Thế giới kỹ thuật số đang trải qua một sự chuyển đổi âm thầm nhưng mang tính cách mạng. Trong hơn hai thập kỷ, tối ưu hóa công cụ tìm kiếm (SEO) bị chi phối bởi một mô hình đơn giản duy nhất: tối ưu hóa các trang web cho mắt người, lập chỉ mục chúng thông qua trình thu thập dữ liệu web và cấu trúc dữ liệu bằng cách sử dụng đánh dấu lược đồ phức tạp để máy móc có thể hiểu các thực thể cơ bản. Nhưng khi chúng ta chuyển từ kỷ nguyên của các công cụ tìm kiếm sang kỷ nguyên của các tác nhân AI tự động, mô hình này đang nhanh chóng bị phá vỡ.
Hiện nay, các doanh nghiệp đang đối mặt với một "sự thiếu hụt ngữ cảnh" nghiêm trọng. Mặc dù các mô hình ngôn ngữ lớn (LLM) có thể viết mã thanh lịch, soạn thảo tài liệu hoặc phân tích các tập dữ liệu khổng lồ, nhưng chúng vẫn bị hạn chế về cơ bản bởi sự thiếu hụt ngữ cảnh kinh doanh có cấu trúc, cập nhật và độc quyền. Kiến thức này—từ lược đồ cơ sở dữ liệu và các chỉ số kinh doanh tùy chỉnh đến các cẩm nang nội bộ và những hiểu biết chưa được ghi chép của các kỹ sư cấp cao—nằm rải rác trong các wiki riêng biệt, ổ đĩa dùng chung, bản trình chiếu và nhật ký trò chuyện.
Để thu hẹp khoảng cách này, Google Cloud gần đây đã giới thiệu Định dạng Tri thức Mở (OKF) phiên bản 0.1, một đặc tả mở, không phụ thuộc vào nhà cung cấp, được thiết kế để thể hiện tri thức tổ chức như một "bộ não kỹ thuật số" có khả năng tương tác. Bằng cách chính thức hóa cái được gọi là mô hình "LLM-Wiki", OKF đánh dấu sự kết thúc của phương pháp Tạo lập Tăng cường Truy xuất (RAG) truyền thống, không có trạng thái và mở ra một tương lai tổng hợp, mang tính tác nhân hơn.
Đối với các tổ chức có tầm nhìn xa và những người tiên phong trong lĩnh vực tư vấn như Switas, OKF không chỉ là một bản cập nhật kỹ thuật. Nó là nền tảng của một lĩnh vực kinh doanh hoàn toàn mới: Tối ưu hóa tìm kiếm tác nhân (Agentic Search Optimization - ASO).
1. Sự sụp đổ của RAG phi quốc tịch và sự trỗi dậy của tri thức tích lũy
Để hiểu tại sao OKF của Google lại là một bước đột phá, trước tiên chúng ta phải xem xét lý do tại sao các phương pháp tích hợp AI hiện tại của chúng ta đang gặp phải trở ngại.
Hầu hết các giải pháp AI doanh nghiệp hiện đại đều dựa trên phương pháp Tạo câu được tăng cường bằng truy xuất (Retrieval-Augmented Generation - RAG). Khi người dùng đặt câu hỏi, hệ thống RAG sẽ thực hiện tìm kiếm sự tương đồng trên các đoạn tài liệu được vector hóa, truy xuất các đoạn trích có liên quan nhất và đưa chúng vào cửa sổ ngữ cảnh LLM để tạo ra câu trả lời.
Mặc dù RAG rất hiệu quả đối với hỏi đáp tĩnh, nhưng nó lại gặp phải một số hạn chế mang tính hệ thống:
Tính chất phi trạng thái: Mỗi truy vấn được coi là một sự kiện riêng biệt. Hệ thống không "học hỏi" từ các tương tác trước đó hoặc tổng hợp các kết nối mới.
Nhiễu khi truy xuất và lỗi ranh giới khối: Việc chia nhỏ một tệp PDF 50 trang thành các khối 500 từ thường làm giảm một nửa ngữ cảnh quan trọng, dẫn đến câu trả lời không đầy đủ hoặc gây hiểu nhầm.
Thiếu tính tổng hợp: Phương pháp RAG truyền thống rất giỏi trong việc thu thập thông tin thô nhưng lại gặp khó khăn trong việc duy trì một "nguồn thông tin đáng tin cậy" duy nhất và liên tục được cập nhật.
