Google OKF, Hermes и Gbrain: папки как графы знаний

Идея Андрея Карпати «LLM-Wiki» — ИИ, способный самостоятельно читать и писать Markdown-вики, — вызвала большой интерес. Отдельные люди и небольшие команды начинают её пробовать. Когда вы передаёте работу ИИ, сложность часто заключается не в самой модели, а в том, как предоставить ей необходимую информацию.

Если попросить его подвести итоги данных о заказах прошлого месяца, он не сможет дать правильный ответ, если не знает, в каких таблицах хранятся данные, что означают столбцы и как связаны таблицы между собой. Формат открытых знаний (OKF) направлен на устранение подобных пробелов. Его главным врагом являются информационные изоляции, а не масштаб.

Внутренние знания, такие как схемы таблиц, определения метрик, руководства по решению инцидентов и пути объединения систем, хранятся в каталогах метаданных, вики-страницах, комментариях к коду и у опытных сотрудников. Каждый новый проект агента начинается с сбора и повторного изучения этого контекста с нуля. В документации Google Cloud это явление называется проблемой сборки контекста.

Для чего подходит OKF

Большая часть информации, необходимой агенту, является специфичной для компании: определения таблиц, способы расчёта метрик, процедуры работы, спецификации API. Эти материалы разбросаны. OKF предлагает собрать их в файлы формата Markdown, которыми может управлять Git, чтобы агенты и сотрудники могли использовать готовый набор информации вместо того, чтобы каждый раз искать всё заново. Файл index.md и связанные с ним файлы с концепциями становятся основным источником информации с возможностью навигации.

Записывая контекст во время работы с ИИ, вы накапливаете материал, который можно использовать снова. Это отличается от того, когда при каждой сессии приходится вводить новый промпт.

Как это используют агенты

Для достижения практически точных результатов редко достаточно просто вызвать модель. Агентам нужен бизнес-контекст, правильные определения данных и прошлые решения. OKF предоставляет им специальное место для поиска этой информации перед тем, как они будут формулировать ответ.

OKF, MCP и RAG

Несколько технологий, связанных с агентами, часто путают с OKF. Их функции различаются.

• OKF хранит заранее подготовленные знания: определения, контракты, руководства по работе.
• MCP подключает агентов к действующим инструментам и системам во время выполнения задач.
• RAG извлекает релевантные фрагменты из больших неструктурированных хранилищ при поступлении запроса.

Они не являются конкурентами. Определение еженедельных активных пользователей может храниться в OKF, в то время как сам запрос в BigQuery выполняется через MCP. Пакеты OKF также могут служить объектами поиска внутри индекса RAG. Практический вопрос заключается в том, какие области уже покрыты, а где имеются пробелы.

Hermes, Wiki LLM и Gbrain

Один из подходов заключается в запуске среды агентов, такой как Hermes, с предустановленным Wiki LLM, а затем добавлении Gbrain в качестве слоя памяти. Gbrain, open-source проект Гарри Тана, хранит информацию в формате, который агенты могут использовать позже. Он ближе к внешней памяти для LLM, чем к вики, предназначенному для людей, в духе идеи LLM-Wiki Карпати. Сохраненные элементы встроены таким образом, что при последующем поиске можно находить семантически связанные прошлые контексты: похожие решения, связанные бизнес-ограничения и т. д., а не только точные совпадения по ключевым словам.

После настройки среды установка Gbrain и связанные проверки могут автоматизироваться внутри Hermes, включая встраивание конфигурации. Дополнительные наборы функций расширяют возможности агента.

Типичный путь развертывания предполагает размещение агента на VPS за обратным прокси, чтобы к нему можно было получить доступ из любого места, после чего на панели управления подтверждается первый запуск. Далее основная работа заключается не столько в установке программного обеспечения, сколько в пополнении вики и памяти реальным контекстом.

