OKF 是什麼？Google 用來餵 AI 知識，但真正卡住企業的不是格式

AI Agent（能自動查資料、執行任務、回答問題的 AI 程式）落地真正卡關的，多半不是模型不夠強，而是企業沒把內部知識整理成 AI 讀得懂、又能持續更新的狀態。知識供給沒到位，Agent 一上線就會答錯、引用過期資料。demo 當下對答如流，面對真實業務卻答非所問，這是多數 AI Agent 專案最常見的失敗劇本。

‍

你可能剛看完一場 AI Agent 的 demo，Agent 回答得又快又準，但你心裡清楚：光是「活躍使用者」的定義，業務部跟數據部就有兩套演算法。如果直接把現有資料丟進去，Agent 大概回答三個問題就開始亂講。你想知道 OKF到底是什麼、能不能解決這個問題。OKF 是 Google Cloud 推出的開放格式，用 Markdown 加 YAML 把企業知識結構化，讓 AI Agent 能直接讀取。格式的部分它解決了，但卡住大多數企業的，不是格式。

‍

‍

demo 會動、上線就垮：失敗數字背後的共同劇本

‍

先看規模。Gartner 預測，超過 40% 的代理型 AI 專案會在 2027 年底前被取消，官方歸因是成本攀升、商業價值不明確、風險控管不足 [2]。但把鏡頭拉近到「為什麼一上線就垮」，會發現反覆出現的同一齣劇本：demo 當下餵的是一份乾淨的小樣本，真實企業的資料卻是散落、彼此矛盾、而且早就過期的。

‍

台灣的數據也指向同一件事。根據台灣人工智慧產業基金會《2025 產業 AI化大調查》，近半數受訪企業自評已進入「就緒」或「規模化」階段 [3]，但AI 成熟度量表衡量的是整體策略與組織能力，不等於資料已經整理到 Agent能直接使用。多數企業是在啟動 AI Agent 專案之後，才發現真正卡住的是內部知識的盤點與結構化。這道 demo 與 production 之間的鴻溝，技術上常被歸到上下文工程的範疇，而知識整理，正是這條鴻溝最上游的那一段。

‍

‍

知識到底散在哪：schema、指標、runbook、資深員工的腦袋

‍

企業要餵給 Agent 的知識，絕大多數是內部的：一張資料表的 schema、某個指標在你公司裡的精確定義、一份事故的 runbook、兩個系統之間怎麼join、某支舊 API 為什麼不能再用。這些知識的麻煩之處在於，它們散落在各自獨立的 metadata catalog、wiki、程式碼註解裡，甚至只存在幾個資深工程師的腦袋裡 [1]。

‍

台灣現場的痛點也是這個。資策會 MIC 調查指出，已導入 AI 的製造業者高達 8 成面臨數據挑戰，最棘手的正是「缺乏數據」與「難以理解數據之間的關聯」[4]。後面那一句特別關鍵：它要的往往不是更多資料，而是「資料與資料之間的關係」沒有被描述出來。

‍

‍

Google 也看到這個問題：OKF 用 Markdown 把企業知識餵給 AI

‍

Google Cloud 在 2026 年 6 月推出 OKF（Open Knowledge Format），瞄準的正是這道知識供給的缺口。OKF 的核心很單純：用 Markdown 檔案搭配YAML frontmatter，把企業內部知識整理成 AI Agent 能直接讀取、又能在不同工具之間通用的結構 [1]。OKF bundle 就是一個資料夾，裡面每個「概念」，例如一張資料表、一個指標、一份 runbook、一支 API，各對應一個Markdown 檔，概念之間再用連結互指，整個資料夾就變成一張 AI 可以沿著走的知識圖譜 [1]。

‍

值得注意的是，OKF 在發布六週後（2026 年 7 月）已更新到 v0.2，新增了五個信任訊號欄位：產生紀錄（generated）、驗證狀態（verified）、過期時限（stale_after）、生命週期（status）與來源認證（AttestedComputation）[8]。這代表 Google 自己也意識到，當 AI Agent 開始大量自動維護知識庫，「這份知識可不可信、過期了沒有」會變成核心問題，而這正呼應了企業在整理知識時會遇到的第三關「維護」。

‍

OKF 其實就是「給 AI 讀的知識資料夾」

‍

每個檔案最上面一小段 YAML 放結構化欄位（type、title、description、generated.at 等），下面用一般 Markdown 寫內容。重點是 OKF 刻意做得很輕：不需要 SDK、不需要新的執行環境，就是純檔案，GitHub 打得開、可打包成 tarball、掛在任何檔案系統上 [1]。

