
Google「Open Knowledge Format(OKF)」とは?v0.3仕様とSQLite移植術
- Google Cloudのエンジニア陣を中心に策定が進む「Open Knowledge Format(OKF)v0.3」は、MarkdownとYAMLフロントマターだけでAI向け知識の「信頼度」と「鮮度」を標準化するApache License 2.0の完全無料オープン仕様です。
-
しかし、すでにローカル環境で SQLite とAPI連携による統合知識基盤を稼働させている場合、そこへOKFのMarkdownファイル層を追加すると「データベースとファイルの二重管理」という新たな負債を抱え込むことになります。
- 既存のSQLite環境における最適解は、OKFのファイル形式自体を導入することではなく、v0.3で磨かれた「信頼性ティア・有効状態・鮮度期限・一次根拠」という4大メタデータの設計思想だけをSQLiteテーブルへ0円で移植することです。
-
Claude 5.5のtool_choice 400エラー対策|strict設定・Stop hook・実行前検問術 : Claude Opus 5.5・Sonnet 5.5・Fable 5.1でtool_choice強制指定がHTTP 400エラーになる原因と、strict: true+4…
-
AIになんでも丸投げすると精度が落ちる理由!Softmax注意希釈とクライアント・サーバ分業の設計術(AIのコンテキスト窓へ大量の生データを流し込むと推論精度が劣化する仕組みと、必要な情報だけを段階供給する基盤設計の検証録です)
-
CLAUDE.mdやTODOの丸読みを廃止!SQLite階層ナビ化でトークン消費を99%削減した実践録(肥大化したMarkdown管理文書をSQLiteの索引テーブルへ移行し、検索速度とトークン節約を両立させた具体的な実装記録です)
-
AIクォータ消費を半減!SQLiteキャッシュとRAMDisk統合によるローカル知識基盤の高速化ガイド(SSDやハードディスクの書き換え寿命を守りながら、メモリ上のデータベースでAIエージェントの応答をミリ秒単位に短縮する運用術です)
-
Claude Fable 5.2・GPT-6.2・Gemini 4 Carbon比較|知能指数と非ハルシネーション率(知識基盤を参照する最上位AIモデル3強の実費・速度・非ハルシネーション率88.6%の逆転構造を解説しています)
-
Antigravity「5時間枠があるのに使えない」原因|週間制限のモデル別ロックとUltraペース配分(週間上限の残枠が減ったタイミングでローカルSQLiteの出典メタデータを整備する実践リズムを紹介しています)
-
Googleが公開したAI知識共有規格 Open Knowledge Format(OKF) の仕組みと、2026年11月に発表された v0.3 の変更点を正確に把握したい開発者の方
-
ローカルの SQLite や全文検索エンジンで法令・PDF・過去の対話履歴・運用マニュアルを一元管理しており、古い情報や未検証メモをAIが誤引用する事故を防ぎたい方
-
外部の有料ベクトルデータベースや専用クラウド基盤を契約せず、手元のデータベース設計を拡張するだけでAIエージェントの回答品質と管理体制(ガバナンス)を引き上げたい方
AIエージェントに社内文書や過去の検証ログを参照させる運用が定着するにつれ、多くの現場である共通の悩みが浮上しています。 それは「AIが3年前の古い設定手順や、途中の仮説メモをあたかも最新の確定事実であるかのように回答してしまう」という知識の劣化問題です。
どれほど高性能な推論モデルを使っても、参照元の知識ベースに「どの情報が人間によって検証済みで、いつまで有効なのか」という目印がなければ、AIは新旧のデータを区別できません。 この課題を解決するオープンな共通規格として注目を集めているのが、Google Cloudのエンジニア陣によって立ち上げられた Open Knowledge Format 公式リポジトリ(以下、OKF)です。
本記事では、2026年11月に公開された最新仕様 OKF v0.3 の核心をひも解きます。 その上で、すでにローカルで SQLite による知識基盤を構築している開発者が、二重管理の罠を避けながら「OKFの一番美味しいメタデータ設計」だけを0円で既存データベースへ移植する実践手法を解説します。
AI知識共有規格「OKF」の基本と最新仕様
AIエージェントや開発ツールが増えるたびに、ツール固有の知識フォーマットや専用データベースが乱立してきました。 OKF はそうした囲い込みを排し、あらゆるAIエージェントが同じ基準で知識の「信頼度」と「有効期限」を判定できるように設計されたオープン仕様です。
専用基盤ではなく形式を揃えるオープン規格
