Open Knowledge Format (OKF): Khi tài liệu không chỉ dành cho con người mà còn dành cho AI Agent

Trong thời đại AI Agent, việc lưu trữ kiến thức không còn đơn giản là viết tài liệu để con người đọc. Khi các AI Agent ngày càng tham gia sâu vào quá trình phát triển phần mềm, phân tích dữ liệu và vận hành hệ thống, chúng ta cần một cách để chia sẻ và tái sử dụng kiến thức giữa con người và AI. Open Knowledge Format (OKF) là một hướng tiếp cận mới cho bài toán này.

1. Open Knowledge Format là gì?

Ngày 12/6/2026, Google Cloud giới thiệu Open Knowledge Format (OKF), một định dạng mở giúp biểu diễn và trao đổi kiến thức giữa con người, hệ thống và AI Agent.

Không giống như các hệ thống quản lý tài liệu truyền thống, OKF tập trung vào việc tổ chức kiến thức sao cho AI có thể dễ dàng đọc, hiểu, truy xuất và tái sử dụng.

Đến phiên bản v0.2 được giới thiệu ngày 24/7/2026, OKF bổ sung những khả năng mô tả nguồn gốc, trạng thái xác minh và vòng đời của kiến thức.

Tại sao chúng ta cần OKF?

Hãy tưởng tượng bạn đang xây dựng một dự án với Claude Code.

Trong quá trình phát triển, Claude Code có thể học được rất nhiều thông tin về hệ thống:

Kiến trúc backend đang sử dụng Clean Architecture.
Authentication được triển khai bằng JWT và Redis.
Một số business rules đặc biệt của dự án.
Những quyết định kỹ thuật đã được đưa ra.
Những lỗi thường gặp và cách giải quyết.

Nhưng một vấn đề xuất hiện: Làm thế nào để những kiến thức này được duy trì và sử dụng lại trong các phiên làm việc tiếp theo?

Chúng ta có thể viết chúng vào Markdown, lưu trong database hoặc sử dụng các memory engine như Mem0, Letta hay Zep.

Tuy nhiên, mỗi giải pháp có cách tổ chức và quản lý kiến thức riêng.

OKF tiếp cận vấn đề từ một góc độ khác:

Thay vì xây dựng thêm một hệ thống lưu trữ kiến thức, tại sao không tạo ra một định dạng chung để các hệ thống có thể trao đổi kiến thức với nhau?

Đây chính là ý tưởng cốt lõi của Open Knowledge Format.

2. Format của OKF

Một điểm thú vị là OKF không giới thiệu cú pháp tài liệu hoàn toàn mới.

Thay vào đó, nó sử dụng những công nghệ quen thuộc với lập trình viên: Markdown + YAML.

Markdown: Chứa nội dung kiến thức, ví dụ, giải thích và các liên kết.
YAML Frontmatter: Chứa metadata giúp hệ thống phân loại, tìm kiếm và xác định nguồn gốc của kiến thức.

2.1. Cấu trúc Knowledge Bundle

Trong OKF, một tập hợp tài liệu được gọi là Knowledge Bundle.

Ví dụ, một Knowledge Bundle dành cho dự án phần mềm có thể có cấu trúc:

knowledge/
│
├── index.md
├── log.md
│
├── architecture/
│   ├── index.md
│   ├── authentication.md
│   └── database.md
│
├── business-rules/
│   ├── index.md
│   └── payment.md
│
└── troubleshooting/
    ├── index.md
    └── redis-connection.md

Trong đó:

Thành phần	Ý nghĩa
Knowledge Bundle	Tập hợp các tài liệu kiến thức
Concept	Một đơn vị kiến thức, được biểu diễn bằng file Markdown
`index.md`	Danh sách các concept, hỗ trợ điều hướng
`log.md`	Lịch sử cập nhật kiến thức
Frontmatter	Metadata mô tả concept

Đặc biệt, các file index.md giúp AI khám phá knowledge base theo từng cấp, thay vì phải đọc toàn bộ tài liệu ngay từ đầu.