‍

‍

OKF 跟 llms.txt、網站 SEO 不是同一件事

‍

這是最容易被搞混的地方。llms.txt 處理的是「對外的網站內容怎麼讓 AI 看懂」，OKF 處理的是「對內的企業知識怎麼餵給 AI Agent」，一個朝外、一個朝內，目標讀者和使用場景完全不同。發布 OKF 的是 Google Cloud 的資料分析團隊，與 Google 搜尋的排名機制無關，也不會改變 Googlebot 怎麼爬你的官網 [1]。如果你也在關注 AI 怎麼改變搜尋與曝光，OKF 跟那件事是不同方向；但它點出的瓶頸，跟你想用 AI 處理客戶與內部知識的目標，其實高度相關。

‍

OKF 也常被拿來和 MCP 混淆，但兩者是互補而非取代：MCP 管的是 Agent怎麼存取工具與資料，OKF 管的是那份知識本身長什麼樣子，一個是插座，一個是流過插座的內容 [5]。

‍

‍

‍

‍

企業自己做知識整理，會遇到的三個現實困難

‍

算有了 OKF 這種格式，企業自己整理知識時仍會卡在三關：盤點不出「正確版本」、把隱性知識翻成結構、以及讓知識持續更新不過期。而這三關，工具其實都只解了一半。

‍

盤點：第一關不是收集文件，是先吵出「哪個版本才算數」

‍

多數人以為盤點就是把散落的文件集合起來，真正的第一關往往是「同一件事有好幾個版本」。光是「活躍使用者」這個指標，業務、數據、財務三個部門可能各有一套演算法；你問五個人，會得到五個答案。再加上知識常藏在離職員工的 Excel、三年前的會議記錄、某個只有一人看得懂的討論串裡，盤點最花時間的，是先讓大家對「哪個定義才是對的」達成共識。OKF 給得了檔案結構，給不了這個共識。

‍

翻譯：把工程師腦袋裡的隱性知識，變成 Agent 讀得懂的結構

‍

第二關是翻譯。工程師腦中那套 join 邏輯、踩過的坑、為什麼某個欄位不能直接拿來用，這些隱性知識要被重新寫成 AI 讀得懂的明確結構（類型、描述、彼此的關聯），而不是把舊文件複製貼上。OKF 規定了「格式長怎樣」，但「裡面填什麼、關係怎麼連」仍然是人的判斷。這一關最容易被低估工作量，也是導入 AI Agent 前常被忽略的風險之一。Yahoo 在 2026 年的做法是把機構知識拆成 87 個模組化的「知識單元」，每個單元編碼執行規格與彼此的關聯，讓 Agent 在 runtime 自己沿著走；內部調查顯示每位工程師每週平均省下 2.6 小時 [9]。這說明翻譯這關一旦做到位，效益是可量化的。

‍

維護：知識會過期，這是流程問題，不是工具問題

‍

第三關最常被忽略：知識會過期。schema 改了、指標定義變了、某個流程下線了，只要沒有人負責更新，知識庫三個月後就會開始說謊，而 Agent 會跟著一起說謊。Google 自己也把 OKF 定位成「像管理程式碼一樣維護」的活 wiki [1]。值得一提的是，OKF 其實是把 Andrej Karpathy 在 2026 年 4月提出的「LLM Wiki」概念正式格式化 [6]，Karpathy 認為更新交叉引用、一次改十幾個檔案這類維護瑣事，正好是 LLM 不會累、不會漏的強項 [1]。但這只解決了維護的「手腳」，哪一份才算對的、多久更新一次、誰負責拍板，仍然是人與流程的判斷。

‍

‍

與其等標準成形，不如先補上「知識整理」這一關

OKF 給得了「知識長怎樣」，給不了共識、翻譯與維護，這三關需要人。

‍

前面三個現實困難其實有明確先後：先盤點、再翻譯、最後建維護機制。這正是顧問陪跑在 AI Agent 導入裡的位置。專注於 AI Agent 導入的AltaBots.ai，做法是從這三關切進去陪企業逐關解決，而不是交出工具就收工：在盤點關，陪你把跨部門打架的定義收斂成大家認帳的單一版本；在翻譯關，把資深員工腦中的邏輯整理成 Agent 讀得懂的結構；在維護關，建立更新的權責與節奏，不讓知識悄悄過期。

‍

所以 AI Agent 導入的成敗，常常不在你選了哪套平台，而在有沒有人陪你把知識這關走完，這也是挑選 AI Agent 顧問時該檢核的交付實務的核心。OKF這類格式會讓知識交付更標準化，對 AltaBots.ai 這種從決策端就陪企業整理知識的做法是順風；但真正讓 Agent 在你公司答得準的，始終是把知識吵清楚、翻好、養住的那段功夫。