OKFが掲げる最大の設計思想は、公式ドキュメントの冒頭にも記されている 「Format, not platform.(プラットフォームではなく形式である)」 という原則です。 専用のクラウドサービスや独自のSDK、重いランタイムをインストールする必要は一切ありません。
私たちが普段使っている通常のMarkdownファイル(.md)の先頭に、YAML 1.2準拠のフロントマターを書き、空ではない type フィールドを1行宣言するだけでOKFドキュメントとして成立します。
---
okf: "0.3"
type: "runbook"
title: "本番データベースのインデックス再構築手順"
status: "active"
trust_tier: "human-reviewed"
reviewed_by: "human:taro-infra-lead"
last_verified: "2026-11-15"
stale_after: "2027-05-15"
source_refs:
- "internal-doc://db-ops/2026-q4-benchmark"
---
## 実行前の確認事項
(ここに通常のMarkdown本文を記述)
この仕様の非常に巧みな点は、既存のプロジェクトフォルダと1バイトも干渉せずに共存できることです。
OKFのパーサー(解析器)は、YAMLフロントマターに type フィールドを持たない通常のMarkdownファイルを自動的にスキップする規約になっています。
そのため、リポジトリのルートにある README.md やエージェント指示用の AGENTS.md、スキル定義用の SKILL.md などを勝手に知識バンドルとして誤読する事故が起きません。
ライセンスも Apache License 2.0 で公開されており、個人開発から商用システムまで完全無料(0円)で自由に組み込むことができます。
バージョン0.3で強化された3つの進化点
OKFは2026年6月に初版(v0.1)が公開されて以降、実際のAIエージェント運用で生じた課題を取り込みながら改訂が重ねられてきました。 そして2026年11月に発表された OKF v0.3 では、実験的な提案から実務に耐える厳密な技術仕様へと大きく成熟しています。
-
独立GitHub組織への移行とRFC 2119準拠の厳密仕様化 : 個人・実験リポジトリの枠を卒業し、独立したGitHub組織(
open-knowledge-format)へと移管されました。仕様書内の要件定義もインターネット標準規格で用いられる RFC 2119(MUST/SHOULD/MAY)に完全準拠し、パーサーが満たすべき検証ルールが曖昧さなく定義されています。 -
公式Agent Skills(生成と消費の2スキル)の標準同梱 : AIエージェントがOKFを正しく読み書きするための公式スキルとして、出典付きの知識バンドルを生成する
okf-generateと、信頼度や鮮度期限を確認してから知識を回答に使うokf-consumeの2種類が追加されました。 -
Trust Tiers(信頼性ティア)と人間承認ルールの厳格化 : 誰がその知識を検証したのかを示す信頼性ティアが3段階に明確化され、AIによる自動更新で「人間確認済み」のラベルが勝手に維持されるのを防ぐ自動降格ルールが明文化されました。
特に注目すべきなのが、2つ目の okf-consume スキルと3つ目の信頼性ティアの連動です。
従来のRAG(検索拡張生成)では、検索にヒットした文書を無条件で全てプロンプトへ流し込んでいました。
しかしOKF v0.3の消費モデルでは、AIが知識を参照する瞬間に「現在日時が stale_after(鮮度期限)を過ぎていないか」「信頼性ティアが未検証(unverified)のまま放置されていないか」を機械的にチェックします。
もし期限切れであれば、AIは「この手順書は確認期限を過ぎているため、現行仕様と異なる可能性があります」と警告を添えて回答する振る舞いが標準化されています。
AI編集で自動降格する3段階の信頼性ティア
AIエージェントに知識ベースの保守を任せると、必ずと言っていいほど「AIが書き換えた文書にいつの間にかハルシネーション(もっともらしい嘘)が混ざる」という問題が起きます。 もしその文書に「人間が確認済み」という最高ランクの印が付いたままだと、後から参照した別のAIも人間も無批判に信じてしまいます。
この汚染を防ぐため、OKF v0.3では知識の信頼度を以下の3段階(Trust Tiers)に厳密に分離しました。
| 信頼性ティア(Trust Tier) | 定義と検証レベル | 付与・昇格の条件(OKF v0.3規約) | AIエージェント参照時の扱い |
|---|---|---|---|
human-reviewed |
人間の専門家・責任者が内容と一次根拠を直接確認した最高信頼データ | reviewed_by に human: プレフィックスを持つ識別子の記録が必須(process: や team: は不可) |
確定事実・公式ルールとして最優先で引用可能 |