2.2. Cấu trúc một Concept

Ví dụ, chúng ta muốn mô tả kiến trúc Authentication:

---
type: Architecture
title: Authentication System
description: Authentication architecture
tags:
  - security
  - authentication
  - backend

generated:
  by: human:developer
  at: 2026-09-20T10:00:00Z

status: active
---

# Authentication System

The system uses JWT authentication.

## Components

- NestJS
- Passport JWT
- Redis

## Authentication Flow

1. User submits credentials.
2. Backend validates credentials.
3. Access token is generated.
4. Refresh token is stored in Redis.

## Related Concepts

- [User Database](./database.md)
- [Redis Configuration](../infrastructure/redis.md)

Một concept được chia thành hai phần chính:

Phần thứ nhất: Metadata

YAML Frontmatter giúp hệ thống hiểu tài liệu đang mô tả điều gì, thuộc nhóm nào, được tạo bởi ai và đang ở trạng thái nào.

Phần thứ hai: Knowledge Content

Markdown chứa nội dung thực tế mà con người và AI Agent sử dụng.

Theo specification v0.2, type là trường duy nhất luôn bắt buộc đối với concept document; những metadata khác có thể được bổ sung tùy nhu cầu.

2.3. Trust và Freshness — điểm đáng chú ý của OKF v0.2

Giả sử một AI Agent tự động phân tích source code và tạo tài liệu kiến trúc.

Chúng ta cần trả lời được những câu hỏi:

Kiến thức này được tạo ra bởi ai?
Nó dựa trên nguồn dữ liệu nào?
Đã được con người xác minh chưa?
Nó có còn đúng với hệ thống hiện tại không?

OKF v0.2 bổ sung các trường metadata như sources, generated, verified, status và stale_after để biểu diễn những thông tin này.

Ví dụ:

---
type: Architecture
title: Authentication System

generated:
  by: claude-code/1.0
  at: 2026-09-20T10:00:00Z

verified:
  - by: human:developer
    at: 2026-09-21T10:00:00Z

status: active
stale_after: 2026-10-21T10:00:00Z
---

Nhờ đó, hệ thống có thể phân biệt kiến thức được AI tạo ra với kiến thức đã được con người xác minh.

Điều quan trọng là OKF chỉ cung cấp định dạng để ghi nhận những thông tin này. Việc xác minh thực tế vẫn cần được thực hiện bởi con người hoặc một quy trình kiểm tra phù hợp.

3. OKF khác gì với các AI Memory Engine?

Đây có lẽ là câu hỏi thú vị nhất khi tìm hiểu OKF.

Hiện nay đã có nhiều giải pháp hỗ trợ AI Agent ghi nhớ và tái sử dụng thông tin, chẳng hạn:

Vậy OKF có phải là một memory engine mới?

Câu trả lời là không.

OKF và các memory engine giải quyết hai vấn đề khác nhau:

OKF — Knowledge Representation: Kiến thức được biểu diễn và trao đổi như thế nào?

Memory Engine — Memory Management: AI lưu, cập nhật, tìm kiếm và sử dụng lại kiến thức như thế nào?

3.1. So sánh với Mem0

Mem0 tập trung vào việc tạo ra persistent memory cho AI Agent.

Nó cung cấp các cơ chế để trích xuất thông tin quan trọng từ tương tác, lưu trữ memory và tìm kiếm những thông tin liên quan khi cần thiết. Mem0 cũng hỗ trợ graph memory để biểu diễn các mối quan hệ.

Ví dụ:

User:
Our backend uses NestJS.

Mem0:
Extract and store the information.

Later...

User:
How should I implement authentication?

Mem0:
Retrieve relevant backend knowledge.

Trong khi đó, OKF tập trung vào việc mô tả kiến thức:

---
type: Architecture
title: Backend Architecture
tags:
  - nestjs
  - backend
---

# Backend Architecture

The backend uses NestJS.

Mem0 cung cấp hệ thống vận hành memory, còn OKF cung cấp định dạng để biểu diễn kiến thức.

3.2. So sánh với Letta

Letta phát triển hệ thống AI Agent có khả năng duy trì trạng thái và quản lý memory.

Một trong những cơ chế của Letta là Memory Blocks, cho phép agent duy trì những thông tin quan trọng trong context và chia sẻ chúng giữa nhiều agent.