‍

‍

不等標準成形，企業現在可以先做的三件事

‍

OKF 目前已推進到 v0.2，但標準仍在快速演進。你不必等它定案，早一步反而有個好處，邏輯跟十年前上 schema 標記一樣：成本低、能讓你的知識被開始回答問題的 AI 讀懂，而早做的人會在它變重要之前先學會這套格式[7]。下面三個低成本動作，能把 AI Agent 落地最關鍵的「知識這關」先補起來，而且不論未來要不要轉成 OKF 格式都用得上。

‍

第一，選單一場景，不要一次盤全公司。 挑一件高頻、又最讓人頭痛的工作（例如某類客戶問題的回覆、某份每週都要產的報告），只盤這個場景需要的知識。範圍小，才吵得完、也才看得到成效。可以直接用30 天概念驗證的節奏的節奏來做這一輪，先證明單一場景，再擴散。

‍

第二，把「資料之間的關係」寫下來，而不只是收集文件。 哪怕還沒用OKF，先用 Markdown 或一份共用文件，把關鍵指標的定義、資料來源、彼此怎麼關聯描述清楚。這一步等於提前做好 OKF 要的內容，未來要轉格式幾乎是免費的。

‍

第三，先定維護權責，再談工具。 指定誰負責更新這份知識、多久更新一次、怎麼確認沒漏掉。沒有這層，再漂亮的知識庫，沒人維護很快就會給出過期答案。

‍

‍

‍

你現在卡在哪，第一步就做什麼

‍

‍

先動起來，比先求完整更重要；範圍可以小，但這三關的順序不要跳。

‍

‍

結語：標準會變，但「把知識整理好」不會白做

‍

OKF 的出現，與其說是多了一項要追的新標準，不如說它幫所有想用 AIAgent 的企業，把焦點從「選哪套工具」拉回到「知識到底整理好了沒」這個真正的瓶頸上。

‍

OKF 在六週內從 v0.1 推進到 v0.2，Google 有在持續投入。但無論標準最後長什麼樣子，把跨部門打架的指標定義吵出共識、把資深員工的隱性知識寫成結構、把更新權責建立起來，這三件事都不會白做，它們本來就是讓 AIAgent 在你公司真的答得準的前提。

‍

如果你正在評估 AI Agent，卻不確定自己卡在盤點、翻譯，還是維護哪一關，AltaBots.ai 提供免費的 AI 落地診斷，不需要事先準備技術文件，一次對談就能幫你定位現況、找出第一步該做什麼，再決定要不要往下走。難的從來不是工具，是有沒有人陪你把知識這關走完。

‍

‍

參考文獻

[1] Google Cloud.（2026.06）. How the Open Knowledge Format canimprove data sharing. Google Cloud Blog.
https://cloud.google.com/blog/products/data-analytics/how-the-open-knowledge-format-can-improve-data-sharing/

[2] Gartner.（2025.06）.Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled byEnd of 2027. Gartner Newsroom.
https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027

[3] 台灣人工智慧科技基金會.（2026.04）.2025 台灣產業 AI 化大調查暨 AI 落地指引. AIF.
https://edge.aif.tw/2025-ai-survey-report-news/

[4] 經理人月刊／資策會 MIC.（2025.03）. 導入AI，8 成電子製造業這一點最痛. 經理人月刊.
https://www.managertoday.com.tw/articles/view/70116

[5] innFactory.（2026.06）. Open Knowledge Format (OKF): The Open Standard ThatFrees Your AI Knowledge From Silos. innFactory Blog.
https://innfactory.ai/en/blog/open-knowledge-format-okf-standard-for-ai-knowledge/

[6] MarkTechPost.（2026.06）. Google Cloud IntroducesOpen Knowledge Format (OKF). MarkTechPost.
‍https://www.marktechpost.com/2026/06/16/google-cloud-introduces-open-knowledge-format-okf-a-vendor-neutral-markdown-spec-for-giving-ai-agents-curated-context/

[7] WitsCode.（2026.06）. OpenKnowledge Format (OKF): The Complete 2026 Guide. WitsCode.
‍https://witscode.com/open-knowledge-format

[8] Google Cloud.（2026.07）. OKF v0.2 adds trust signals. Google Cloud Blog.
‍https://cloud.google.com/blog/products/data-analytics/okf-v0-2-adds-trust-signals

[9] Yahoo.（2026.03）. Knowledge Activation: Scaling AISkills Through Modular Knowledge Engineering. arXiv.
‍https://arxiv.org/html/2603.14805v2