Vào tháng 4 năm 2026, nhà tiên phong về trí tuệ nhân tạo Andrej Karpathy (đồng sáng lập OpenAI và cựu Giám đốc AI tại Tesla) đã đề xuất một giải pháp thay thế mang tính cách mạng: mô hình LLM Wiki.
Thay vì phải tìm kiếm trong các tài liệu thô, không có cấu trúc từ đầu mỗi lần, Karpathy lập luận rằng cách đúng đắn để sử dụng LLM là như một trình biên dịch. Trong mô hình này, khi một tài liệu, tập dữ liệu hoặc bản tóm tắt yêu cầu của khách hàng mới được đưa đến, LLM sẽ đọc nó một lần, trích xuất các khái niệm chính và "biên dịch" chúng một cách tuần tự thành một wiki dựa trên Markdown có cấu trúc, bền vững và liên kết chặt chẽ.
Nếu có thông tin mới xuất hiện mâu thuẫn với thông tin cũ, hệ thống LLM không chỉ lưu trữ cả hai; nó chủ động giải quyết mâu thuẫn, cập nhật các trang thực thể, sửa đổi tóm tắt chủ đề và củng cố hoặc thách thức sự tổng hợp đang phát triển. Kiến thức tích lũy theo thời gian, giống hệt như bộ não con người.
OKF của Google Cloud là sự chính thức hóa mô hình LLM-Wiki này thành một tiêu chuẩn mở trong ngành.
2. Giải mã Định dạng Tri thức Mở (OKF)
Về bản chất, OKF được thiết kế để cực kỳ đơn giản. Google đã có một lập trường triết học mạnh mẽ: chúng ta không cần các cơ sở dữ liệu phức tạp, SDK độc quyền hoặc các môi trường chạy nặng nề để biểu diễn tri thức. Thay vào đó, tri thức nên được lưu trữ ở định dạng có thể di chuyển phổ biến, dễ đọc đối với con người và được các hệ thống quản lý tri thức (LLM) hiểu một cách tự nhiên.
Định dạng đó là Markdown với phần đầu YAML.
Nếu bạn có thể sao chép kho lưu trữ bằng lệnh `git clone`, bạn có thể triển khai gói OKF. Nếu bạn có thể dùng lệnh `cat` để xem nội dung một tệp văn bản, bạn có thể đọc nó. Nó không yêu cầu cơ sở dữ liệu, không có cơ quan trung ương và không bị ràng buộc bởi nền tảng nào. Nó hiển thị đẹp mắt trên GitHub, có thể được sắp xếp trong các công cụ như Obsidian hoặc Notion, và có thể được lập chỉ mục ngay lập tức bởi bất kỳ tác nhân AI hiện đại nào.
Cấu trúc của một bộ tài liệu kiến thức OKF
Một gói OKF được biểu diễn về mặt cấu trúc dưới dạng một thư mục lồng nhau, tương tự như một wiki do con người thiết kế. Nó bao gồm ba thành phần chính:
Các Điểm Truy cập (index.md): Mỗi gói OKF đều yêu cầu một tệp điểm truy cập. Tệp chỉ mục này phác thảo cấu trúc của cơ sở tri thức, hướng dẫn các tác nhân truy cập đến các khái niệm cốt lõi, tập dữ liệu và các kịch bản hành động có sẵn.
Thư mục Khái niệm: Thay vì sắp xếp các tệp theo tài liệu gốc (ví dụ: q4_marketing_report.pdf), OKF sắp xếp lại thông tin theo khái niệm (ví dụ: /metrics/customer_acquisition_cost.md). Mỗi khái niệm được biểu diễn dưới dạng một tài liệu markdown duy nhất, độc lập.
Tệp nhật ký (log.md): Một sổ cái sống động nơi các tác nhân tự động ghi lại các hoạt động của chúng. Khi một tác nhân cập nhật một khái niệm, giải quyết mâu thuẫn dữ liệu hoặc tiếp nhận một nguồn dữ liệu mới, nó sẽ ghi lại sự thay đổi trong tệp nhật ký, tạo ra một bằng chứng bằng văn bản có thể kiểm toán được.
Cấu trúc trang khái niệm
Mỗi tệp Markdown riêng lẻ đại diện cho một khái niệm trong gói OKF đều có cấu trúc chặt chẽ gồm hai phần: phần đầu YAML và phần thân Markdown.
