--- title: "Open Knowledge Format" id: "23317" type: "post" slug: "open-knowledge-format" published_at: "2026-06-28T04:15:29+00:00" modified_at: "2026-06-28T04:15:30+00:00" url: "https://selektor.ai/open-knowledge-format/" markdown_url: "https://selektor.ai/open-knowledge-format.md" excerpt: "Open Knowledge Format: el estándar abierto que Google Cloud propone para que los agentes de IA compartan contexto Publicado el 12 de junio de 2026 · Categorías: Datos, IA, Ingeniería Cuando los modelos de lenguaje mejoran, lo que más los..." taxonomy_category: - "Blog" --- [Agendar consultoría](https://calendly.com/selektor/30min) [Selektor AI](https://selektor.ai/) # Open Knowledge Format [Junio 28, 2026](https://selektor.ai/2026/06/28/) [daftpunk](https://selektor.ai/author/daftpunk/) [Blog](https://selektor.ai/category/blog/) ### Open Knowledge Format # Open Knowledge Format: el estándar abierto que Google Cloud propone para que los agentes de IA compartan contexto Publicado el 12 de junio de 2026 · Categorías: Datos, IA, Ingeniería Cuando los modelos de lenguaje mejoran, lo que más los frena no es su capacidad de razonar, sino el contexto que reciben. Un agente puede redactar código, resumir documentos o analizar un dataset, pero si no tiene a mano el esquema correcto, la definición de una métrica o el runbook de un incidente, se equivoca. Y ese conocimiento, en casi cualquier organización, vive disperso: catálogos de metadatos con su propia API, wikis de terceros, comentarios en código, Notion compartido y, sobre todo, en la cabeza de tres o cuatro personas clave. El problema no es que falten herramientas. Es que cada vendor reinventa su propio modelo de datos, su propio SDK y su propia forma de representar conocimiento, y el resultado es que el conocimiento queda atrapado dentro de la herramienta que lo creó. Cada equipo que construye un agente termina resolviendo, desde cero, el mismo problema de ensamblar contexto. Para atacar esa fragmentación de raíz, Google Cloud acaba de anunciar el Open Knowledge Format (OKF), una especificación abierta que formaliza el patrón LLM-wiki —popularizado por Andrej Karpathy— en un formato portable e interoperable. Es, en esencia, un estándar neutral para representar el conocimiento que los sistemas de IA necesitan: metadatos, contexto y curaduría. ## La idea central: conocimiento como wiki viva Durante el último año han ido apareciendo, con nombres distintos, variantes del mismo patrón: vaults de Obsidian conectados a agentes, archivos AGENTS.md y CLAUDE.md, repositorios de index.md y log.md que los agentes consultan antes de trabajar, repositorios de “metadatos como código” dentro de equipos de datos. Todos se parecen: markdown, frontmatter, enlaces cruzados. Pero ninguno está diseñado para cooperar con los demás. Karpathy lo resume mejor que nadie en su gist sobre LLM Wiki: los LLMs no se aburren, no olvidan actualizar una referencia cruzada y pueden tocar quince archivos de una sola pasada. El mantenimiento que hace que los humanos abandonen sus wikis personales es exactamente lo que los modelos hacen bien. El OKF formaliza ese patrón con un pequeño conjunto de convenciones, justo las que faltan para que wikis creadas por distintos equipos sean consumibles por distintos agentes sin necesidad de traducción. ## Cómo funciona OKF Un bundle OKF es un directorio de archivos markdown. Cada archivo representa un concepto: una tabla, un dataset, una métrica, un playbook, un runbook, una API. La ruta del archivo es la identidad del concepto. Por ejemplo: ``` sales/ ├── index.md ├── datasets/ │ ├── index.md │ └── orders_db.md ├── tables/ │ ├── index.md │ ├── orders.md │ └── customers.md └── metrics/ ├── index.md └── weekly_active_users.md ``` Cada documento de concepto lleva un bloque YAML al inicio con los pocos campos estructurados que necesitan ser consultables (tipo, título, descripción, recurso, tags y timestamp), y un cuerpo en markdown para todo lo demás: ``` --- type: BigQuery Table title: Orders description: One row per completed customer order. resource: https://console.cloud.google.com/bigquery?p=acme&d=sales&t=orders tags: [sales, revenue] timestamp: 2026-05-28T14:30:00Z --- ``` # Schema | Column | Type | Description | | --- | --- | --- | | order_id | STRING | Globally unique order identifier. | | customer_id | STRING | FK to customers. | # Joins Joined with [customers](/tables/customers.md) on `customer_id`. Los conceptos se enlazan entre sí con links de markdown normales, lo que convierte al directorio en un grafo de relaciones más rico que la jerarquía implícita del sistema de archivos. Opcionalmente, los bundles pueden incluir archivos index.md (para divulgación progresiva a medida que el agente navega la jerarquía) y log.md (para el historial cronológico de cambios). Lo más llamativo es lo que OKF no trae: ni un esquema de compresión complejo, ni un runtime nuevo, ni un SDK obligatorio. Es markdown, son archivos, es YAML frontmatter. Se puede leer en cualquier editor, se renderiza en GitHub, se puede empaquetar como tarball, montar en cualquier sistema de archivos, indexar con cualquier buscador. ## Tres principios de diseño 1. Mínimamente opinado. La única exigencia para cada concepto es un campo type. Todo lo demás —qué tipos existen, qué otros campos incluir, qué secciones tiene el cuerpo— lo decide quien produce el bundle. La especificación define la superficie de interoperabilidad, no el modelo de contenido. 