OKF không trực tiếp quyết định thông tin nào phải luôn nằm trong context.

Nó cung cấp một cấu trúc tài liệu để agent có thể sử dụng khi cần.

3.3. So sánh với Zep và Graphiti

Zep sử dụng temporal knowledge graph để biểu diễn các thực thể, quan hệ và sự thay đổi của thông tin theo thời gian.

Graphiti là framework mã nguồn mở hỗ trợ xây dựng loại knowledge graph này.

OKF cũng có thể biểu diễn các liên kết giữa concept thông qua Markdown links.

Tuy nhiên, đây không phải là hệ thống temporal knowledge graph hoàn chỉnh như Graphiti.

Bảng so sánh tổng quan

Tiêu chí	OKF	Mem0	Letta	Zep / Graphiti
Vai trò chính	Knowledge format	Memory engine	Stateful agent framework	Agent memory / temporal graph
Lưu kiến thức lâu dài	Qua file/storage	Có	Có	Có
Tự động trích xuất memory	Không mặc định	Có	Qua agent và tooling	Có
Semantic retrieval	Cần tích hợp	Có	Có cơ chế tìm kiếm memory	Có
Relationship graph	Qua liên kết tài liệu	Có tùy cấu hình	Không phải trọng tâm	Có
Quản lý kiến thức bằng Git	Tự nhiên	Cần export/tích hợp	Cần export/tích hợp	Cần export/tích hợp
Độc lập với runtime	Có	Không	Không	Không

Bảng trên so sánh vai trò và khả năng được cung cấp, không phải hiệu năng hay chất lượng ghi nhớ.

OKF không nhất thiết phải cạnh tranh với Memory Engine. Chúng có thể kết hợp với nhau.

Ví dụ:

        AI Agent
           |
           v
       Mem0 / Zep
           |
           v
     Knowledge Retrieval
           |
           v
    OKF Knowledge Base

Đây là một kiến trúc có thể xây dựng, không phải một cơ chế tích hợp tự động có sẵn trong OKF.

4. Lợi ích khi sử dụng OKF

4.1. Không phụ thuộc vào một AI Provider

Một Knowledge Bundle có thể được lưu trữ trong Git repository và sử dụng bởi nhiều AI Agent như Claude Code, Codex hoặc Gemini CLI.

Bạn không cần chuyển toàn bộ kiến thức sang một định dạng tài liệu khác mỗi khi thay đổi AI Provider.

Tất nhiên, mỗi agent vẫn cần có khả năng đọc và xử lý OKF để tận dụng đầy đủ metadata.

4.2. Knowledge as Code

Vì OKF sử dụng Markdown và YAML, chúng ta có thể quản lý kiến thức tương tự source code.

Ví dụ:

git add knowledge/
git commit -m "Update authentication knowledge"
git push

Điều này mang lại những khả năng quen thuộc:

Version control.
Code review cho thay đổi kiến thức.
Theo dõi lịch sử cập nhật.
Rollback khi cần thiết.
Đồng bộ kiến thức giữa các thành viên.

Thay vì xem tài liệu như một thứ được viết một lần rồi bị lãng quên, chúng ta có thể xem nó là một phần của quá trình phát triển phần mềm.

4.3. Hỗ trợ AI Agent quản lý context hiệu quả hơn

Các file index.md cho phép agent khám phá tài liệu theo từng cấp.

Ví dụ:

Task: Fix authentication bug

Read:
  knowledge/index.md
       |
       v
  architecture/index.md
       |
       v
  authentication.md

Thay vì đưa toàn bộ knowledge base vào context window, agent có thể chỉ đọc những kiến thức liên quan đến nhiệm vụ.

Điều này có tiềm năng giảm token đầu vào và hạn chế thông tin không liên quan, nhưng kết quả phụ thuộc vào cách hệ thống retrieval được triển khai.

4.4. Chia sẻ kiến thức giữa nhiều AI Agent

Hãy tưởng tượng một hệ thống có nhiều agent:

Architecture Agent
       |
       v
  OKF Knowledge
       ^
       |
 Coding Agent
       |
       v
 Review Agent

Architecture Agent có thể tạo tài liệu thiết kế.

Coding Agent sử dụng tài liệu đó để triển khai.

