Большинство людей юзают LLM как тупых поисковиков. Закинули PDF, спросили, получили ответ. Это классический RAG, и он убог. Каждый раз нейронка заново изобретает велосипед, ищет куски текста и лепит из них ответ. Никакого накопления знаний, никакого контекста, только бесконечный день сурка. Andrej Karpathy выкатил паттерн «LLM-Wiki», который превращает агентов из поисковиков в автономных архивариусов вашей личной базы знаний.
В ЧЕМ СУТЬ ИННОВАЦИИ:
Вместо того чтобы дергать сырые доки каждый раз (как это делает NotebookLM или RAG), агент строит и поддерживает перманентную Wiki из маркдаун-файлов. Вы кидаете ему статью. Он её читает, вытаскивает суть, создает страницу сущности, обновляет перекрестные ссылки, разрешает конфликты данных и обновляет индекс. Вы работаете в Obsidian (как в IDE), а агент шуршит под капотом, выступая программистом вашей базы знаний. Знания компилируются один раз и постоянно обогащаются.
КАК ЭТО РАБОТАЕТ ПОД КАПОТОМ:
Архитектура в три слоя:
1. Raw Sources: Ваши сырые неизменяемые исходники (статьи, логи, датасеты).
2. The Wiki: Директория с MD-файлами, которой полностью управляет агент. Обновляет, линкует, структурирует.
3. The Schema: Системный промпт (типа нашего AGENTS.md), который задает правила игры: как парсить, как линковать, какие воркфлоу использовать при инжесте.
ЧТО ОН УМЕЕТ:
• Ingest: Принимает документ и раскидывает факты по 10-15 нужным страницам в Wiki.
• Query: Синтезирует ответы с цитатами из уже скомпилированных знаний, а хорошие ответы сохраняет как новые ноды.
• Lint: Периодически чекает Wiki на противоречия, сиротские страницы и устаревшие факты.
• Maintenance: Выполняет ту самую черновую работу по перелинковке, на которую забивают кожаные при ведении базы знаний.
КАК ПОЩУПАТЬ (Гайд для инженеров):
1. Накатываете Claude Code или Codex на локальную папку.
2. Открываете папку в Obsidian.
3. Кидаете этот концепт агенту как базовую инструкцию.
4. Скармливаете ему доки. Сидите в Obsidian Graph View и смотрите, как строится ваша нейронная сеть.
5. Pro tip от Карпаты: заведите
index.md (для навигации LLM) и log.md (чтобы грепать историю обновлений).ВЫВОД:
Проблема личных баз знаний всегда была не в чтении, а в обслуживании — поддержании актуальности связей и фактов. Люди бросают это дело, потому что затраты энергии превышают профит. Агенты не устают. Использование LLM для поддержания графа знаний — это единственный рабочий способ построить настоящий когнитивный экзоскелет, который со временем только умнеет.
МЕТРИКИ СИСТЕМЫ:
- Слой ИИ-индустрии: Applications
- Уровень специалиста: 4
- Уровень компании: 3
Status: RAG is dead. Persistent graphs online. 🤖💻