← all notes
AI / LLM 9 min

GEO-seo and new OKF agent native file format

GEO-seo and new OKF agent native file format

OKF — co to jest i gdzie pasuje w kontekście GEO-SEO

Czym OKF faktycznie jest (i czym nie jest)

Google opublikował OKF v0.1 dokładnie 12 czerwca 2026 — 4 dni temu. Sam Google nazywa to “starting point, not a finished standard” i wprost stwierdza: OKF jest dla AI agentów, nie jest sygnałem rankingowym dla wyszukiwania.

OKF nie jest bezpośrednim czynnikiem rankingowym. Nie jest czymś, co Google wyciąga z Twojej witryny publicznie. Żyje wewnątrz organizacji, nie w otwartej sieci.

Kluczowa analogia z publicznych zrodel:

MCP to socket — protokół łączący agenta z narzędziami i live data. OKF to wiedza, która przez ten socket przepływa. MCP server może eksponować bundle OKF jako źródło wiedzy. RAG działa na głębszym poziomie architektonicznym.

Dobrze to ujął jeden z analityków SEO: sitemap.xml mówi crawlerowi które URL-e istnieją, llms.txt wskazuje agentowi te kilka stron które chcesz żeby przeczytał, a OKF idzie o piętro wyżej i oddaje mu samą treść — każda strona jako czysty markdown concept, cross-linkowany w graph który agent może przejść. Stackują się, nie konkurują.

Gdzie OKF pasuje do rankingu

OKF nie zmienia aktualnego rankingu GEO-SEO dla publicznej widoczności strony. Ale otwiera nową kolumnę — wewnętrzną infrastrukturę agentową. Zaktualizowany ranking:

PriorytetElementImpact na GEO-SEOOKF relevance
1robots.txt + CloudflareFundament❌ brak
2Schema.org JSON-LDNajwiększy impact na cytowania❌ brak
3Jakość treści / strukturaExtractable chunks dla LLM❌ brak
4llms.txtB2A signpostKomplementarny
5MCP serverAgentic layerOKF jest knowledge layer MCP
—OKF bundleNie GEO-SEO, ale internal AI opsNowe

Dla webapps OKF ma dwa konkretne zastosowania, ale żadne nie jest publicznym SEO:

Zastosowanie 1 — MCP server context: gdy będziesz budować MCP server dla sklepu, OKF bundle może służyć jako statyczny knowledge layer dla agenta — definicje produktów, kategorie, reguły cenowe, polityki wysyłki — zamiast hardkodować te dane w tool descriptions. OKF jest tak zaprojektowany, żeby MCP server mógł go eksponować jako źródło wiedzy.

Zastosowanie 2 — wewnętrzny Claude Code / multi-agent system: dokładnie wzorzec CLAUDE.md / AGENTS.md ze standaryzowaną strukturą interoperacyjną między agentami.

Czego OKF nie robi: nie poprawia widoczności aplikacji w ChatGPT/Claude/Google dla zewnętrznych użytkowników pytających “gdzie kupić cos tam”. To nie jest sygnał crawlerów ani ranking factor.

Podsumowanie jednym zdaniem

OKF to nie nowy poziom w rankingu GEO-SEO — to standard dla wewnętrznej warstwy wiedzy Twoich własnych agentów AI i MCP serverów. Dla webapps ma znaczenie przy budowie MCP servera i multi-agent systemie, nie przy optymalizacji pod zewnętrzne AI wyszukiwarki.


Analiza z perspektywy architekta systemów, nie marketingu.

Diagnoza problemu, który OKF rozwiązuje

Zanim argumenty — trzeba zrozumieć co dokładnie boli w multi-agentowych systemach dziś.

Przykladowy obecny stack (Claude Code + tmux + Proxmox + SKILL.md) już empirycznie natrafia na ten problem. Każda nowa sesja agenta zaczyna od zera — nie “wie” jak jest zbudowany Twój system, jakie masz konwencje, co oznaczają Twoje SKU, jak działa pricing złota spot+premia. Rozwiązujesz to przez CLAUDE.md i SKILL.md — czyli dokładnie ten sam wzorzec który Karpathy opisał w kwietniu 2026, a Google teraz sformalizował jako OKF.