Review Agent đối chiếu implementation với thiết kế đã được xác minh.

Nhờ sử dụng một định dạng chung, các agent có thể phối hợp thông qua những knowledge artifacts có thể đọc và kiểm tra được.

5. Những hạn chế của OKF

Mặc dù có nhiều ý tưởng đáng chú ý, OKF không phải là giải pháp hoàn chỉnh cho mọi bài toán AI memory.

5.1. OKF chỉ là format, không phải memory engine

OKF không tự động:

Ghi nhớ toàn bộ cuộc hội thoại.
Trích xuất kiến thức quan trọng.
Tìm kiếm semantic similarity.
Phát hiện mâu thuẫn giữa các memory.
Quyết định thông tin nào cần đưa vào context.

Để triển khai những khả năng này, chúng ta vẫn cần xây dựng thêm hệ thống hoặc tích hợp memory engine hiện có.

5.2. Không bảo đảm tính chính xác của kiến thức

Một concept có metadata đầy đủ vẫn có thể chứa thông tin sai.

Ví dụ:

verified:
  - by: human:developer
    at: 2026-09-20T10:00:00Z

Metadata cho biết hoạt động xác minh đã được ghi nhận, nhưng không chứng minh nội dung luôn đúng.

Đặc biệt với những knowledge base được AI tự động tạo ra, việc kiểm soát chất lượng thông tin vẫn rất quan trọng.

5.3. Cần xây dựng tooling cho hệ thống lớn

Đối với vài chục tài liệu, chúng ta có thể sử dụng OKF bằng những công cụ quản lý file thông thường.

Nhưng khi knowledge base có hàng nghìn concept, hệ thống có thể cần thêm:

Knowledge indexing.
Semantic search.
Metadata filtering.
Dependency tracking.
Conflict detection.
Automated validation.

OKF không quy định bắt buộc một hệ thống lưu trữ hay truy vấn cụ thể. Đây vừa là ưu điểm về tính linh hoạt, vừa là phần công việc mà đội ngũ triển khai phải tự giải quyết.

5.4. Hệ sinh thái còn mới

OKF mới được Google Cloud giới thiệu vào tháng 6/2026, trong khi phiên bản v0.2 xuất hiện vào tháng 7/2026.

Một số đề xuất như typed relationships và agent-routing hints vẫn nằm trong những hướng phát triển được cộng đồng thảo luận tại thời điểm công bố v0.2.

Vì vậy, khi xây dựng hệ thống production, cần đánh giá mức độ tương thích của các công cụ và chuẩn bị cho khả năng specification tiếp tục thay đổi.

6. Kết luận

Open Knowledge Format không phải là một memory engine mới và cũng không nhằm thay thế Markdown, Vector Database hay những hệ thống như Mem0 và Zep.

Điểm đáng chú ý của OKF nằm ở cách tiếp cận: chuẩn hóa việc biểu diễn và trao đổi kiến thức để con người và AI Agent có thể cùng sử dụng.

Trong một thế giới mà AI Agent không chỉ đọc tài liệu mà còn có khả năng tạo ra và cập nhật kiến thức, việc quản lý nguồn gốc, trạng thái xác minh và vòng đời của thông tin trở nên ngày càng quan trọng.

Với các dự án nhỏ, Markdown thông thường có thể đã đủ đáp ứng nhu cầu.

Nhưng nếu bạn đang xây dựng một hệ thống AI Agent có khả năng tích lũy kiến thức lâu dài, cộng tác giữa nhiều agent hoặc chia sẻ knowledge base giữa nhiều công cụ AI, OKF là một định dạng đáng để tìm hiểu và thử nghiệm.

Có lẽ tương lai của AI memory không chỉ nằm ở việc AI ghi nhớ được bao nhiêu thông tin, mà còn ở việc những kiến thức đó được biểu diễn, kiểm chứng, chia sẻ và tái sử dụng như thế nào.

Tài liệu tham khảo

Google Cloud — Introducing Open Knowledge Format
Google Cloud — OKF v0.2 tackles agentic trust
GitHub — Open Knowledge Format
GitHub — OKF v0.2 Specification
Mem0 Documentation
Letta Documentation
Graphiti Documentation