---
type: concept
title: Customer Acquisition Cost (CAC)
description: The primary financial metric used to evaluate marketing efficiency at Switas.
resource: bigquery://switas-analytics/finance/cac_summary
tags:
- finance
- marketing-efficiency
- saas-metrics
timestamp: 2026-06-18T14:30:00Z
---
After this structured frontmatter, the document opens into a free-form Markdown Body. This is where the magic happens. The body can contain natural language definitions, raw data tables, calculation formulas, playbooks, and—crucially—interlinks using standard markdown bracket notation (e.g., [[LTV_Calculation]]).Các liên kết này cho phép các tác nhân điều hướng cấu trúc thư mục, biến một thư mục phẳng chứa các tệp văn bản thành một Đồ thị Tri thức Ngữ nghĩa có tính kết nối cao và dễ điều hướng.
3. "Giải mã ngữ nghĩa": Triết học về tri thức tự nhiên
Một trong những thuật ngữ sâu sắc nhất xuất hiện sau khi OKF ra mắt là "Giải mã ngữ nghĩa" (Semantic Unbaking).
Trong nhiều năm, ngành công nghệ đã cố gắng ép buộc tri thức của con người vào những khuôn mẫu cực kỳ cứng nhắc, có thể đọc được bằng máy (như JSON-LD hoặc microdata). Quá trình này rất dễ vỡ, không tự nhiên và về cơ bản tách rời khỏi cách con người thể hiện ý tưởng. Đó là một nỗ lực nhằm "nướng" tư duy linh hoạt của con người vào những cấu trúc máy móc lạnh lùng, cứng nhắc.
OKF đảo ngược hoàn toàn cách tiếp cận này. Bởi vì các hệ thống quản lý ngôn ngữ hiện đại cực kỳ giỏi trong việc đọc ngôn ngữ tự nhiên, OKF hoạt động như một hình thức "giải mã ngữ nghĩa". Nó cho phép các tổ chức ghi lại các quy tắc, quy trình và số liệu kinh doanh của họ bằng ngôn ngữ tự nhiên, dễ hiểu.
Bạn không cần phải viết API phức tạp để giải thích các phép tính kinh doanh cho trí tuệ nhân tạo nữa. Bạn chỉ cần viết một kịch bản đơn giản:
# Playbook: Diagnosing Mid-Funnel Conversion Drops
When an analyst agent detects a drop in mid-funnel conversion rate greater than 5% week-over-week, follow these steps:
1. Query the `conversions_db` table to isolate the traffic source.
2. Cross-reference results with our [[Marketing_Campaign_Log]].
3. If the drop is isolated to paid search, trigger the [[Google_Ads_Audit_Playbook]].
This represents a more natural way to structure knowledge. You tell the agent: "Here is where you go in my organization's brain to get this information, and here is how we want you to reason about it."4. Cơ hội Switas: Kiếm tiền từ chuyên môn và dẫn đầu cuộc cách mạng ASO
Khi trí tuệ nhân tạo doanh nghiệp (enterprise AI) trưởng thành, nhu cầu về kiến thức có cấu trúc sẽ tăng vọt. Các doanh nghiệp sẽ không còn cạnh tranh chỉ dựa trên lưu lượng truy cập web; họ sẽ cạnh tranh dựa trên khả năng truy cập thông qua các tác nhân.
Điều này mở ra một triển vọng thương mại khổng lồ cho Switas trên hai lĩnh vực chính:
I. Tư vấn Tối ưu hóa Tìm kiếm Tự động (ASO)
Chúng ta đang bước vào một thế giới mà người tiêu dùng không trực tiếp tìm kiếm trên web; các trợ lý AI của họ làm điều đó thay cho họ. Khi người dùng hỏi trợ lý cá nhân của mình, "Hãy tìm cho tôi công ty tư vấn tốt nhất để tái cấu trúc hệ thống dữ liệu của chúng tôi theo hướng dẫn của OKF," thì trợ lý đó sẽ thu thập thông tin trên web, tìm kiếm kiến thức mà máy móc có thể truy cập được.
Nếu chuyên môn của doanh nghiệp bạn bị khóa sau các tệp PDF có yêu cầu đăng nhập hoặc các trang web không có cấu trúc, sử dụng nhiều JavaScript, thì người môi giới sẽ bỏ qua bạn hoàn toàn.