Kluczowy problem to context assembly overhead — zanim agent zrobi cokolwiek użytecznego, musi zebrać kontekst z rozproszonych źródeł. W praktyce oznacza to:

  • Agent A pyta o strukturę bazy danych → czyta config.php, README, może kod
  • Agent B robi to samo niezależnie → duplikacja, ryzyko różnych interpretacji
  • Agent C dostaje inną wersję bo plik README był aktualizowany między sesjami
  • Żaden z agentów nie wie co wie drugi

Argumenty ZA tym że OKF realnie poprawia systemy multi-agentowe

Argument 1 — Eliminacja stateless cold-start przez shared knowledge graph

Największy koszt w systemach multi-agentowych to nie compute, tylko kontekst który każdy agent musi odbudować od zera. OKF zamienia scattered dokumentację w graf konceptów z cross-linkami. Agent nie musi “odkrywać” że tabela orders joinuje się z customers przez customer_id — ma to wprost w pliku, z linkiem do drugiego konceptu. To jest fundamentalna różnica między RAG (losowe chunki z embeddingów) a OKF (kuratorowane, wersjonowane koncepty z deterministic linkingiem).

Dla Twojego systemu konkretnie: zamiast każdy agent-instancja Claude Code czytał od nowa SKILL.md + CLAUDE.md + kod eCommerce żeby zrozumieć jak działa sklep — ma OKF bundle z konceptami: Product, PricingRule, SpotGoldPrice, OrderFlow, eCommerceEndpoint. Raz napisane, dostępne dla wszystkich agentów deterministycznie.

Argument 2 — Interoperability między różnymi frameworkami agentowymi

Dziś gdy chcesz przekazać wiedzę między np. Claude Code a jakimś Python agentem (LangChain, ADK, Hermes) — nie ma wspólnego formatu. Każdy framework ma własny sposób na “system knowledge”. OKF jest format-first, nie framework-first. Plik markdown z YAML frontmatter czyta każdy agent który ma dostęp do filesystemu lub MCP servera eksponującego bundle.

To jest szczególnie ważne dla architektury agentAI harness — masz heterogeniczne środowisko (Claude Code, Python skrypty, MCP servery) i OKF daje wspólny język między wszystkimi komponentami.

Argument 3 — Version control jako mechanizm consistency

Standardowy problem w systemach multi-agentowych: agent A aktualizuje wiedzę o produkcie X, agent B ma starą wersję. W RAG to jest katastrofa — embedding może być z wcześniejszej wersji, agent działa na stale danych. OKF ma pole timestamp w frontmatter i zakłada git jako storage — każda zmiana jest PR-em, diff jest widoczny, historia jest zachowana.

Dla ecommerce konkretnie: ceny spotowe zmieniają się dynamicznie, ale reguły cenowe (jak liczyć premię nad spot dla różnych produktów) zmieniają się rzadko. OKF bundle trzyma te reguły jako wersjonowane koncepty — agent zawsze wie czy czyta regułę z dziś czy sprzed tygodnia.

Argument 4 — Redukcja hallucynacji przez curated facts vs. probabilistic retrieval

RAG pobiera chunki na podstawie podobieństwa semantycznego — może pobrać zły chunk jeśli query jest niejednoznaczne. OKF concept jest kuratorowany przez człowieka, ma deterministyczny path (/pricing/spot-premium-rule.md), jest cross-linkowany z kontekstem. Agent który “wie” gdzie szukać konkretnego konceptu nie musi zgadywać — idzie bezpośrednio.

To jest krytyczne dla systemu handlowego gdzie hallucynacja ceny = błąd finansowy.

Argumenty PRZECIW (dlaczego warto być sceptycznym)

Kontra 1 — v0.1, wydany 4 dni temu, zero adopcji poza Google

To jest eksperyment, nie standard. llms.txt ma 844,000 implementacji po 2 latach. OKF ma 0 implementacji poza Google sample bundles. Ryzyko: Google go porzuci za 18 miesięcy (historia pokazuje że Google porzuca projekty regularnie). Inwestycja w pełną adopcję teraz = potencjalny lock-in w martwy standard.

Kontra 2 — Dla małego systemu CLAUDE.md + SKILL.md działa tak samo

OKF wnosi wartość przy skali i heterogeniczności — wiele agentów, wiele frameworków, wiele teamów. Dla systemu jednej osoby z kilkoma agentami Claude Code różnica między “CLAUDE.md z dobrą strukturą” a “OKF bundle” jest marginalna. Złożoność wzrasta, benefit jest niewielki.

Kontra 3 — Brak mechanizmu contradiction handling w v0.1

Specyfikacja wprost przyznaje że gdy dwa OKF dokumenty sobie przeczą, nie ma zdefiniowanej semantyki merge. W systemie gdzie multiple agenty aktualizują knowledge — kto wygrywa? To jest otwarty problem designu który v0.1 ignoruje.

Praktyczna ocena

Uczciwa odpowiedź: OKF rozwiązuje realny problem, ale jest za wczesny żeby go adoptować produkcyjnie. Wartościowe jest natomiast zrozumienie wzorca, bo to co robisz z SKILL.md jest jego ręczną implementacją.