machine-confirmed |
テスト実行・API照合・リンター等の機械検証を通過したデータ | 自動検証スクリプトやAIエージェントが既存文書を更新・生成した際に付与 | 有力な根拠として利用可能だが、重要判断時は一次出典を併記 |
unverified |
抽出直後のメモ・壁打ちの仮説・未裏取りの外部情報 | 新規取り込み時の初期値。根拠リンクや検証記録が欠けている状態 | 確定事実としての断定を禁止し、「未検証の仮説」として扱う |
ここで極めて重要なのが、「AIが編集したら自動的にランクを落とす」 という状態遷移ルールです。
たとえ元々が human-reviewed の完璧なマニュアルであっても、AIエージェントや自動化バッチが本文を1文字でも更新した瞬間に、その文書のティアは自動的に machine-confirmed(または unverified)へと降格しなければなりません。
そして再び human-reviewed へ戻すためには、process:auto-checker のような自動プロセス名や team:infra のような曖昧な組織名ではなく、human:yamada のように責任を持つ生身の人間が再承認した記録が必須となります。
この「自動降格と人間再承認の強制」こそ、知識ベースがAI自身の出力によって白痴化するのを防ぐ最強の安全装置です。
既存SQLite環境にOKFファイルが不要な理由
ここまでOKF v0.3の優れた仕様を見てくると、「さっそく手元の知識データをすべてOKF形式のMarkdownファイルに書き出そう」と考えたくなるかもしれません。 しかし、すでにローカル環境で SQLite を中心とした知識データベースを構築している場合、ここで立ち止まって冷静に設計を見極める必要があります。
小規模な文書管理と統合データベースの分岐点
OKFのファイル形式(YAMLフロントマター付きMarkdown)がそのまま威力を発揮するのは、知識の本体がGitリポジトリ内の数十〜数百個の .md ファイルとして分散管理されている環境です。
一方で、数千件規模の法令条文、PDF蔵書、API定期収集レポート、過去の全チャット履歴などを SQLite FTS5 で一元管理している統合環境にOKFファイルを導入すると、深刻な二律背反(トレードオフ)が発生します。
-
知識の実体が数十〜数百個の
.mdファイルとしてフォルダ内に点在している -
データベースを持たず、
grepやエディタのファイル検索でAIに文書を渡している -
各ファイルの先頭にOKFのYAMLフロントマターを追記するだけで、すぐに信頼度と鮮度の管理が機能する
-
法令・PDF・対話ログ・文書ツリーなど数千〜数万件がすでに単一のSQLite内で高速索引化されている
-
検索時のコンテキスト抽出で不要なデータを削ぎ落とし、トークン消費を最小化する仕組みが稼働している
-
ここにOKF用の
.mdファイル群を別途書き出すと「DBとファイルの同期ズレ」が最大の障壁(ボトルネック)になる
先行検証記事の AIになんでも丸投げすると精度が落ちる理由!Softmax注意希釈とクライアント・サーバ分業の設計術 でも実証した通り、AIの推論精度を高く保つ秘訣は「ファイル全体を丸読みさせず、SQLite側から必要な行やメタデータだけをピンポイントで抽出して渡すこと」にあります。 また、CLAUDE.mdやTODOの丸読みを廃止!SQLite階層ナビ化でトークン消費を99%削減した実践録 で構築したように、知識の唯一の真実(Single Source of Truth)をSQLiteへ集約している環境では、外部にMarkdownファイルの複製を作ること自体が逆行になります。
つまり、既存のSQLite統合環境にとって必要なのは「OKFというファイル形式」ではありません。 OKF v0.3が定義した 「知識の信頼度と鮮度を機械的に判定するメタデータ構造」 そのものなのです。
生の知識データが抱える5つの時間劣化リスク
では、現在のSQLite知識基盤にOKFのメタデータ概念が欠けていると、具体的にどのような事故が起きるのでしょうか。 日々の開発や実務相談で蓄積される生データには、時間の経過とともに牙をむく5つの劣化パターンが存在します。
| 知識データの種類 | メタデータなし(生データ放置)で起きるAIの誤用事故 | OKFのメタデータ概念で防ぐ仕組み |
|---|---|---|
| 1. 法規・税制・制度条文 | 法改正で廃止された旧条文や、施行前の予定条文を現行ルールとして断定回答してしまう | stale_after(次回改正・確認期限)と status(superseded=旧版)で現行条文のみを抽出 |
| 2. 完了済みの過去案件・申告記録 | 数年前の特例措置や当時の計算前提を、今年度の新規案件にそのまま当てはめて計算してしまう | status: archived(過去記録として凍結)を付与し、新規推論時の標準ルール適用から除外 |