Switas có thể tiên phong trong quá trình chuyển đổi từ SEO truyền thống sang ASO (Tối ưu hóa tìm kiếm đại lý). Các chuyên gia tư vấn của chúng tôi có thể giúp các doanh nghiệp:
- Kiểm tra lại các kho kiến thức phi cấu trúc hiện có của họ.
- Trích xuất logic nghiệp vụ độc quyền, các quy trình vận hành và lược đồ dữ liệu.
- Biên soạn và cấu trúc các tài nguyên này thành các Gói Kiến thức OKF tuân thủ đầy đủ các quy định và có khả năng được công cụ tìm kiếm thu thập thông tin cao.
- Tích hợp các đường dẫn định hướng vào tệp llms.txt của chúng để báo hiệu cho các tác nhân bên ngoài rằng gói OKF đã được xác thực sẵn sàng để sử dụng.
II. Thị trường Gói Kiến thức
Hiện nay, khi một doanh nghiệp cần chuyên môn đặc biệt—cho dù đó là tuân thủ pháp luật, cơ cấu thuế hay kiểm toán SEO nâng cao—họ thường thuê các chuyên gia tư vấn đắt tiền để thực hiện các cuộc kiểm toán thủ công.
Trong tương lai gần, chúng ta sẽ chứng kiến sự trỗi dậy của một Thị trường Tri thức Toàn cầu, nơi các tổ chức mua và bán các gói OKF đã được xác thực và có thể vận hành bởi tác nhân.
Hãy tưởng tượng Switas biên soạn các khung chiến lược tăng trưởng độc quyền, cẩm nang chuyển đổi số hoặc phương pháp kiểm toán dữ liệu của mình thành các gói OKF dạng mô-đun. Trợ lý AI của khách hàng có thể mua gói OKF Cẩm nang Tăng trưởng của Switas, gắn trực tiếp vào hệ thống tệp của mình và ngay lập tức bắt đầu thực hiện kiểm toán bằng logic suy luận chuyên biệt của Switas.
Hơn nữa, các gói này không cố định. Khi điều kiện thị trường, thuật toán tìm kiếm hoặc các phương pháp tư vấn tốt nhất thay đổi, nhà xuất bản sẽ cập nhật gói OKF chính. Các bản cập nhật này lan truyền khắp mạng lưới, đảm bảo rằng trí tuệ nhân tạo được bản địa hóa của khách hàng luôn được làm mới liên tục.
5. Câu hỏi thường gặp toàn diện: Nắm bắt những sắc thái kỹ thuật và chiến lược của OKF
Khi OKF ngày càng được sử dụng rộng rãi, các nhóm doanh nghiệp, nhà phát triển và lãnh đạo tiếp thị chắc chắn sẽ đặt ra những câu hỏi quan trọng. Dưới đây là những điều bạn cần biết:
Câu 1: Các tác nhân AI bên ngoài thực sự phát hiện và truy cập các gói OKF của chúng tôi như thế nào?
Việc phát hiện ngôn ngữ chủ yếu sẽ được thực hiện thông qua tiêu chuẩn mới nổi là llms.txt. Nằm ở thư mục gốc của một trang web (tương tự như robots.txt), tệp llms.txt hoạt động như một thư mục chứa các mô hình ngôn ngữ.
Bằng cách thêm đường dẫn URI trực tiếp trỏ đến gói OKF công khai của bạn trong tệp llms.txt, bạn báo hiệu cho các tác nhân thu thập thông tin (như GPT-Bot, Claude-Bot hoặc Google-Extended) rằng một wiki có cấu trúc, được tối ưu hóa cho máy tính, chứa kiến thức kinh doanh của bạn đã sẵn sàng để sử dụng trực tiếp.
Câu 2: OKF có phải là giải pháp thay thế cho cơ sở dữ liệu vectơ (Vector Databases) và cơ sở dữ liệu đồ thị (Graph Databases) không?
Không. OKF không phải là cơ sở dữ liệu; nó là một đặc tả về trao đổi và lưu trữ.
Ở quy mô cá nhân hoặc doanh nghiệp nhỏ (dưới 100 tài liệu hoặc khoảng 80,000 token), LLM có thể đọc trực tiếp thư mục OKF từ hệ thống tập tin mà không cần bất kỳ trung gian cơ sở dữ liệu nào.