Как выглядит пакет OKF на практике

Пакет представляет собой каталог файлов в формате Markdown с YAML-фронтматтером. Каждый файл отвечает за определённую концепцию: таблицу, метрику, API или руководство. Фронтматтер содержит поля, которые необходимо можно искать, такие как тип, название, описание, теги и временные метки. Тело файла включает прозу, формулы и примеры, которые читают как люди, так и модели. Ссылки между файлами превращают каталог в граф, а не просто в дерево, что позволяет агенту переходить от метрики к исходной таблице, а затем к руководству по решению инцидентов.

Поскольку формат представляет собой обычные файлы, один и тот же пакет может храниться в Git, отправляться в виде архива tarball или находиться на статическом сервере. Запросы на пул-реквесты служат процессом рецензирования знаний. Функции отслеживания изменений и история помогают определить, кто и когда изменил формулу для расчёта оттока клиентов. Никакие проприетарные SDK не стоят между инженером и содержимым; для просмотра концепции достаточно команды cat.

Такая простота — целенаправленная. В записках по дизайну Google подчеркивается минималистичный подход к формату: требуется только поле с типом данных, а остальное определяют создатели. Люди могут вручную формировать пакеты. Инструменты экспорта могут генерировать их из существующих каталогов. Один агент может создать концепцию, которую позже использует другой агент. Формат служит контрактом; инструменты с обеих сторон остаются взаимозаменяемыми.

Применение Hermes и Gbrain

Как только Hermes начинает работу, повседневная деятельность больше напоминает работу с знаниями, чем с инфраструктурой. Вы добавляете заметки, решения и определения в слой вики. Gbrain встраивает их и позволяет искать по смыслу. Когда агент позже сталкивается с похожим вопросом, он может использовать эти предыдущие контексты вместо того, чтобы начинать с пустого запроса.

Несколько привычек делают этот цикл полезным. Пишите определения так, будто их прочитает незнакомец через шесть месяцев. Отдавайте предпочтение одной концепции на файл, чтобы поиск информации оставался эффективным. Ставьте ссылки на связанные концепции вместо того, чтобы дублировать текст. Когда меняется решение, обновляйте концепцию, а не оставляйте противоречивые записи в другом месте. Рассматривайте вики как продукт, а не как хаотичную коллекцию данных.

Дополнительные наборы навыков для Gbrain расширяют возможности агента без изменения основной модели памяти. Важным условием является разделение памяти и инструментов: память хранит известную информацию, а инструменты обращаются к динамическим системам при необходимости выполнения действий. Такое разделение соответствует вышеописанному различию между подходами OKF и MCP.

Выбор отправной точки

Если у вашей команды уже есть хорошо ведомый вики с метриками и схемами, первым логичным шагом будет преобразование его в пакет в формате OKF. Если основная проблема заключается в том, что «агенты не могут видеть наши базы данных», сначала стоит разместить сервер MCP перед этими системами. Если же проблема в том, что «ответы погребены в архивах Slack», то индекс RAG для обработки чатов и заявок может стать подходящим решением. Многие команды в конечном итоге хотят иметь все три решения, но начало с наиболее острой проблемы помогает сохранять честность проекта.

Каким бы решением вы ни решили воспользоваться, оценивайте, прекращают ли агенты задавать одни и те же уточняющие вопросы. Это лучший показатель успеха, чем количество файлов в пакете.

До того, как знания станут упорядоченными

Анализируя OKF, становится ясен один важный аспект: и OKF, и RAG помогают тогда, когда знания уже организованы. До этого момента полезный контекст по-прежнему скрыт в записях встреч, логах чатов, сомнениях и незавершённых обсуждениях. Форматы вроде OKF используются после того, как знания уже отобраны и систематизированы. Хуки, указывающие на исходный источник, применяются до этого этапа. Вместо того чтобы предоставлять модели готовый ответ, вы даёте ей путь обратно к первоначальному контексту.

В долгосрочной перспективе важны не только модели и промпты — столь же важным будет способ хранения и отображения информации для ИИ.