Open Knowledge Format: o padrão do Google pra IA achar o que já existe

Tem um problema de IA que ninguém gosta de admitir: o agente não sabe o que ele já sabe. Você monta um segundo cérebro lindo, cheio de markdown versionado no Git, e mesmo assim o Claude cria uma pasta nova para uma informação que já existia em outro canto, só porque não sabia que ela estava lá. O Open Knowledge Format (OKF), que o Google acabou de lançar, é a tentativa de padronizar isso — e depois de ver o formato funcionando, eu acho que ele resolve um incômodo bem mais comum do que parece.

O problema real: a IA só acha o que ela procura

A raiz do problema é simples. O Claude busca informação combinando palavras-chave com o conteúdo e os nomes dos arquivos. Ele só encontra algo quando ativamente procura — se você não mandar olhar num arquivo específico, ele nem sabe que aquele arquivo existe. Em base pequena isso passa batido. Numa base grande, com pastas aninhadas, ele faz tentativa atrás de tentativa até cair no arquivo certo, e cada tentativa queima tempo e token. O resultado é o agente recriando informação que já estava ali, do lado.

O que é o Open Knowledge Format

O OKF é o jeito do Google de estruturar bases de conhecimento para que tanto um agente quanto um humano entendam o que tem dentro. Ele não inventa nada novo — é baseado no padrão de LLM Wiki que o Andrej Karpathy popularizou, a ideia de usar arquivos markdown em vez de RAG vetorial para que o agente acumule contexto navegando o sistema de arquivos, em vez de reconstruir a resposta do zero a cada pergunta. O OKF pega essa ideia e dá um formato padrão: um bundle — um diretório de arquivos markdown — que qualquer um consegue produzir, ler e levar de um sistema para outro.

Esse papo de memória e segundo cérebro para agentes não é novo por aqui. Eu já tinha escrito sobre o jeito da Anthropic de dar memória entre sessões aos agentes e sobre um sistema de memória open source para IA. O OKF ataca o mesmo problema por outro ângulo: não é a memória do agente, é a organização do conhecimento que ele consulta.

Como o OKF funciona por dentro

A unidade básica é o concept: um objeto que representa qualquer coisa que entra na base — dados, documentos markdown, YAML, o que for. A estrutura funciona assim: tudo que você quer organizar vai para pastas nomeadas por tópico, e cada pasta guarda conteúdo só daquele tópico. Dentro de cada pasta mora um index.md, e esse é o arquivo mais importante, porque é o primeiro que o agente lê — é ele que diz o que tem ali dentro.

Cada documento traz um bloco de YAML front matter no topo com nome e descrição, exatamente como uma skill faz. Isso alimenta o contexto aos poucos: o agente lê as descrições primeiro, entende o que cada arquivo segura, e só então abre o que realmente precisa. O princípio central é minimalismo — cada concept representa uma coisa só. No momento em que um concept mistura assuntos, o agente perde a capacidade de carregar exatamente a informação que precisa. O outro princípio é separar o conhecimento de quem consome: agente, humano, time, nada fica amarrado a uma plataforma específica.

As 3 ferramentas que vêm na caixa (e o workaround do markdown)

O OKF chega com três coisas. A primeira é um agente de enriquecimento, que pega dados que estão no BigQuery — o banco de dados do Google — converte em concept documents e roda um passo de LLM para verificar. A segunda é um visualizador HTML que transforma um bundle num grafo interativo, um único arquivo que você abre no navegador, sem backend e sem nada saindo da página. A terceira são bundles de exemplo já formatados, que o agente usa como referência do que é um OKF bem feito.

Tem um detalhe prático importante: a ferramenta de conversão oficial só funciona com BigQuery. O pessoal do vídeo, que mantém um segundo cérebro versionado no Git, não queria montar um projeto inteiro no Google Cloud só para isso. A solução foi criar uma skill chamada markdown to OKF, que converte qualquer pasta de markdown num bundle seguindo a spec. E o desenho dela é esperto: o código faz quase todo o trabalho, e só a parte de julgamento fica com o agente. É a abordagem script-first — fazer pelo código tira carga do agente e gasta menos token. A skill ainda vem com evals (prompts que o agente roda contra a saída) para garantir que a conversão saiu certa.

O ganho real: menos token, busca mais rápida

Quando testaram a busca, teve um tropeço revelador: na primeira tentativa o Claude ignorou o OKF e voltou a procurar do jeito padrão, por pattern matching. O motivo é que o OKF é recente e ainda não é um padrão adotado, então o modelo nem sabia que ele existia. A correção foi adicionar uma seção no Claude.md explicando como navegar pela estrutura e o papel de cada arquivo. Aí sim o agente passou a percorrer os index.md e entregou resultados muito mais rápido, carregando primeiro o YAML para entender o que cada arquivo segura antes de decidir abri-lo.

Os dois ganhos concretos são esses: menos consumo de token e recuperação mais veloz. Economia de token, aliás, é uma obsessão que eu já levo a sério no fluxo — escrevi sobre isso no Caveman Mode e a economia de tokens no Claude Code. A ressalva honesta do próprio vídeo: enquanto o OKF não virar um padrão aberto que os agentes suportam de fábrica, isso é mais uma otimização do que uma necessidade. Modelos atuais já se viram bem sozinhos com pattern matching e comandos de terminal.

Por que isso importa para você, dev

Três coisas que eu tiro disso. (1) O gargalo da IA em base grande raramente é a inteligência do modelo — é a falta de estrutura que diga a ele o que existe antes de sair procurando. (2) YAML front matter com nome e descrição em cada arquivo, mais um index.md por pasta, é um padrão que você pode adotar hoje mesmo no seu repositório, com ou sem OKF — é barato e ataca o problema direto. (3) Padronização é o movimento de fundo da era dos agentes: foi assim com MCP, com skills, com o design.md, e agora o Google tenta fazer o mesmo com conhecimento. Apostar cedo nesses padrões costuma pagar.

Conclusão

O Open Knowledge Format não é mágica — é disciplina de organização empacotada num formato que o agente entende sem adivinhar. Vale a pena? Hoje, como otimização para quem sofre com base grande, sim; como padrão obrigatório, ainda não. Mas a direção é clara, e o custo de começar a estruturar seu segundo cérebro desse jeito é baixo. Se você quiser ver o formato funcionando num caso real, com a skill markdown-to-OKF e o visualizador em grafo, assista ao vídeo do canal AI LABS que destrincha o OKF na prática.