| 3. 開発中の仮説・検証途中ログ | バグ調査中に書いた「たぶん〇〇が原因」という未検証メモを、確定した仕様として引用する | 初期状態を trust_tier: unverified に固定し、検証完了まで確定事実としての引用をブロック |
| 4. 過去のAI壁打ち・チャット履歴 | AIの古い学習カットオフに基づく誤った人物肩書きや旧型番を、最新記事へ転記してしまう | 会話ログ由来データは原則 unverified 扱いとし、source_refs の一次出典裏取りを必須化 |
| 5. 機器設定・ソフトウェア取説 | OSやフレームワークのメジャー更新で非推奨になった旧設定フラグを推奨コードとして出力する | バージョン番号と stale_after を紐づけ、期限超過時は「要再検証」フラグを検索結果に付加 |
これまで人間が頭の中で「あ、あのメモは去年の古い前提だから無視しよう」とフィルタリングしていた判断を、SQLiteのカラム(列)として明示的に持たせること。 それが、次章で解説する「4大メタデータの0円移植設計」です。
SQLiteへ4大メタデータを0円移植する実践設計
OKF v0.3の仕様書から、ファイル固有の構文(YAMLの書き方やディレクトリ配置規約)を削ぎ落とすと、知識の品質を支配する 4つの核心メタデータ が浮かび上がります。 これらを既存のSQLiteテーブルへそのままカラムとして移植しましょう。
信頼度と鮮度を制御する4つの核心カラム
既存の知識テーブル(文書チャンク、ルール台帳、FAQ、法令キャッシュなど)に追加すべき4大メタデータは以下の通りです。
-
trust_tier(信頼性ティア) : その知識がどこまで裏取りされているかを'unverified'(未検証)、'machine_confirmed'(機械検証済)、'human_reviewed'(人間承認済)の3値で保持します。あわせて承認者を記録する補助列reviewed_byを持たせ、'human:'で始まる場合のみ最高ティアを許可します。 -
status(有効ステータス) : 知識のライフサイクルを'active'(現行有効)、'superseded'(新版の登場により旧版化)、'archived'(過去記録として保存・現行適用外)の3値で管理します。レコードを物理削除(DELETE)せずに歴史的経緯を残したまま、AIの誤引用だけを遮断できます。 -
stale_after(鮮度期限・再確認日) : ISO 8601形式('YYYY-MM-DD')で「この日を過ぎたら内容が陳腐化している可能性がある」という期限日を記録します。税制やAPI仕様など時間経過で腐る知識に必須のタイマーです。 -
source_refs(一次根拠リファレンス) : その知識の裏付け(エビデンス)となる公式URL、法令ID、ローカルPDFのドキュメントIDとページ番号などをJSON配列文字列(例:'["pdf_doc:42#p15", "https://..."]')で保持します。
この4つが揃うだけで、SQLite内の全レコードは単なる「文字列の塊」から「自分自身の信頼度と賞味期限を知っている知識オブジェクト」へと進化します。
既存テーブルを無停止で拡張するSQL実装例
「すでに数万件のデータが入っている本番のSQLiteテーブルにカラムを追加したら、既存の検索スクリプトがエラーで止まるのではないか」と心配になる方もいるはずです。
SQLiteの ALTER TABLE ... ADD COLUMN に適切な初期値(DEFAULT)と CHECK 制約を設定すれば、既存プログラムを1行も壊すことなく、数ミリ秒・完全無停止で拡張できます。
以下に、既存の知識テーブル knowledge_entries をOKF v0.3相当へアップグレードする実践的なマイグレーションSQLを示します。
-- 1. 既存の知識テーブルへOKF v0.3由来の4大メタデータ(+承認者・検証日)を追加
ALTER TABLE knowledge_entries
ADD COLUMN trust_tier TEXT NOT NULL DEFAULT 'unverified'
CHECK (trust_tier IN ('unverified', 'machine_confirmed', 'human_reviewed'));
ALTER TABLE knowledge_entries
ADD COLUMN status TEXT NOT NULL DEFAULT 'active'
CHECK (status IN ('active', 'superseded', 'archived'));
ALTER TABLE knowledge_entries
ADD COLUMN reviewed_by TEXT DEFAULT NULL;
ALTER TABLE knowledge_entries
