和 Agent 都能导航。只要其中任何一环发生逆转，结论就要重新估价；如果这些条件继续同向强化，框架的解释力会明显提高。

从经营层面看，导航入口、链接形式、变更记录共同构成这一章节的主轴。index.md对应整个知识包的目录；Markdown链接对应保持跨系统兼容；log.md对应记录新增、重命名和更新。这些指标的意义不在于单点高低，而在于能否相互验证：需求端给出方向，供给端决定交付，财务端确认结果。

落实到投资和产业判断，读取策略、核心机制、最终效果是必须同时跟踪的约束条件。高景气会放大优势，也会放大执行偏差；价格、产能、成本、客户和技术路线任何一项出现变化，都可能改变最终利润留存。

因此，这里必须区分三类信息：已经发生的财务和订单结果，正在验证的产品、客户与产能进度，以及尚未兑现的远期利润假设。把三类信息混在一起，容易把产业趋势误读为当期业绩；分层处理后，机会和风险才会更清楚。

OKF v0.2 的五个治理问题

基础 OKF 解决的是通用知识格式问题；OKF v0.2 进一步进入治理层。知识从哪里来，是谁写的，有没有验证过，是否过时，是草稿还是正式版，里面的数据和指标是否经过计算验证，这些问题都会影响智能体能不能放心使用知识。

五个核心机制分别对应来源追踪、可信度、时效性、生命周期和计算验证。它们不是为了让文档变复杂，而是为了让文档在被智能体使用时更安全。人类读文档时可以凭经验判断可信度，智能体则需要显式字段。

当知识库进入团队、企业、代码仓库和数据库场景，治理字段就变得很重要。没有来源和审核信息的知识，可能被过度相信；没有时效性和状态信息的知识，可能把历史判断当成当前事实；没有计算验证的指标，可能被智能体临时改写而失真。

把这一层拆开，问题一是来源；问题二是可信度；问题三是时效性。这些并不是孤立信息，而是AI Agent 长期知识库从自由文本、目录导航、元数据治理到可验证计算知识的标准化路径之间的连续传导：OKF v0.2 重点解决来源、可信度、时效性、生命周期和计算验证五类问题。

后续判断要同步反向校验。问题四需要看草稿、稳定版还是废弃版；问题五需要看指标和查询是否按批准逻辑执行；治理目标需要看Agent 不只读取，还能评估知识质量。只要其中任何一环发生逆转，结论就要重新估价；如果这些条件继续同向强化，框架的解释力会明显提高。

从经营层面看，问题一、问题二、问题三共同构成这一章节的主轴。来源对应这条知识到底从哪里来；可信度对应谁创建、谁审核、何时审核；时效性对应过去正确的知识现在是否仍正确。这些指标的意义不在于单点高低，而在于能否相互验证：需求端给出方向，供给端决定交付，财务端确认结果。

落实到投资和产业判断，问题四、问题五、治理目标是必须同时跟踪的约束条件。高景气会放大优势，也会放大执行偏差；价格、产能、成本、客户和技术路线任何一项出现变化，都可能改变最终利润留存。

因此，这里必须区分三类信息：已经发生的财务和订单结果，正在验证的产品、客户与产能进度，以及尚未兑现的远期利润假设。把三类信息混在一起，容易把产业趋势误读为当期业绩；分层处理后，机会和风险才会更清楚。

来源、可信度与时效性

Provenance 可以理解为来源追踪。它解决的问题是：这条知识到底从哪里来，是官方文档、研究文章、内部流程，还是智能体自动生成的总结。OKF 用 sources 字段记录来源地址和来源 ID，再允许正文中的具体句子引用对应来源。

可信度机制主要依赖 generated 和 verified。generated 记录由谁创建、在什么时间创建；verified 记录由谁审核、在什么时间审核。智能体读取这些字段后，就能判断这条知识是否经过验证、审核主体是谁、可信程度是否足以支撑当前任务。

时效性通过 stale_after 字段表达。很多知识过去正确，不代表现在仍然正确。比如一个日期字段可以写成 2020年12月31日，意思是到了这个日期之后，这篇知识应当重新检查。如果智能体在此后读取到未复核内容，就应该把它视为可能过期的知识。

把这一层拆开，来源追踪是Provenance；来源字段是sources；正文引用是ID引用。这些并不是孤立信息，而是AI Agent 长期知识库从自由文本、目录导航、元数据治理到可验证计算知识的标准化路径之间的连续传导：Provenance 建立出处链，generated/verified 记录创建与审核，stale_after 触发复核。

后续判断要同步反向校验。创建记录需要看by 和 at 记录创建主体与时间；审核记录需要看标记是否被人工或流程审核；过期检查需要看到期后需要重新复核。只要其中任何一环发生逆转，结论就要重新估价；如果这些条件继续同向强化，框架的解释力会明显提高。

从经营层面看，来源追踪、来源字段、正文引用共同构成这一章节的主轴。Provenance对应记录知识来自哪里；sources对应在 YAML 中写入参考资料；ID引用对应正文可指向 sources 中的来源。这些指标的意义不在于单点高低，而在于能否相互验证：需求端给出方向，供给端决定交付，财务端确认结果。

