Open Knowledge Format: Markdown als Lingua Franca für KI-Wissen

Das Wissenschaos in Organisationen

In den meisten Unternehmen liegen die Informationen, die Foundation Models für zuverlässige Antworten brauchen, überall verstreut. Das Schema einer Tabelle liegt im Data Catalog. Die Bedeutung einer Kennzahl steht im internen Wiki. Das Runbook für einen Incident liegt auf einer Confluence-Seite. Die Join-Pfade zwischen zwei Systemen kennt nur ein Senior Engineer.

Wenn ein KI-Agent die Frage beantworten soll "Wie berechne ich die monatlich aktiven Nutzer aus unserem Event-Stream?", muss er diese Antwort aus fragmentierten, inkompatiblen Quellen zusammensuchen. Jeder Anbieter hat seinen eigenen Catalog, sein eigenes SDK, sein eigenes Knowledge-Graph-Schema. Nichts davon ist leicht zwischen Systemen oder Organisationen austauschbar.

Das Ergebnis: Jeder Agent-Entwickler löst dasselbe Problem von Grund auf neu. Jeder Catalog-Anbieter erfindet dieselben Datenmodelle neu. Das Wissen bleibt in dem System gefangen, das es erzeugt hat. Google Cloud hat diesen Zustand analysiert und einen überraschend einfachen Vorschlag: Keine weitere Plattform, sondern ein offenes Format.

Open Knowledge Format – die Idee

Andrej Karpathy hat das zugrundeliegende Muster als erster klar formuliert. In seinem viel beachteten LLM Wiki Gist beschreibt er, warum Markdown-Wikis das ideale Medium für KI-Wissen sind: "LLMs werden nicht müde, vergessen nicht, Querverweise zu aktualisieren und können 15 Dateien in einem Durchlauf bearbeiten." Die Buchhaltungsarbeit, die Menschen dazu bringt, persönliche Wikis aufzugeben, ist genau das, worin LLMs exzellent sind.

Google Cloud hat dieses Muster mit dem Open Knowledge Format (OKF) in einen spezifizierten, offenen Standard gegossen. OKF formalisiert die wachsende Praxis, dass Teams ihr Wissen als Markdown-Dateien mit YAML-Frontmatter organisieren – ob als Obsidian-Vault, als CLAUDE.md-Dateien oder als "Metadata-as-Code"-Repository.

Bisher war jede dieser Praktiken proprietär. Karpathys Wiki, das Wiki deines Teams oder der Export eines Data Catalogs mögen alle ähnlich aussehen (Markdown, Frontmatter, Querverweise), aber keines ist mit den anderen kompatibel. Was fehlt, ist kein weiterer Dienst. Was fehlt, ist ein Format.

Wie OKF funktioniert

OKF repräsentiert Wissen als Knowledge Bundle: ein Verzeichnisbaum aus Markdown-Dateien mit YAML-Frontmatter. Jede Datei beschreibt ein Concept – eine Tabelle, ein Dataset, eine Metrik, ein Playbook, eine API. Der Dateipfad ist die Identität des Konzepts.

GLOSSARY_PROTECTED_0

Jedes Concept-Dokument besteht aus zwei Teilen. Im YAML-Frontmatter stehen die strukturierten Felder, die abfragbar sein müssen:

GLOSSARY_PROTECTED_1

Im Markdown-Body steht alles andere: Schemas, Beispiele, Join-Pfade, Prosa. Concepts verlinken aufeinander mit normalen Markdown-Links. Der Verzeichnisbaum wird so zum Graphen von Beziehungen, der weit über die Eltern-Kind-Hierarchie des Dateisystems hinausgeht.

OKF folgt einem minimalistischen Ansatz. Die Spezifikation verlangt genau ein Pflichtfeld: type. Alles andere – welche Typen es gibt, welche weiteren Felder, welche Abschnitte der Body hat – bleibt dem Producer überlassen. Das macht das Format extrem flexibel und erweiterbar.

Drei Design-Prinzipien

Minimal opinionated. OKF schreibt nur das Nötigste für Interoperabilität vor. Producer können beliebige zusätzliche Frontmatter-Felder und Body-Abschnitte hinzufügen, ohne dass konsumierende Tools brechen. Ein Bundle, das unbekannte type-Werte oder fehlende optionale Felder enthält, wird von konformen Konsumenten trotzdem akzeptiert.

Producer/Consumer-Independence. Wer Wissen schreibt, ist unabhängig davon, wer es konsumiert. Ein von Menschen handgeschriebenes Bundle kann von einem KI-Agenten gelesen werden. Ein von einer Export-Pipeline generiertes Bundle kann in einem Visualizer durchsucht werden. Das Format ist der Vertrag – das Tooling an beiden Enden ist austauschbar.

Format, nicht Plattform. OKF ist an keine Cloud, Datenbank, Modell-Provider oder Agent-Framework gebunden. Es wird niemals einen proprietären Zugang oder ein SDK voraussetzen, um gelesen, geschrieben oder ausgeliefert zu werden. Der Wert eines Wissensformats liegt darin, wie viele Parteien es sprechen – nicht darin, wer es besitzt.

Warum Markdown und Dateien?

Die Entscheidung für Markdown und das Dateisystem ist kein Zufall. Sie löst gleich mehrere Probleme auf einmal, die proprietäre Knowledge-Graphen und Catalog-APIs nicht lösen können.