ADD COLUMN last_verified TEXT DEFAULT (date('now'));
ALTER TABLE knowledge_entries
ADD COLUMN stale_after TEXT DEFAULT NULL;
ALTER TABLE knowledge_entries
ADD COLUMN source_refs TEXT NOT NULL DEFAULT '[]';
-- 2. 【OKF v0.3核心規約】human: 以外の承認者で human_reviewed になることを防ぐトリガー
CREATE TRIGGER IF NOT EXISTS enforce_okf_human_review_on_update
BEFORE UPDATE ON knowledge_entries
FOR EACH ROW
WHEN NEW.trust_tier = 'human_reviewed'
AND (NEW.reviewed_by IS NULL OR NEW.reviewed_by NOT LIKE 'human:%')
BEGIN
SELECT RAISE(ABORT, 'OKF v0.3 Violation: human_reviewed requires reviewed_by starting with human:');
END;
-- 3. AIエージェント更新時に自動で machine_confirmed へ降格させる保護トリガー例
CREATE TRIGGER IF NOT EXISTS auto_downgrade_trust_on_ai_edit
AFTER UPDATE OF content ON knowledge_entries
FOR EACH ROW
WHEN OLD.trust_tier = 'human_reviewed'
AND (NEW.reviewed_by IS NULL OR NEW.reviewed_by LIKE 'agent:%' OR NEW.reviewed_by LIKE 'process:%')
BEGIN
UPDATE knowledge_entries
SET trust_tier = 'machine_confirmed',
last_verified = date('now')
WHERE rowid = NEW.rowid;
END;
このSQLのポイントは、2つ目と3つ目のトリガー(CREATE TRIGGER)です。
アプリケーション側のコードでチェックを書き忘れても、データベースエンジン自身が「human: 以外のIDで最高ティアに昇格させようとしたら拒否する」「AI(agent: や process:)が本文 content を書き換えたら自動的に machine_confirmed へ降格する」というOKF v0.3の鉄則を強制してくれます。
全文検索で最新かつ高信頼な知識を優先する術
カラムを追加したら、次はAIエージェントが使う検索ツール(CLIやMCPサーバ)の SELECT クエリを少しだけ賢くします。
SQLite FTS5 のBM25関連度スコアに、信頼性ティアの重み付けと鮮度期限の判定を掛け合わせることで、検索結果の上位に「人間が確認した最新情報」が自動的に浮かび上がるようになります。
-- FTS5全文検索とOKFメタデータを結合し、信頼度順+鮮度警告付きで抽出するクエリ
SELECT
k.id,
k.title,
k.trust_tier,
k.status,
CASE
WHEN k.stale_after IS NOT NULL AND k.stale_after < date('now')
THEN '⚠️期限切れ(要再確認: ' || k.stale_after || ')'
ELSE '✅有効'
END AS freshness_badge,
k.source_refs,
snippet(knowledge_fts, 1, '【', '】', '...', 32) AS matched_snippet
FROM knowledge_fts
JOIN knowledge_entries k ON k.id = knowledge_fts.rowid
WHERE knowledge_fts MATCH :query
AND k.status = 'active'
ORDER BY
-- 1. 期限切れでない現役データを優先
(CASE WHEN k.stale_after IS NOT NULL AND k.stale_after < date('now') THEN 1 ELSE 0 END) ASC,
-- 2. 信頼性ティア(human_reviewed > machine_confirmed > unverified)の順
(CASE k.trust_tier
WHEN 'human_reviewed' THEN 3
WHEN 'machine_confirmed' THEN 2