Konkretna rekomendacja: obserwuj GitHub repo GoogleCloudPlatform/knowledge-catalog przez 6 miesięcy. Jeśli do końca 2026 pojawią się implementacje poza Google ecosystem (Anthropic, OpenAI, LangChain), wtedy warto rozważyć migrację SKILL.md → OKF bundle jako standard. Jeśli nie — SKILL.md + CLAUDE.md jest prosty i działa.


Czy OKF może zredukować problem przeładowania okna kontekstu serwowaniem bogatych opisow mcptooluse

Jak to działa technicznie

Standardowy MCP server bez OKF ma opisy narzędzi inline w kodzie serwera:

@tool
def get_product(product_id: str) -> dict:
    """
    Returns product data from WooCommerce. Product has fields:
    id, name, sku, price, regular_price, sale_price, stock_status,
    stock_quantity, categories (list of {id, name, slug}),
    description, short_description, images (list of {url, alt}),
    attributes (list of {name, options}), variations (list of ids),
    weight, dimensions {length, width, height}, shipping_class,
    meta_data (list of {key, value}). Price is in PLN. SKU format
    for gold: GC-{TYPE}-{WEIGHT}-{YEAR}, for silver: SC-{TYPE}-{WEIGHT}.
    Spot price premium is calculated as: (price - spot_price_per_gram * weight_grams) / 
    (spot_price_per_gram * weight_grams) * 100. Categories map:
    zloto-inwestycyjne (id:12), monety-zlote (id:15), sztabki-zlote (id:16)...
    """

Ten opis ląduje w kontekście modelu przy każdym wywołaniu, nawet jeśli agent potrzebuje tylko sprawdzić cenę jednego produktu. Przy 20 narzędziach × 500 tokenów opisu = 10,000 tokenów stałego obciążenia w każdym oknie kontekstu.

Mechanizm redukcji przez OKF

OKF pozwala na lazy loading wiedzy zamiast eager loading. Tool description staje się minimalny:

@tool(readOnlyHint=True)
def get_product(product_id: str) -> dict:
    """
    Fetch single product by ID or SKU.
    Schema and field semantics: /knowledge/products/product-schema.md
    Pricing rules: /knowledge/pricing/spot-premium-calculation.md
    """

Agent sięga po OKF bundle tylko gdy potrzebuje zrozumieć schemat lub regułę — nie przy każdym wywołaniu narzędzia. Dla prostego zapytania “czy produkt GC-2024 jest dostępny” agent wywołuje get_product, dostaje stock_status: instock i kończy — nigdy nie ładuje dokumentacji schematu do kontekstu.

Ale tutaj jest ważny niuans

Redukcja kontekstu zachodzi tylko jeśli OKF bundle jest serwowany przez MCP jako zasób (resource), nie jako tool. To jest kluczowa różnica architektoniczna:

Tool description (zawsze w kontekście) ≠ MCP Resource (ładowany na żądanie)

MCP ma trzy typy ekspozycji:

  • Tools — model-controlled, wywołanie przez agenta → zawsze schema w kontekście
  • Resources — app-controlled, agent prosi o konkretny zasób gdy potrzebuje → lazy load
  • Prompts — user-controlled templates

OKF bundle eksponowany jako MCP Resource jest ładowany do kontekstu tylko gdy agent explicite go potrzebuje. Eksponowany jako część tool description — jest zawsze.

Realna skala oszczędności dla MCP server

Szacunek dla serwera z 8 narzędziami:

PodejścieTokeny per wywołanieKoszt przy 1000 req/dzień
Inline descriptions (dziś standard)~8,000 stałe~$2.40/dzień (Sonnet)
OKF jako Resources, min. descriptions~800 stałe + ~2,000 gdy potrzeba~$0.48/dzień baseline
Oszczędność~85% w typowym przypadku~$1.92/dzień

Przy agencie który robi setki iteracji różnica jest nieliniowa — każda iteracja pętli agentowej płaci koszt stałego kontekstu.

Jeden dodatkowy benefit który jest mniej oczywisty

OKF bundle jako shared resource między agentami oznacza że wiedza nie jest duplikowana w kontekście każdego agenta z osobna. W systemie gdzie masz 3 równoległe sesje Claude Code każda z nich nie trzyma kopii dokumentacji schematu — każda ładuje z tego samego bundle gdy potrzebuje. To jest szczególnie istotne w setup z tmux + multiple Claude Code sessions na Proxmox.

Więc tak — obserwacja o oszczednosci tokenowej jest technicznie słuszna, ale efekt zależy od tego czy OKF jest zaimplementowany jako MCP Resource (lazy, na żądanie), a nie wciśnięty do tool descriptions (eager, zawsze). Drugi sposób nie daje żadnej oszczędności.