LLM Wiki 📚

Metodologia de construção de bases de conhecimento pessoais usando LLMs e arquivos markdown, popularizada por Andrej Karpathy em abril de 2026. Em vez de bancos vetoriais ou RAG tradicional, o LLM lê, organiza e interconecta documentos markdown diretamente.

O problema com RAG

RAG clássico (NotebookLM, ChatGPT file uploads) tem uma limitação fundamental: o LLM redescobre conhecimento do zero em cada pergunta. Não há acumulação. Uma pergunta que exige sintetizar cinco documentos obriga o modelo a encontrar e conectar fragmentos a cada vez — nada é construído.

A wiki LLM é diferente: o conhecimento é compilado uma vez e mantido atualizado, não re-derivado em cada consulta.

Três camadas da arquitetura

1. Raw sources — documentos brutos imutáveis (artigos, PDFs, transcrições, imagens). O LLM lê, nunca modifica. São a fonte da verdade.

2. The wiki — diretório de markdown gerado pelo LLM. Resumos, páginas de entidades, conceitos, comparações, síntese. O LLM é dono desta camada: cria páginas, atualiza quando novas fontes chegam, mantém cross-references e consistência. Você lê; o LLM escreve.

3. The schema — documento de configuração (ex: CLAUDE.md para Claude Code, AGENTS.md para Codex) que define a estrutura da wiki, convenções e workflows. É o arquivo que transforma o LLM de chatbot genérico em mantenedor disciplinado de wiki. Você e o LLM co-evoluem isso ao longo do tempo.

Operações

Ingest

Coloca nova fonte no raw/ e pede ao LLM para processar. Fluxo típico:

  1. LLM lê a fonte
  2. Discute takeaways com você (opcional)
  3. Escreve página de resumo na wiki
  4. Atualiza index e páginas de entidades/conceitos relevantes
  5. Registra no log

Uma única fonte pode tocar 10-15 páginas da wiki. Possível ingerir em batch ou um a um — depende do estilo.

Query

Perguntas são respondidas navegando o índice e seguindo backlinks. Respostas podem ser texto, tabelas de comparação, slide decks (Marp), gráficos. Insight crítico: boas respostas podem ser arquivadas de volta na wiki como novas páginas. Comparações, análises, conexões descobertas — são valiosas e não devem sumir no histórico de chat. As explorações também compõem na base de conhecimento.

Lint

Auditoria periódica de saúde:

Indexação e logging

index.md é orientado a conteúdo: catálogo completo com link, resumo de uma linha e metadados por categoria. O LLM atualiza a cada ingestão. Para responder queries, lê o índice primeiro para encontrar páginas relevantes, depois aprofunda. Funciona bem até ~100 fontes / centenas de páginas sem necessidade de RAG embeddings.

log.md é cronológico: registro append-only do que aconteceu e quando. Dica: prefixos consistentes tornam o log parseável com ferramentas unix — grep "^## \[" log.md | tail -5 retorna as 5 últimas entradas. O log dá uma linha do tempo da evolução da wiki.

Por que funciona

A parte tediosa de manter uma base de conhecimento não é a leitura ou o pensamento — é o bookkeeping. Atualizar cross-references, manter resumos atuais, notar quando novos dados contradizem claims antigos, manter consistência entre dezenas de páginas. Humanos abandonam wikis porque o custo de manutenção cresce mais rápido que o valor. LLMs não se entediam, não esquecem de atualizar um cross-reference, e podem tocar 15 arquivos em uma passagem. A wiki permanece mantida porque o custo de manutenção é praticamente zero.

O papel do humano: curar fontes, direcionar a análise, fazer boas perguntas, pensar sobre o que tudo significa. O papel do LLM: todo o resto.

Inspiração histórica

A ideia é relacionada em espírito ao Memex de Vannevar Bush (1945) — um repositório de conhecimento pessoal e curado com trilhas associativas entre documentos. A visão de Bush era mais próxima a isso do que ao que a web se tornou: privado, ativamente curado, com as conexões entre documentos tão valiosas quanto os documentos em si. A parte que ele não conseguia resolver era quem faz a manutenção. O LLM resolve isso.

CLI tools (opcional)

Para wikis grandes, ferramentas de busca são úteis. qmd é uma opção: motor de busca local para arquivos markdown com busca híbrida BM25/vetorial e re-ranking por LLM, tudo on-device. Tem CLI (para o LLM usar via shell) e servidor MCP (para usar como ferramenta nativa). Em escala menor, o index.md é suficiente.

Tips e ferramentas

Arquitetura mínima

Escala

Karpathy reportou ~100 artigos e ~500k palavras funcionando bem. Um usuário no X converteu 383 arquivos dispersos + 100 transcrições de reuniões numa wiki compacta com redução de 95% no uso de tokens ao consultar.

Limitação atual: não escala para milhões de documentos — para isso, RAG tradicional ainda é necessário.

Takeaways

Casos de uso

Baseado em Nate Herk, "Andrej Karpathy Just 10x'd Everyone's Claude Code", YouTube, 2026-04-05, e no gist original de Andrej Karpathy, "LLM Wiki", GitHub, 2026-04-07 — gist.github.com/karpathy/442a6bf555914893e9891c11519de94f.