Google OKF, Hermes y Gbrain: carpetas como grafos de conocimiento.

La idea de Andrej Karpathy de “LLM-Wiki”, un modelo de LLM que puede leer y escribir wikis en Markdown para trabajar por sí mismo, ha despertado mucha curiosidad. Individuos y pequeños equipos están comenzando a probarlo. Cuando le encargas un trabajo a una IA, la parte difícil a menudo no es el modelo en sí, sino cómo proporcionarle la información de contexto que necesita.

Si le pides que resuma los datos de los pedidos del mes pasado, no podrá responder correctamente a menos que sepa qué tablas contienen los datos, qué significan las columnas y cómo se relacionan esas tablas. El Open Knowledge Format (OKF) está diseñado para subsanar ese tipo de deficiencias. Su principal enemigo son los silos de información, no la escala.

El conocimiento interno, como los esquemas de tablas, las definiciones de métricas, las guías para incidentes y las rutas de conexión del sistema, se encuentra en catálogos de metadatos, wikis, comentarios de código y en la experiencia de las personas con conocimiento. Cada nuevo proyecto de agente comienza recopilando y volviendo a aprender ese contexto desde cero. Google Cloud denomina este problema en sus escritos sobre OKF como el problema de compilación de contexto.

Para qué sirve OKF

Gran parte de lo que necesita un agente es específico de la empresa: definiciones de tablas, cómo se calculan las métricas, procedimientos operativos, especificaciones de API. Ese material está disperso. La estrategia de OKF es compilarlo en archivos Markdown que Git pueda gestionar, de modo que los agentes y los usuarios puedan seguir un conjunto estructurado en lugar de tener que buscar todo desde cero cada vez. Un index.md y archivos de conceptos vinculados se convierten en la fuente navegable.

Al anotar el contexto mientras trabajas con la IA, acumulas algo que puedes reutilizar. Eso es diferente de llenar un prompt en cada sesión.

Cómo lo utilizan los agentes

Llamar a un modelo rara vez es suficiente para lograr una precisión práctica. Los agentes necesitan el contexto empresarial, las definiciones de datos adecuadas y las decisiones anteriores. OKF les proporciona un lugar organizado donde buscar todo eso antes de inventar una respuesta.

OKF, MCP y RAG

Varias tecnologías relacionadas con los agentes se confunden con OKF. Sus funciones son diferentes.

• OKF almacena conocimientos escritos con antelación: definiciones, contratos, guías de operación.
• MCP conecta a los agentes con herramientas y sistemas en tiempo real.
• RAG recupera pasajes relevantes de grandes bases de datos no estructuradas al momento de realizar una consulta.

Ellos no son rivales. La definición de usuarios activos semanales puede almacenarse en OKF, mientras que la consulta real en BigQuery se ejecuta a través de MCP. Los paquetes de OKF también pueden ser objetivos de búsqueda dentro de un índice RAG. La pregunta práctica es qué áreas ya cubren y dónde están las lagunas.

Hermes, Wiki LLM y Gbrain

Un enfoque que adoptan algunas personas es ejecutar un entorno de agente como Hermes con Wiki LLM disponible por defecto, y luego añadir Gbrain como capa de memoria. Gbrain, de código abierto creado por Garry Tan, almacena información en un formato que los agentes pueden reutilizar posteriormente. Está más cerca de una memoria externa para los LLM que de una wiki orientada a personas, en línea con la idea de LLM-Wiki de Karpathy. Los elementos guardados se integran de tal manera que su recuperación posterior permite encontrar contextos pasados semánticamente relacionados: decisiones similares, restricciones empresariales relacionadas, etc., y no solo coincidencias exactas de palabras clave.

Una vez que el entorno está listo, la configuración de Gbrain y las verificaciones relacionadas pueden automatizarse dentro de Hermes, incluyendo la integración de la configuración. Los paquetes de habilidades opcionales amplían las capacidades del agente.

Un proceso típico de despliegue coloca al agente en un VPS detrás de un proxy inverso para que sea accesible desde cualquier lugar, y luego confirma el primer lanzamiento en el panel de control. A partir de ahí, el trabajo se centra menos en instalar software y más en alimentar la wiki y la memoria con contexto real.

Así es un paquete OKF en la práctica

Un paquete es un directorio de archivos Markdown con frontmatter en YAML. Cada archivo representa un concepto: una tabla, una métrica, una API o un manual de procedimientos. El frontmatter contiene los campos que deben poder consultarse, como el tipo, el título, la descripción, las etiquetas y las marcas de tiempo. El cuerpo del archivo alberga el texto, las fórmulas y los ejemplos que tanto las personas como los modelos leen realmente. Los enlaces entre archivos convierten el directorio en un grafo, no solo en un árbol, de modo que un agente puede pasar de una métrica a su tabla de origen y, desde allí, a una guía de incidentes.