Tuy nhiên, ở quy mô doanh nghiệp, các gói dữ liệu OKF đóng vai trò là "Nguồn thông tin đáng tin cậy" được con người biên tập kỹ lưỡng, cung cấp dữ liệu cho các hệ thống truy xuất rộng hơn của doanh nghiệp. Một doanh nghiệp thường sẽ tiếp nhận các gói dữ liệu OKF, chuyển đổi chúng thành cơ sở dữ liệu vector (Vector DB) để tìm kiếm ngữ nghĩa, và sử dụng chúng để xây dựng cơ sở dữ liệu đồ thị (Graph DB) trên toàn doanh nghiệp. OKF cung cấp các đầu vào ngữ nghĩa được cấu trúc và sạch sẽ, giúp ngăn ngừa tình trạng ô nhiễm cơ sở dữ liệu.
Câu 3: OKF ngăn ngừa ảo giác do AI gây ra như thế nào?
Phương pháp RAG truyền thống thường gây ảo giác vì nó buộc người học LLM phải tìm ra câu trả lời từ những đoạn tài liệu rời rạc, đôi khi mâu thuẫn nhau.
OKF ngăn chặn điều này bằng cách thực thi việc lập bản đồ mối quan hệ rõ ràng, các quy tắc ứng xử và tham chiếu chính xác. Bởi vì các khái niệm của OKF được con người chọn lọc và cấu trúc rất kỹ lưỡng (hoặc được biên soạn dưới sự giám sát chặt chẽ của con người), nên tác nhân dựa vào logic đã được tổng hợp và xác minh trước đó thay vì đoán các mối liên hệ một cách ngẫu nhiên. Hơn nữa, khả năng hỗ trợ trích dẫn gốc của OKF đảm bảo rằng mọi tuyên bố thực tế do tác nhân đưa ra đều có thể được truy ngược lại một tệp Markdown hoặc nguồn dữ liệu cụ thể, đã được xác minh.
Câu 4: Chúng ta có phải tự viết và duy trì các gói OKF này không?
Hoàn toàn không. Việc viết hàng trăm tệp Markdown và theo dõi các lược đồ YAML phức tạp một cách thủ công sẽ là một trở ngại lớn.
Thay vào đó, quá trình này mang tính hợp tác: con người học hỏi và định hướng; các tác nhân AI biên soạn và duy trì.
Sử dụng các thiết lập tác nhân nâng cao (như Claude Code, Cursor hoặc các pipeline Python tùy chỉnh), bạn đưa các nguồn dữ liệu thô—chẳng hạn như bản ghi, báo cáo chuyên ngành và lược đồ cơ sở dữ liệu—vào hệ thống. Tác nhân sẽ tự động trích xuất các khái niệm, viết phần frontmatter YAML, tạo các liên kết chéo và ghi lại các thay đổi trong log.md.
Vai trò của con người chuyển sang vai trò của người biên tập: xem xét lại nội dung wiki đã được biên soạn, bổ sung hướng dẫn chiến lược và chạy các tập lệnh "linter" tự động để kiểm tra các liên kết bị hỏng, các trang mồ côi hoặc các mâu thuẫn logic.
Chuẩn bị cho sự chuyển đổi sang mô hình đại lý cùng Switas
Việc ra mắt Định dạng Tri thức Mở là một tín hiệu rõ ràng về hướng đi của nền kinh tế số. Chúng ta đang chuyển từ một internet với các trang web rải rác được thiết kế để người dùng cuộn chuột, sang một internet với các bộ não kỹ thuật số liên kết với nhau, được thiết kế để thực thi tự động.
Đối với các doanh nghiệp, sự lựa chọn rất rõ ràng: hoặc bắt đầu xây dựng hệ thống tri thức doanh nghiệp ngay hôm nay, hoặc chấp nhận rủi ro trở nên vô hình trước các tác nhân AI sẽ thúc đẩy thương mại trong tương lai.
Tại Switas, chúng tôi có vị thế độc đáo để giúp tổ chức của bạn vượt qua giai đoạn chuyển đổi này. Bằng cách kết hợp chuyên môn sâu rộng của chúng tôi trong chiến lược kỹ thuật số, kỹ thuật dữ liệu và các tiêu chuẩn AI mới nổi, chúng tôi có thể giúp bạn biến các tài sản kinh doanh phân tán của mình thành một công cụ tạo ra kiến thức OKF mạnh mẽ và bền vững.
Tương lai là phi tập trung, có cấu trúc và mang tính chủ động. Hãy cùng nhau xây dựng tương lai đó.
