Open Knowledge Format: wiedza firmy w plikach

Open Knowledge Format (OKF) to otwarta propozycja zapisu wiedzy jako katalogu plików Markdown z metadanymi YAML. Człowiek może przeczytać definicję pojęcia, a agent może ją pobrać, zindeksować i powiązać z innymi definicjami bez zależności od jednego serwera metadanych. Repozytorium projektu nazywa format neutralnym wobec dostawcy modelu, frameworka i sposobu udostępniania. To obiecujący składnik ontologii operacyjnej AI OS, ale nie pełna ontologia ani silnik uprawnień. Prosty słownik ontologii, taksonomii i modelu danych pomaga rozdzielić te pojęcia przed wyborem formatu.

Co znajduje się w dokumencie OKF?

Według specyfikacji OKF v0.2 dokument jest plikiem Markdown z frontmatter YAML. Jedynym zawsze wymaganym polem jest type; zalecane są m.in. title, description, resource i tags. Treść może zawierać opis biznesowy, przykłady zapytań oraz zwykłe linki do innych pojęć. Katalogi i pliki indeksowe pomagają odkrywać wiedzę stopniowo, bez ładowania całego korpusu do jednego promptu.

---
type: Metric
title: Przychód netto
description: Przychód po korektach i zwrotach.
resource: https://example.org/metrics/net-revenue
tags: [finanse, sprzedaż]
---

To schemat ilustracyjny, nie gotowy raport finansowy. Znaczenie „przychodu netto” nadal musi zatwierdzić właściciel procesu. OKF pozwala zapisać, gdzie definicja powstała, kto ją weryfikował i kiedy może się zdezaktualizować. Metadane sources, generated, verified, status i stale_after tworzą sygnały zaufania i świeżości. Są jednak tylko danymi o pochodzeniu: sam plik nie dowodzi automatycznie prawdziwości jego treści.

Dlaczego to ważne dla suwerennego AI OS?

Firmowa wiedza często jest uwięziona w jednym katalogu danych albo zamkniętym interfejsie aplikacji. OKF można wersjonować w Git, przeglądać w diffie, kopiować jako katalog, serwować statycznie lub indeksować we własnej wyszukiwarce. Agent może dostać definicję tabeli, metryki czy pojęcia wraz z odsyłaczem do źródła i informacją o aktualności. To ogranicza zgadywanie znaczenia nazw kolumn.

Przykład: agent analityczny ma odpowiedzieć na pytanie o marżę. Zamiast samemu wymyślać formułę, odczytuje dokument „Marża” z zatwierdzoną definicją, linkiem do tabel i datą weryfikacji. Jeśli wpis jest przeterminowany, powinien poprosić o ponowne potwierdzenie, a nie ukryć ostrzeżenie. Zapis wiedzy nie daje agentowi prawa do wykonania zapytania SQL; autoryzacja działa na osobnej granicy.

Jak OKF wypada wobec alternatyw?

OpenMetadata i DataHub oferują katalogowanie, konektory i procesy zarządzania metadanymi. RDF/OWL pozwalają na bogatszą semantykę i formalne wnioskowanie. Apache Ossie skupia się na wymianie modeli semantycznych między platformami. OKF stawia na prosty, czytelny artefakt plikowy. Można połączyć te podejścia: eksportować zatwierdzone pojęcia z katalogu do OKF albo używać OKF jako warstwy przenośnych objaśnień. Nie należy utożsamiać tych narzędzi z formatem tabel Apache Iceberg: Iceberg zarządza zbiorami danych, OKF opisuje wiedzę o nich.

Co sprawdzić w AI SDLC?

Zacznij od trzech pojęć: klient, zamówienie i przychód. Niech agent kodujący przygotuje eksport do OKF oraz walidator wymaganych pól i linków. Następnie ekspert biznesowy zatwierdza definicje. W teście usuń wskazane źródło, ustaw stale_after w przeszłości i zmień nazwę tabeli. Sprawdź, czy konsument zgłasza brak dowodu, przeterminowanie oraz zerwany odsyłacz. Dopiero wtedy warto automatycznie rozszerzać katalog.

Projekt publikuje referencyjnego agenta i przykładowe zestawy dokumentów, ale sam opisuje je jako demonstrację sposobu produkcji i konsumpcji formatu. Dla środowiska produkcyjnego trzeba osobno zaprojektować kontrolę wersji, przegląd zmian, dostęp do plików oraz odpowiedzialność za aktualność pojęć.