Le fondamenta dei modelli di intelligenza artificiale diventano sempre più solide, ma incontrano ancora lo stesso ostacolo: il contesto. Un modello può generare codice o analizzare un insieme di dati, ma solo con la giusta conoscenza interna. Questa conoscenza include schemi di tabelle, definizioni di metriche, procedure operative, percorsi di unione e si distribuisce sparso attraverso metadati, wiki e la mente di pochi esperti senior.

Il formato Open Knowledge (OKF)

La Google Cloud ha lanciato il formato Open Knowledge (OKF), una specifica aperta che formalizza il modello wiki per gli algoritmi di intelligenza artificiale in un formato trasportabile e interoperabile. OKF è un formato, non un servizio o una piattaforma. La versione 0.1 di OKF rappresenta la conoscenza come una directory di file markdown con frontmatter YAML. Un insieme limitato di convenzioni standard permette wiki creati da un produttore di essere consumati da diversi agenti senza traduzione.

L’intera idea è questa: non esiste alcuno schema di compressione, né un nuovo runtime, né un SDK richiesto. Un insieme di documenti in formato OKF è fatto semplicemente di markdown, file, e frontmatter YAML. Questi documenti vengono visualizzati su GitHub, distribuiti come un archivio tar, e montati sul sistema di file.

Se hai utilizzato Obsidian, Notion, o Hugo ti sarà familiare questa forma. OKF formalizza le convenzioni necessarie per rendere interoperabili questi modelli.

Il problema dei contesti frammentati

Nei molteplici enti organizzati, il contesto per i modelli è soprattutto conoscenza interna. Al momento, questa informazione si trova in silos incompatibili: metadati in cataloghi, wiki, drive condivisi, commenti al codice, e stringhe di documento.

Chiedi ad un software di sapere ‘come calcolare gli utenti attivi settimanali dal nostro flusso di eventi.’ Esso deve assemblare una risposta da superfici disperse e incompatibili. Ogni venditore propone il proprio catalogo, SDK, e schema di grafo della conoscenza. Nessuna conoscenza è trasportabile tra i prodotti o le organizzazioni.

Il lavoro di Andrej Karpathy

Andrej Karpathy ha espresso questa idea sottostante in una nota su gist del 2026 aprile. Il punto principale: i grandi modelli linguistici non si annoiano, non dimenticano di aggiornare i collegamenti incrociati, e possono modificare molti file in un’unica passata. Il lavoro di mantenimento che induce gli umani a rinunciare ai propri wiki personali è esattamente qualcosa che i LLM riescono a gestire bene.

Modelli distinti

    • Obsidian Vault: Connessi ad agenti di coding.
    • AGENTS.md e CLAUDE.md: File di convenzione.
    • Metadati come codice: Reposti.

Funzionalità del formato OKF

In OKF, ogni concetto è un file unico, che identificato per percorso.

    • indice.md
    • dataset/

      ordine_db.md

    • tables/

      ordine.md

    • metric/

      utenti_settimana.md

Ogni concetto ha un frontmatter YAML e un corpo markdown per i rispettivi contenuti.

Principi alla base del design

    • Flessibilità: Richiede solo un campo per concetto, ovvero tipo.
    • Indipendenza tra produttore e consumatore: I pacchetti scritti a mano da gente possono essere letti dagli agenti.
    • Formato, non piattaforma: OKF non è legato a nuvole, database, fornitori di modelli, o framework di agenti.

Applicazioni con esempi

    • Metadatabase per squadre dati: Esporta le descrizioni delle tabelle BigQuery come un pacchetto.
    • Gestione di interruzioni: Ogni runbook è un concetto.
    • Scambio di informazioni: Un venditore esporta un catalogo in formato OKF e il tuo agente può consumarlo direttamente.
    • Wiki per squadre di sviluppatori: Sostituzione di un’area Notion o Obsidian con markdown versionato su cui un agente mantiene aggiornati.

Confronto con RAG

La differenza tra OKF e RAG è utile per gli sviluppatori. RAG rivede la conoscenza in tempo reale da frammenti. Un bundle OKF conserva concetti curati e interconnessi che l’agente legge e aggiorna direttamente.

Un lettore OKF minimo

OKF è leggibile con strumenti standard.

import pathlib, re, yaml


def load_bundle(root):


concepts, links = {}, []


for path in pathlib.Path(root).rglob("*.md"):


text = path.read_text()


meta = {}


if text.startswith("---"):


_, fm, body = text.split("---", 2)


meta = yaml.safe_load(fm) or {}


else:


body = text


concepts[str(path)] = meta            # tipo, titolo, tag, ecc.


for target in set(re.findall(r"\]\((/[^)]+\.md)\)", body)):


links.append((str(path), target))  # collegamenti incrociati markdown


return concepts, links



concepts, graph = load_bundle("sales/")

Risultati Principali

    • Google ha formalizzato in OKF v0.1 il modello wiki per gli LLM in una specifica trasportabile e neutrale rispetto al venditore.
    • Un bundle è una directory di file markdown con frontmatter YAML — niente SDK, runtime o registro.
    • Ogni concetto richiede solo il campo tipo, mentre i collegamenti tra file formano il grafo della conoscenza.
    • Google ha fornito strumenti di riferimento: agente di arricchimento di BigQuery, visualizzatore HTML statico, e tre pacchetti di esempio.
    • A differenza di RAG, OKF conserva concept curati, controllati versione, che gli agenti leggono e aggiornano direttamente.