Menschen- und agentenlesbar. Kein SDK, keine Abfragesprache steht zwischen dem Leser und dem Inhalt. Ein Engineer kann cat auf ein Concept ausführen. Ein LLM kann es direkt in den Kontext laden.

Versionierbar. Bundles leben in Git. Pull-Requests, zeilenweise Diffs, Blame und Review-Workflows funktionieren sofort. Wissens-Kuration wird zu normaler Software-Engineering-Aktivität.

Portabel und lock-in-frei. Ein Bundle ist ein Verzeichnis. Versende es als Tarball, hoste es in einem Repo, mounte es von einem Dateisystem, synchronisiere es in jedes System, das Dateien verarbeitet. Keine proprietäre API steht zwischen dir und deinen Metadaten.

Strukturiert und unstrukturiert in einem. Frontmatter für die wenigen Felder, die du abfragen, filtern oder indexieren willst. Markdown-Body für die Prosa, Schemas und Beispiel-Queries, die LLMs und Menschen tatsächlich lesen.

Komponierbar mit vorhandenen Tools. Obsidian, Notion, MkDocs, Hugo, Jekyll – sie alle sprechen bereits Markdown plus YAML-Frontmatter. Bundles können ohne benutzerdefinierte UI durchsucht, bearbeitet und dargestellt werden.

Progressive Disclosure. Automatisch generierte index.md-Dateien erlauben einem Agenten oder Menschen, die Hierarchie eine Ebene nach der anderen zu navigieren, statt das gesamte Bundle auf einmal laden zu müssen.

Wer OKF nutzen sollte

OKF ist für jedes Team relevant, das KI-Agenten auf internes Wissen zugreifen lassen will.

Data Teams können ihre Table-Schemas, Join-Pfade und Metriken als OKF-Bundles aus ihren bestehenden Quellen exportieren. Der Enrichment Agent – die Referenz-Implementierung von Google – macht das automatisiert: Er läuft über ein BigQuery-Dataset, erstellt für jede Tabelle ein Concept-Document, crawlt dann per LLM die dazugehörige Dokumentation und reichert jedes Concept mit Schemas, Join-Pfaden und Zitaten an.

KI-Agent-Entwickler können OKF-Bundles als Wissensbasis in ihren Agent-Context laden. Statt dass der Agent bei jeder Frage dasselbe RAG-System konsultieren muss, liegt das relevante Wissen als strukturierte Markdown-Dateien bereit – direkt versionierbar neben dem Code.

Wissensmanager und Tech Writer erhalten ein Format, das sie mit ihren gewohnten Werkzeugen bearbeiten können. Ein Bundle ist so einfach zu editieren wie ein GitHub-Repo.

Plattform-Teams können OKF als kanonisches Format für Metadaten-Austausch zwischen verschiedenen Systemen einführen – als Lingua Franca für Wissen.

Was Google bereits liefert

Google hat zur Veröffentlichung nicht nur die Spezifikation vorgelegt, sondern drei konkrete Referenz-Implementierungen veröffentlicht.

Der Enrichment Agent ist ein Proof-of-Concept basierend auf Googles Agent Development Kit (ADK) mit Gemini als LLM-Backend. Er wandelt BigQuery-Metadaten automatisiert in OKF-Bundles um. Der Prozess läuft in zwei Phasen: In der ersten Phase schreibt er für jede Tabelle und View aus der Quelle ein OKF-Dokument. In der zweiten Phase crawlt der Agent per LLM die zugehörige Dokumentation im Web und reichert jedes Concept mit Zitaten, Schemas und Join-Pfaden an.

Der Static HTML Visualizer macht jedes OKF-Bundle als interaktive Graphen-Ansicht zugänglich – in einer einzigen, selbständigen HTML-Datei. Er nutzt Cytoscape.js für die Graph-Darstellung und marked für das Markdown-Rendering im Browser. Kein Backend, keine Installation, keine Daten verlassen die Seite.

Drei Beispiel-Bundles sind bereits im GitHub-Repository verfügbar: GA4 E-Commerce, Stack Overflow und Bitcoin (Blocks/Transactions). Sie dienen als verifizierte, konforme OKF-Bundles zum sofortigen Ausprobieren und als praktische Beispiele für die Spezifikation.

Zudem wurde Google Clouds Knowledge Catalog aktualisiert, um OKF zu importieren und an Agenten auszuspielen. Der gesamte Code steht auf GitHub unter einer offenen Lizenz.

Der Weg nach vorn

OKF befreit Wissen aus den Silos von Einzelplattformen. Das Format ist einfach, weil es auf den vorhandenen Standards Markdown und YAML aufbaut. Es greift die jahrelange Erfahrung mit Wiki-basierten Wissenssystemen auf und erweitert sie um die Anforderungen von KI-Agenten.

Die entscheidende Erkenntnis von Google: Das Problem ist nicht der Mangel an einer weiteren Knowledge-Plattform. Das Problem ist der Mangel an einem gemeinsamen Format. OKF liefert dieses Format – und lässt die Implementierung jedem selbst.

Die Spezifikation ist als Version 0.1 veröffentlicht und bewusst als Startpunkt markiert. Sie wird sich weiterentwickeln, sobald mehr Produzenten und Konsumenten das Format adaptieren und die Community gemeinsam lernt, welche Wissensrepräsentationen Agenten in der Praxis tatsächlich brauchen. Wer mitgestalten will, findet das Repository, die Spezifikation und die Beispiel-Bundles auf GitHub.