落实到投资和产业判断，创建记录、审核记录、过期检查是必须同时跟踪的约束条件。高景气会放大优势，也会放大执行偏差；价格、产能、成本、客户和技术路线任何一项出现变化，都可能改变最终利润留存。

因此，这里必须区分三类信息：已经发生的财务和订单结果，正在验证的产品、客户与产能进度，以及尚未兑现的远期利润假设。把三类信息混在一起，容易把产业趋势误读为当期业绩；分层处理后，机会和风险才会更清楚。

生命周期与计算验证的企业价值

生命周期字段 status 用来区分 Draft、Stable 和 Deprecated。Draft 是草稿，适合继续编辑但不应该被自动当成权威；Stable 是稳定正式版本，可以进入流程；Deprecated 是废弃版本，保留历史但不推荐继续使用。

计算验证机制更适合企业场景。很多公司在查询数据库、计算指标、生成财务数据时，不希望智能体每次临时写一条 SQL 或一段代码。正确做法是把经过审核的查询、公式或脚本作为计算型知识固定下来，只允许智能体传入 parameters 这些可变参数。

OKF 对计算型知识提供 runtime、parameters、executor 和 attester。runtime 表示执行环境，parameters 表示唯一允许智能体提供的变量，executor 定义工具如何执行，attester 用来检查实际运行程序是否与批准过的程序一致。这样可以防止智能体临时改写代码、绕过审核或生成不可追溯的指标。

把这一层拆开，生命周期是status；状态一是Draft；状态二是Stable。这些并不是孤立信息，而是AI Agent 长期知识库从自由文本、目录导航、元数据治理到可验证计算知识的标准化路径之间的连续传导：status 区分 Draft、Stable、Deprecated；runtime、parameters、executor、attester 控制计算型知识。

后续判断要同步反向校验。状态三需要看废弃版本，保留但不推荐使用；计算环境需要看例如 Python 或 BigQuery；执行校验需要看限制和验证实际运行逻辑。只要其中任何一环发生逆转，结论就要重新估价；如果这些条件继续同向强化，框架的解释力会明显提高。

从经营层面看，生命周期、状态一、状态二共同构成这一章节的主轴。status对应标记知识当前状态；Draft对应草稿，不能过度信任；Stable对应稳定版本，可用于正式流程。这些指标的意义不在于单点高低，而在于能否相互验证：需求端给出方向，供给端决定交付，财务端确认结果。

落实到投资和产业判断，状态三、计算环境、执行校验是必须同时跟踪的约束条件。高景气会放大优势，也会放大执行偏差；价格、产能、成本、客户和技术路线任何一项出现变化，都可能改变最终利润留存。

因此，这里必须区分三类信息：已经发生的财务和订单结果，正在验证的产品、客户与产能进度，以及尚未兑现的远期利润假设。把三类信息混在一起，容易把产业趋势误读为当期业绩；分层处理后，机会和风险才会更清楚。

从最小 Type 字段开始落地

OKF 的落地方式很简单：先不要试图一次性使用所有字段，而是从最小结构开始。建立一个 OKF 文件夹，把真正需要长期复用的知识整理成 Knowledge Bundle，每个关键条目写成 Markdown 文件，并在 Front Matter 中至少写入 Type。

个人知识库可以把长期有效的概念、方法、项目经验整理成 OKF；代码项目可以创建专门的 OKF 文件夹，保存架构设计、模块关系、API 约定、历史决策和智能体长期记忆；数据库和指标场景则可以进一步使用计算验证机制，确保查询口径可审计。

真正重要的不是字段数量，而是让知识能够被定义、被导航、被追溯、被判断可信度、被判断是否过期。只要这套结构存在，AI Agent 就不必每次重新猜测知识库如何组织，也能在多个工具和系统之间迁移长期上下文。

把这一层拆开，个人知识库是Obsidian；代码项目是OKF文件夹；数据库是指标口径。这些并不是孤立信息，而是AI Agent 长期知识库从自由文本、目录导航、元数据治理到可验证计算知识的标准化路径之间的连续传导：个人笔记、代码项目、数据库、API 和业务流程，都可以从最小 OKF 知识包开始。

后续判断要同步反向校验。API文档需要看让智能体理解调用边界；业务流程需要看让任务执行有上下文；起步原则需要看按需求逐步增加字段。只要其中任何一环发生逆转，结论就要重新估价；如果这些条件继续同向强化，框架的解释力会明显提高。

从经营层面看，个人知识库、代码项目、数据库共同构成这一章节的主轴。Obsidian对应沉淀长期可复用知识；OKF文件夹对应保存架构、模块关系和长期记忆；指标口径对应用计算验证约束查询逻辑。这些指标的意义不在于单点高低，而在于能否相互验证：需求端给出方向，供给端决定交付，财务端确认结果。

落实到投资和产业判断，API文档、业务流程、起步原则是必须同时跟踪的约束条件。高景气会放大优势，也会放大执行偏差；价格、产能、成本、客户和技术路线任何一项出现变化，都可能改变最终利润留存。

因此，这里必须区分三类信息：已经发生的财务和订单结果，正在验证的产品、客户与产能进度，以及尚未兑现的远期利润假设。把三类信息混在一起，容易把产业趋势误读为当期业绩；分层处理后，机会和风险才会更清楚。