2. Independencia entre productor y consumidor. Un bundle escrito a mano por una persona puede ser consumido por un agente. Un bundle generado por un pipeline de exportación de metadatos puede visualizarse en un navegador. Un bundle sintetizado por un LLM puede ser consultado por otro. El formato es el contrato; las herramientas en cada extremo se reemplazan de forma independiente. 3. Formato, no plataforma. OKF no está atado a ningún cloud, base de datos, proveedor de modelos ni framework de agentes. No requerirá una cuenta propietaria ni un SDK específico para leerse, escribirse o servirse. Se publica como estándar abierto precisamente porque el valor de un formato de conocimiento viene de cuántos actores lo hablan, no de quién lo posee. ## Qué llega junto al estándar Para que el formato no quede en el papel, Google Cloud publica referencias en ambos extremos del flujo: - Un agente de enriquecimiento que recorre un dataset de BigQuery, redacta un documento OKF por cada tabla y vista, y luego ejecuta una segunda pasada con un LLM que rastrea documentación autoritativa para añadir citaciones, esquemas y join paths. - Un visualizador HTML estático que convierte cualquier bundle OKF en una vista de grafo interactiva en un único archivo autocontenido: sin backend, sin instalación en el lado del visor, sin que los datos salgan de la página. - Tres bundles de ejemplo listos para navegar: GA4 e-commerce, Stack Overflow y datasets públicos de Bitcoin. Son el resultado de correr el agente de referencia y están commiteados en el repo como ejemplos vivos de OKF conforme a la spec. Tanto el agente como el visualizador son pruebas de concepto deliberadas. El agente demuestra una manera de producir OKF, pero nada obliga a usar un framework o LLM específico. El visualizador demuestra una manera de consumirlo, pero nada obliga a usar HTML ni vista de grafo. El objetivo es que el ecosistema crezca más allá de lo que Google envía. ## Por qué importa La mayor parte del conocimiento que un agente necesita es interno: el esquema de una tabla, lo que tu empresa entiende por “usuario activo semanal”, cómo responder a un incidente, qué columna join-eable une dos sistemas, qué API se deprecó el mes pasado. Si ese conocimiento pudiera vivir en un formato portable, versionado junto al código que describe, legible por humanos y parseable por agentes sin capa de traducción, el coste de construir cada nuevo agente caería en picado. OKF v0.1 es un punto de partida, no un estándar terminado. La especificación está versionada y diseñada para crecer con compatibilidad hacia atrás. Está publicada desde el día uno en abierto porque, como señala el propio equipo de Google Cloud, un formato de conocimiento solo se gana ese nombre si lo hablan muchos. Si trabajas en datos, IA o infraestructura, lo razonable ahora es: 1. Leer la spec (cabe en una página). 2. Escribir un productor para tu sistema fuente: tu base de datos, tu sitio de documentación, tu wiki interna. 3. Escribir un consumidor: un visor, un índice de búsqueda, un agente que razone sobre bundles. 4. Probar la implementación de referencia contra tus propios datos. 5. Abrir issues, enviar PRs o proponer extensiones. El repo, la spec y los bundles de ejemplo están disponibles en GitHub. Además, Google Cloud actualizó Knowledge Catalog para poder ingestar OKF de forma nativa, lo que reduce la fricción de adopción dentro del propio ecosistema de Google. La pregunta interesante no es si los agentes van a trabajar con conocimiento estructurado —eso ya está pasando—. La pregunta es si ese conocimiento va a quedar encerrado otra vez en el catálogo de un vendor, o si esta vez conseguimos un estándar que pertenezca a quien lo produce. Fuente: Introducing the Open Knowledge Format, Google Cloud Blog (12 de junio de 2026). By [daftpunk](https://selektor.ai/author/daftpunk/) ##### Recent posts - [Open Knowledge Format](https://selektor.ai/open-knowledge-format/) Junio 28, 2026 - [97% de Desarrolladores Ya Usan IA](https://selektor.ai/97-de-desarrolladores-ya-usan-ia/) Junio 11, 2026 - [Agentes de IA en Marketing](https://selektor.ai/agentes-de-ia-en-marketing/) Junio 10, 2026 ##### Archive - [Junio 2026](https://selektor.ai/2026/06/) - [Octubre 2025](https://selektor.ai/2025/10/) - [Julio 2025](https://selektor.ai/2025/07/) - [Junio 2025](https://selektor.ai/2025/06/) - [Febrero 2024](https://selektor.ai/2024/02/) - [Enero 2024](https://selektor.ai/2024/01/) ##### Tags [AI](https://selektor.ai/tag/ai/) [automatización](https://selektor.ai/tag/automatizacion/) [Chat GPT](https://selektor.ai/tag/chat-gpt/) [Inteligencia artificial](https://selektor.ai/tag/inteligencia-artificial/) [marketing inteligencia](https://selektor.ai/tag/marketing-inteligencia/) [Neural](https://selektor.ai/tag/neural/) [Neuro](https://selektor.ai/tag/neuro/) [Programing](https://selektor.ai/tag/programing/) [Robot](https://selektor.ai/tag/robot/) ##### Agenda tu consultoría GRATIS Y evaluemos juntos lo que tienes en mente.