---
title: "Poza tradycyjnym RAG: Dogłębne zagłębienie się w koncepcję LLM Knowledge Base Andreja Karpathy'ego"
source: "https://medium.com/codetodeploy/beyond-traditional-rag-a-deep-dive-into-andrej-karpathys-llm-knowledge-concept-329cbeebd842"
author:
  - "[[Jiten Oswal]]"
published: 2026-04-11
created: 2026-06-18
description: "More"
tags:
  - "clippings"
---
*Niedawno Andrej Karpathy zaproponował przełomową alternatywę zwaną* ***LLM Knowledge Base (***[***gist link***](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f)***).*** *Zamiast pobierać surowe dane na bieżąco, LLM stopniowo buduje i utrzymuje ustrukturyzowaną, powiązaną kolekcję plików markdown, która znajduje się pomiędzy tobą a surowymi źródłami.*

Większość programistów budujących obecnie duże modele językowe opiera się na generowaniu rozszerzonym na wyszukiwanie (RAG). Typowy przebieg jest prosty: przesyłasz dokumenty, system je dzieli na części, pobiera odpowiednie fragmenty w czasie zapytania i generuje odpowiedź. Choć to działa, cierpi na poważną wadę — amnezję. LLM jest zmuszony odkrywać wiedzę od zera przy każdym zapytaniu. Jeśli zadasz zniuansowane pytanie wymagające syntezy wielu dokumentów, system musi wielokrotnie odnajdywać i składać te fragmenty. Nic się nie kumuluje.

> 🆓 Przeczytaj cały artykuł za darmo tutaj → [darmowy link](https://medium.com/@jiten.p.oswal/329cbeebd842?sk=3b89204ccd17ca9540c1a4df705c6891)  
> 👉 do artykułu. Śledź, aby poznać więcej takich szczegółowych analiz AI → [https://medium.com/@jiten.p.oswal](https://medium.com/@jiten.p.oswal)

Niedawno Andrej Karpathy zaproponował przełomową alternatywę zwaną **LLM Knowledge Base (**[**gist link**](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f)**).** Zamiast pobierać surowe dane na bieżąco, LLM stopniowo buduje i utrzymuje ustrukturyzowaną, powiązaną kolekcję plików markdown, która znajduje się pomiędzy tobą a surowymi źródłami. Czyta, wyodrębnia i integruje nowe informacje w rozwijającej się knowledge.

**Oto dogłębne wyjaśnienie, jak działa ta architektura, dlaczego rozwiązuje wąskie gardło RAG oraz jak społeczność open-source już ją rozwija.**

![](https://miro.medium.com/v2/resize:fit:1400/format:webp/1*5sWuOvJbsSot8kwHQtzYoQ.png)

RAG vs. LLM Knowledge Base — Od efemerycznego wyszukiwania do kumulacji wiedzy

### Główna koncepcja: Trwały, kumulujący się artefakt

Najważniejszą różnicą między tradycyjnym RAG a LLM Knowledge Base jest to, że knowledge jest trwałym**, kumulującym się artefaktem**. Odniesienia krzyżowe są wyraźnie tworzone, sprzeczności są oznaczane, a synteza wiedzy odzwierciedla wszystko, co zgromadziłeś przez lata.

W tym workflow rzadko piszesz knowledge sam. Twoja rola polega na kuratorstwie i eksploracji: pozyskiwaniu dokumentów i zadawaniu właściwych pytań. LLM pełni rolę opiekuna, wykonując żmudną księgowość — streszczając, krzyżując i archiwizując. Jak opisuje Karpathy, jeśli Obsidian jest IDE, to LLM jest programistą, a knowledge to baza kodu.

### Architektura trójwarstwowa

Aby to działało, architektura jest podzielona na trzy wyraźne warstwy:

1. **Surowe źródła:** Twoja wyselekcjonowana kolekcja PDF-ów, artykułów, obrazów i plików danych. Są one niezmienne; LLM je czyta, ale nigdy ich nie zmienia, służąc jako twoje absolutne źródło prawdy.
2. **Knowledge Base:** Katalog plików markdown generowanych przez LLM, zawierających strony koncepcyjne, podsumowania encji i syntezy. LLM całkowicie kontroluje tę warstwę — pisze i aktualizuje ją wraz z pojawianiem się nowych źródeł.
3. **Schemat:** Dokument konfiguracyjny (taki jak lub ), który określa strukturę, konwencje i workflow knowledge. To zapobiega działaniu LLM jak zwykły chatbot i dyscyplinuje go do rygorystycznego otrzymywania knowledge.`CLAUDE.md` `AGENTS.md`
![](https://miro.medium.com/v2/resize:fit:1400/format:webp/1*BCxbf8r21aLZCOc_aoQHKg.png)