ELSE 1
END) DESC,
-- 3. FTS5のBM25テキスト関連度スコア
bm25(knowledge_fts) ASC
LIMIT 10;
このクエリを通すだけで、AIエージェントに渡される検索結果ヘッダに ✅有効 [human_reviewed] や ⚠️期限切れ(要再確認: 2026-03-31) [unverified] といった明確な荷札(タグ)が自動で付与されます。
AIクォータ消費を半減!SQLiteキャッシュとRAMDisk統合によるローカル知識基盤の高速化ガイド のようなメモリ常駐環境と組み合わせれば、余計な旧版レコード(superseded や archived)をAIに読ませずに済むため、推論トークンのさらなる節約にも直結します。
完全0円の範囲と間接コストが発生する境界線
「OKFの移植が0円でできる」とは言っても、運用方法によっては間接的なコストが発生する場面もあります。 導入前に、どこまでが完全0円で、どこからコストが発生するのかを正確に切り分けておきましょう。
| 作業・運用のフェーズ | 直接費用(ライセンス・DB) | 間接コスト(トークン・計算資源・工数) | コストを最小化する実践のコツ |
|---|---|---|---|
| OKF v0.3仕様の採用・参照 | 0円(Apache License 2.0) | なし | 公式リポジトリの規約をそのままテーブル設計へ反映する |
| SQLiteへの4カラム・トリガー追加 | 0円(標準SQL機能のみ) | なし(ミリ秒単位で完了) | DEFAULT 値付き ALTER TABLE で既存データを壊さず追加する |
| 既存データへの初期メタデータ付与 | 0円(ルールベース一括更新時) | 全件をLLMで再判定させると APIトークン・クォータを消費 | AIに全件読ませず、WHERE category = 'law' 等のSQL条件で一括初期設定する |
人間による承認(human_reviewed) |
0円 | 重要文書を目視確認する 人間のレビュー時間 | 全文書を対象にせず、法規・税務・本番手順書など「間違えると致命的な上位1割」に絞る |
| 外部クラウドDB・SaaSへの同期 | クラウド側の 従量課金が発生 | ネットワーク転送と同期バッチ保守 | ローカルのSQLite+RAMDisk完結に留めれば永続的に0円で運用可能 |
最大の注意点は3行目の「既存データへの初期メタデータ付与」です。 数千件の既存レコードを1件ずつAIエージェントに読ませて「この文書の信頼度と有効期限を判定して」と指示すると、膨大なクォータ(API利用枠)を溶かしてしまいます。
最初はSQLの UPDATE 文を使い、「公式APIから取得した法令テーブルは一律 machine_confirmed、チャット履歴テーブルは一律 unverified」といった具合に、テーブルやデータソース単位で機械的に初期値を割り振るのが賢い進め方です。
ローカル知識基盤を安定稼働させる母艦と導入手順
SQLiteを中核としたローカル知識基盤は、一度構築すればクラウド維持費0円で何年も使い続けられる一生モノの資産になります。 最後に、この知識データベースとAI開発環境をストレスなく常駐稼働させるためのハードウェア環境と、自分のデータベースへ安全に4大メタデータを組み込むためのAI指示プロンプトをまとめます。
常駐データベースとAI推論を支える静音母艦
数万件の全文検索インデックス(FTS5)やPDF蔵書データベース、さらにRAMDisk上の高速キャッシュと複数のAIエージェント(Swarm)を同時に動かす場合、最も効いてくるのはパソコンの「ユニファイドメモリ容量」と「常駐時の静音性」です。 SSDやハードディスクへのスワップ(仮想メモリ書き出し)が発生しない大容量メモリを搭載した省電力デスクトップ母艦が1台あると、ローカル知識基盤の応答速度は劇的に向上します。
64GBクラスの広大なメモリ空間があれば、数ギガバイトに及ぶSQLiteデータベース丸ごとをRAMDisk上に展開してミリ秒単位で検索させつつ、裏でブラウザ検証やビルド処理を並列稼働させても一切もたつきません。
事前調査から段階導入するAI指示プロンプト
手元のSQLiteデータベースへ今回の4大メタデータを導入する際、いきなりAIに「テーブルを書き換えて」と命じるのは禁物です。 まずは既存のテーブル構造とスクリプトの依存関係を調査させ、安全なマイグレーション計画を出させる「事前調査ファースト」のプロンプトを活用してください。
以下のプロンプトをコピーし、Gemini 4 Carbon や Gemini 4 Argon などの最上位推論モデルへ貼り付けて実行してください(いきなりデータベースを変更させず、現状調査レポートから出力させる安全設計になっています)。
あなたは熟練のデータベース設計者兼AI基盤エンジニアです。