Dado que el formato consiste en archivos simples, el mismo paquete puede almacenarse en Git, enviarse como un archivo tarball o encontrarse en un servidor estático. Las solicitudes de pull se convierten en el proceso de revisión del conocimiento. La atribución de responsabilidades y el historial indican quién modificó la fórmula de rotación y cuándo. No existe ningún SDK propietario que se interponga entre un ingeniero y el contenido; cat es suficiente para inspeccionar un concepto.

Esa simplicidad es intencionada. Las notas de diseño de Google enfatizan un contrato con mínimas prescripciones: solo se requiere un campo de tipo, y los generadores deciden el resto. Los humanos pueden crear paquetes a mano. Los pipelines de exportación pueden generarlos a partir de catálogos existentes. Un agente puede escribir un concepto que otro agente consumirá posteriormente. El formato es el contrato; las herramientas en cada extremo siguen siendo intercambiables.

Utilizando Hermes y Gbrain

Una vez que Hermes está en funcionamiento, el ciclo diario se asemeja más al trabajo de conocimiento que a la infraestructura. Se insertan notas, decisiones y definiciones en la capa de wiki. Gbrain las integra y las hace buscables por su significado. Cuando el agente se enfrenta posteriormente a una pregunta similar, puede consultar esos contextos anteriores en lugar de empezar desde una solicitud en blanco.

Algunos hábitos hacen que ese ciclo sea útil. Escriba las definiciones como si un desconocido las leyera en seis meses. Prefiera un concepto por archivo para que la recuperación de información sea eficaz. Enlace conceptos relacionados en lugar de duplicar texto. Cuando cambie una decisión, actualice el concepto en lugar de dejar una nota contradictoria en otro lugar. Trate la wiki como un producto, no como un desorden.

Los paquetes de habilidades opcionales relacionados con Gbrain amplían las capacidades del agente sin cambiar el modelo de memoria principal. La propiedad importante es que la memoria y las herramientas permanezcan separadas: la memoria almacena lo que se sabe; las herramientas se conectan con sistemas en tiempo real cuando se necesita tomar acción. Esa separación refleja la división entre OKF y MCP descrita anteriormente.

Elegir un punto de partida

Si su equipo ya cuenta con una wiki bien mantenida con métricas y esquemas, convertirla en un paquete en formato OKF es el primer paso lógico. Si el problema principal es “el agente no puede ver nuestras bases de datos”, podría ser necesario primero instalar un servidor MCP frente a esos sistemas. Si el problema es “las respuestas nos sumergen en una montaña de información en Slack”, un índice RAG basado en chats y tickets podría ser la solución adecuada. Muchos equipos terminan queriendo tener los tres elementos, pero comenzar con la deficiencia más evidente mantiene el proyecto realista.

Sea cual sea la opción que elija, mida si los agentes dejan de hacer las mismas preguntas de aclaración. Eso es una señal de éxito más fiable que la cantidad de archivos en el paquete.

Antes de que el conocimiento esté organizado

Al analizar OKF, se hace evidente una limitación: tanto OKF como RAG son útiles una vez que el conocimiento está organizado. Antes de eso, el contexto relevante sigue oculto en notas de reuniones, registros de chat, dudas y discusiones inconclusas. Formatos como OKF se utilizan después de que el conocimiento ha sido seleccionado y organizado. Los mecanismos que remiten al origen original se emplean antes de ese paso. En lugar de proporcionarle al modelo una respuesta ya lista, se le da una ruta para acceder al contexto original.

A largo plazo, no solo los modelos y los prompts serán importantes; la forma en que la información se almacena y se muestra a la IA será igualmente crucial.

Leer más

• Agentes que se mejoran a sí mismos mediante habilidades: reutilización, selección, reparación y verificación — Un diseño en cuatro partes para agentes que mejoran sus propias habilidades: guardar código funcional, perfeccionar las descripciones, proponer soluciones revisadas y verificar la salida antes de la transferencia.
• Explicación de DS-STAR: el agente de ciencia de datos de Google y por qué su enfoque funciona — Una explicación detallada del agente de ciencia de datos DS-STAR de Google: sus siete módulos, el ciclo de informes DS-STAR+, los prompts publicados, los resultados de ablación y las limitaciones actuales.