LLM Knowledge Base — Architektura 3-poziomowa do łączenia wiedzy

### Silnik knowledge: operacje i księgowość

System pozostaje dynamiczny poprzez trzy kluczowe operacje:

- **Spożycie:** Gdy dodane jest nowe źródło, LLM je czyta, omawia z Tobą wnioski, pisze stronę podsumowującą, aktualizuje odpowiednie strony koncepcyjne i rejestruje działania.
- **Zapytanie:** Zadajesz pytania na knowledge. Prawdziwą magią jest tu koncepcja "file back": dobre odpowiedzi, porównania czy analizy generowane podczas zapytania nie powinny zniknąć w historii czatu. Są one ponownie wpisywane do knowledge jako zupełnie nowe strony, co pozwala na kumulację eksploracji.
- **Kłaczki:** Okresowo LLM pełni rolę kontrolera zdrowia. Skanuje pod kątem przestarzałych twierdzeń, brakujących odnośników, sierot stron i sprzeczności.

Aby poruszać się po tym bez silnej infrastruktury wektorowej, knowledge opiera się na (katalogu wszystkich stron zorientowanym na treść) oraz (chronologicznym, tylko do dodawania zapisie wejścia i zapytań).`index.md` `log.md`

![](https://miro.medium.com/v2/resize:fit:1400/format:webp/1*TACWdLtKPTtrnyuYaO7N8w.png)

LLM Knowledge Base — Cykl Wiedzy Złożonej

### Innowacje społecznościowe na LLM Knowledge Base

Społeczność deweloperów szybko zjednoczyła się wokół tej koncepcji, identyfikując wyzwania i budując solidne rozszerzenia:

- **Deterministyczne wyszukiwanie:** Deweloper *emailhuynhhuy* dostosował architekturę do przepływów pracy n8n, traktując warstwę knowledge jako graf nawigacyjny Obsidian, jednocześnie zachowując surowe źródła jako zweryfikowane, wykonywalne pliki JSON — zapewniając 100% niezawodne i wolne od halucynacji wykonanie.
- **Progresywna pamięć i zarządzanie:** Projekt *AI-Context-OS* wprowadził warstwowe elementy frontowe YAML (L0, L1, L2) do kontroli gęstości informacji i zapisywania tokenów kontekstowych, obok aktywnej telemetrii opartej na SQLite do audytu stanu pamięci i automatycznego usuwania redundancji.
- **Pisane kontrakty JSON:** Projekt *knowledgemind* odkrył, że użycie typowanego kontraktu JSON zamiast swobodnego markdownu sprawia, że kompilator jest znacznie bardziej stabilny wśród różnych dostawców LLM, a jednocześnie dodaje "twierdzenia oznaczone zaufaniem", aby faza lintingu była prostym zapytaniem SQL.
- **Architektura grafów:** Projekty takie jak *SwarmVault* i *grover* traktują odwołania krzyżowe jako pierwszorzędne, trwałe krawędzie grafu, a nie tylko linki tekstowe, co pozwala na buforowanie podobieństw semantycznych i automatyczne śledzenie zależności.

Wzór LLM Knowledge Base udowadnia, że przyszłość osobistej i organizacyjnej AI to nie tylko szybsze czytanie; chodzi o efektywne kumulowanie wiedzy, tak aby koszt utrzymania genialnej, powiązanej bazy wiedzy spadł niemal do zera.

### Podobało Ci się to dogłębne zanurzenie?

Piszę o systemach AI, AI i inżynierii danych, wewnętrznych aspektach LLM, architekturze platform i wszystkim, co związane ze startupami.

👉 **Śledź mnie na** [**Medium**](https://medium.com/@jiten.p.oswal) lub [**Twitterze (X),**](https://x.com/jitenoswal) aby zobaczyć podobne szczegółowe analizy.

*Masz trudne pytanie o system AI i LLM? Wrzuć to w komentarzach, a może napiszę kolejną dogłębną analizę na ten temat, jeśli będzie wystarczająco dużo zainteresowania.*

### Dziękuję, że jesteś częścią naszej społeczności

*Zanim pójdziesz:*

👉 Koniecznie **klaszcz** i **podążaj za** autorem