以下の参考記事で解説されている「Open Knowledge Format(OKF)v0.3の4大メタデータ(trust_tier / status / stale_after / source_refs)を既存SQLiteへ0円移植する設計」を、私のローカルSQLite知識基盤に導入したいと考えています。
【参考記事URL】
https://lab.chihouzakki.com/blog/review/google-okf-v03-open-knowledge-format-sqlite-metadata-guide/
【厳守ルール(いきなりDBを書き換えないこと)】
段階1では、絶対にデータベースファイルや既存スクリプトを直接変更(ALTER / UPDATE / write)しないでください。まずは現状の調査と設計案の提示のみを行ってください。
【段階1で実行してほしい事前調査と出力内容】
1. 現在のワークスペース内にあるSQLiteデータベース(.sqlite / .db)のスキーマ一覧(テーブル名・カラム構成・FTS5仮想テーブルの有無)と、それを参照している検索スクリプトを確認してください。
2. 既存テーブルの中で「時間経過で劣化する知識(法規・設定・手順書・仮説ログ・会話履歴など)」を格納している対象テーブルを特定し、優先度順にリストアップしてください。
3. 既存スクリプトを一切壊さずに4大メタデータ(trust_tier, status, stale_after, source_refs, reviewed_by, last_verified)を追加するための具体的な「ALTER TABLE文」「AI更新時の自動降格トリガー」「ルールベースの初期値一括設定SQL(LLMトークンを消費しないUPDATE文)」の設計案を作成し、私に承認を求めてください。このように第1段階で現状のスキーマ調査とSQL設計案を出させ、内容を目視で確認してから第2段階で反映を実行させることで、既存の検索ツールを止めずに安全にアップグレードが完了します。
まとめ:形式ではなく信頼と鮮度の設計を移植する
Googleが推進する Open Knowledge Format(OKF)v0.3 の仕組みと、既存のSQLite知識基盤へその中核メタデータだけを0円で移植する設計手法を解説しました。

新しい標準規格が出ると「全部そのファイル形式に変換しなきゃ」と焦りがちだけど、すでにSQLiteで一元管理できているなら、ファイル層を増やさずに「信頼度ティア・有効状態・鮮度期限・一次根拠」の4カラムだけをテーブルへ迎え入れるのが一番スマートだね。

とくに「AIが本文を更新したら自動的に machine_confirmed へ降格して、人間が再承認するまで human_reviewed に戻せない」というv0.3の仕組みをSQLiteのトリガーで強制できるのが心強いです!これなら古いメモやAIの推測がいつの間にか確定ルールに化ける事故を根っこから防げますね。
既存のSQLite内で、法規・設定・過去案件・仮説メモなど時間経過で腐りやすいテーブルを特定し、ファイルの二重管理を作らない方針を固めます。
DEFAULT値付きのALTER TABLEでtrust_tier・status・stale_after・source_refsを追加し、AI編集時の自動降格トリガーを設定します。
FTS5の検索クエリでactiveかつ高信頼なレコードを上位表示し、stale_afterを過ぎた知識には自動で要再確認バッジを付与します。
-
OKF(Open Knowledge Format) は、プラットフォームではなく通常のMarkdown+YAMLフロントマターでAI知識を標準化するApache License 2.0の無料オープン仕様であり、
typeを持たないREADME.mdやSKILL.mdと干渉せずに共存できる。 -
2026年11月公開の OKF v0.3 では、独立GitHub組織への移行と RFC 2119 準拠の厳密仕様化、生成・消費の公式2スキル追加、そしてAI編集時に自動降格する3段階の 信頼性ティア(Trust Tiers) が確立された。
-
すでに SQLite FTS5 等で統合知識基盤を運用している環境では、Markdownファイルを別途書き出すと二重管理になるため、ファイル形式は入れずに
trust_tier・status・stale_after・source_refsの4大メタデータ だけをSQLiteへ移植するのが最適解となる。 -
DEFAULT値付きのALTER TABLEとSQLiteトリガーを活用すれば、既存スクリプトを一切壊さず完全0円で「情報の賞味期限管理」と「AIによる知識汚染の自動防止」を実装できる。
新しいオープン規格が登場したときこそ、表面的なファイル形式に振り回されず「その規格が解決しようとしている本質的な課題は何か」を見抜いて自分の基盤へ取り込むことで、シンプルで強靱なローカルAI環境を育てていきましょう。
