Google Cloud propõe o Open Knowledge Format para compartilhamento de dados prontos para IA

O Open Knowledge Format (OKF) é uma especificação técnica lançada pelo Google Cloud em 12 de junho de 2026, não como um serviço ou plataforma, mas como um formato aberto e neutro, focado exclusivamente em padronizar como conhecimento organizacional (tabelas, métricas, runbooks, APIs) é representado para uso por humanos e agentes de IA. Ele formaliza o padrão emergente de 'LLM-wiki': diretórios de arquivos Markdown com frontmatter YAML, sem dependências de SDK, runtime ou nuvem específica. Cada conceito, como 'weekly_active_users' ou 'deprecation_notice_v3', é um único arquivo Markdown cujo caminho define sua identidade, e cujo frontmatter declara campos estruturados mínimos: type (obrigatório), além de title, description, resource, tags e timestamp.

A proposta não compete com protocolos como o Model Context Protocol (MCP), que lida com ações dinâmicas de agentes. O OKF trata do conhecimento estático: o que já foi curado, documentado e precisa ser encontrado, interpretado e reutilizado, sem tradução, sem integração proprietária. Seu valor cresce com a adoção: quanto mais times exportam seus catálogos internos para OKF, mais agentes (sejam baseados em Llama, Claude ou Gemini) conseguem consumi-los diretamente, sem adaptação.

O OKF responde a um gargalo real em produção de IA: a fragmentação do contexto. Em empresas reais, o significado de uma métrica como 'revenue' pode estar espalhado entre um comentário no código Python, um post no Confluence, um aviso no Slack e a memória de um engenheiro sênior. Agentes de IA precisam reunir essas peças manualmente a cada nova tarefa, o que gera erros, retrabalho e lentidão. Com OKF, esse conhecimento é escrito uma vez, versionado como código, e acessado por qualquer agente capaz de ler Markdown e YAML. Isso transforma a montagem de contexto de um problema repetitivo e frágil em algo resolvido de forma declarativa, como importar um módulo em Python.

O formato também alinha-se com práticas consolidadas de engenharia de dados e SRE: versionamento no Git, revisão por pull request, auditoria de alterações e deploy via CI/CD. Não exige mudança de stack, apenas adotar convenções explícitas para nomear arquivos, preencher frontmatter e estruturar links entre conceitos. É compatível com ferramentas como Obsidian, Hugo, Notion (via export) e até sistemas legados que geram Markdown automatizados.

Para desenvolvedores e engenheiros de IA, o OKF reduz a sobrecarga de 'context engineering'. Em vez de escrever scripts personalizados para extrair metadados do Data Catalog da AWS ou do BigQuery e convertê-los para um esquema interno, basta gerar um pacote OKF, usando as implementações de referência do Google ou ferramentas próprias. Esse pacote pode ser consumido diretamente por agentes construídos com LangChain, LlamaIndex ou frameworks caseiros, sem adaptadores. A equipe de dados passa a manter um repositório de conhecimento legível por humanos (ex.: datasets/user_events.md) e por máquinas, com atualizações automáticas via agentes que editam os arquivos conforme novas tabelas são criadas ou APIs descontinuadas.

O impacto prático aparece em ciclos de desenvolvimento mais rápidos: ao configurar um novo agente para análise de incidentes, você não começa do zero, você clona um repositório OKF com runbooks, schemas e políticas de resposta, e ajusta apenas o que for específico. E, se sua empresa usa múltiplos modelos (Claude Opus 4, Gemini 3, Mistral 7B), todos consomem o mesmo pacote. Nada de duplicação de documentação, nada de 'tradução' de contexto entre fornecedores.