DBAdmin/brain/raw/inbox/Karpathy LLM knowledge to supermoc dla badaczy. Oto jak go używam..md

title, source, author, published, created, description, tags

title	source	author	published	created	description	tags
Karpathy LLM Knowledge Base to supermoc dla badaczy. Oto jak go używam.	https://medium.com/below-the-abstract/karpathy-llm-knowledge-is-a-superpower-for-researchers-heres-how-i-use-it-cf3db8d24ce1	R.F. Bryan	2026-05-11	2026-05-20	More	clippings

Zdjęcie: Kelly Sikkema na Unsplash

Andrej Karpathy kilka tygodni temu zamieścił wątek o budowaniu osobistych baz wiedzy za pomocą LLM. Jeśli pracujesz w badaniach, powinno to cię całkowicie zatrzymać.

Ponieważ naukowcy od dziesięcioleci szukają idealnego systemu wiedzy. Zettelkasten. Badania wędrówki. Obsydianowe skarbce z 10 000 banknotów, których nikt już nigdy nie czyta.

Ale to, co opisał Karpathy, jest inne. To, co buduje, to nie tylko system notatek, ale kompilator.

Różnica między notatką a knowledge, którą utrzymuje twój LLM

Większość badaczy współpracuje ze AI w ten sam sposób: wrzucają pracę do okna czatu, zadają pytania, uzyskują odpowiedzi, zamykają zakładkę.

To podejście ma swój sufit. Nie pamięta jutrzejszego artykułu ani tego, jak ten artykuł łączy się z tym, który czytałeś w zeszłym tygodniu. Ba, nie może nawet powiedzieć, że metodologia w badaniu z 2021 roku cicho przeczy założeniom z 2024 roku, które stosujesz.

Podejście Karpathy'ego jest strukturalnie inne. Zamiast rozmawiać z dokumentami, buduje rosnącą bazę wiedzy, którą LLM utrzymuje z czasem.

Oto podstawowa pętla: surowe materiały źródłowe trafiają do katalogu. Artykuły, artykuły, repozytoria, zbiory danych, obrazy. Następnie LLM stopniowo kompiluje te źródła do knowledge — zbioru plików markdown zorganizowanych według koncepcji, z podsumowaniami, linkami zwrotnymi i odniesieniami. Obsidian to frontend, gdzie czytasz wszystko. Rzadko sięgasz bezpośrednio do knowledge. LLM zapisuje go i utrzymuje.raw/

Gdy knowledge będzie wystarczająco duża — jego przykład to około 100 artykułów i 400 000 słów — możesz zadawać złożone pytania i uzyskać odpowiedzi, które faktycznie łączą się z całym twoim korpusem.

To nie jest chatbot. To asystent badawczy, który przeczytał wszystko, co ty przeczytałeś, pamięta wszystko i potrafi połączyć rzeczy, które pominąłeś.

Dlaczego badacze powinni szczególnie zwracać uwagę

Problemem większości badaczy jest nieznajdowanie informacji. To łączy.

Przeczytałeś 200 artykułów z danej dziedziny. Znasz główne wątki. Ale gdy siadasz do przeglądu literatury lub wskazujesz lukę badawczą, praca jest brutalna. Mentalnie triangulujesz dziesiątki źródeł, próbując jednocześnie utrzymać w głowie konkurencyjne ramy, mając nadzieję, że nie przeoczysz kluczowej sprzeczności ukrytej w sekcji metod, którą przejrzałeś sześć miesięcy temu.

Knowledge Base Karpathy nie tylko przechowuje twoje źródła. Łączy ich. LLM pisze artykuły o koncepcjach, a nie tylko streszczenia poszczególnych artykułów. Buduje powiązania między powiązanymi ideami. Sprawdza, gdzie badania są spójne, a gdzie się rozbiegają.

W przypadku syntezy literatury jest to jakościowo inny rodzaj pomocy niż cokolwiek, co oferuje standardowy pipeline RAG czy interfejs czatu.

Jak właściwie to ustawiłem

Nie będę udawać, że to wszystko jest gotowe. Potrzeba trochę przygotowania i cierpliwości, zanim się opłaci. Oto jak to prowadziłem.

Krok 1: Zbuduj sur/katalog

Wszystko, z czym pracuję, wrzucam do surowego katalogu. W przypadku trwającego projektu badawczego są to artykuły (konwertowane do markdownu za pomocą narzędzi takich jak Marker lub po prostu skopiowane streszczenia i kluczowe sekcje), artykuły internetowe wycięte w Obsidian Web Clipper, notatki z wywiadów oraz wszelkie zbiory danych lub raporty, do których regularnie się odwołuję.

Kluczowe jest nie być zbyt cennym w kwestii tego, co jest włożone. Pierwsze szkice własnych notatek analiz też tam pasują. LLM będzie działał ze wszystkim.

Krok 2: Pozwól LLM skompilować knowledge

Używam Claude'a ze strukturalnym promptem do przejścia kompilacji. Prompt nakazuje mu:

• Przeczytaj pliki surowe i
• Zidentyfikuj podstawowe koncepcje w całym korpusie
• Napisz uporządkowany artykuł markdown dla każdego pojęcia
• Dołącz cytowania do dokumentów źródłowych
• Oznacz tam, gdzie źródła się zgadzają, gdzie się spierają i jakie pytania pozostają otwarte

To nie jest jednorazowa sprawa. Uruchamiasz ją ponownie, gdy dodajesz znaczący nowy materiał. Knowledge Base rozwija się stopniowo.

Krok 3: Użyj Obsidian jako interfejsu do czytania

Karpathy nazywa Obsidian "frontendem IDE" i to ramowanie jest trafne. Widok wykresu pokazuje, jak pojęcia się ze sobą łączą. Panel linków zwrotnych w każdym artykule koncepcyjnym pokazuje wszystkie źródła, które poruszały ten pomysł. Możesz nawigować po knowledge tak, jak radzisz sobie z dobrze zorganizowaną monografią badawczą, a nie stertą PDF-ów.

Krok 4: Zadawaj pytania na knowledge

Właśnie tutaj zaczyna się efekt. Gdy knowledge będzie miała wystarczająco dużo materiału, możesz zadawać pytania wymagające syntezy w wielu źródłach. "Jakie są główne metodologiczne różnice w badaniach mierzących X?" "Które gazety analizowały Y w kontekście Z i co odkryły?" "Gdzie są luki, które nie zostały rozwiązane?"

Odpowiedzi są lepsze niż te, które uzyskujesz na rozmowach z pojedynczymi artykułami, ponieważ LLM działa przeciwko uporządkowanym, kuratorowanym, powiązanym korpusom — a nie surowemu zrzutowi dokumentów. Omówiłem, jak używać tego konkretnie do znajdowania luk naukowych tutaj.

Krok 5: Złóż wyjścia z powrotem

Argument Karpathy'ego o tym, że wyniki "sumują się" w bazie wiedzy, okazał się naprawdę prawdziwy. Gdy uruchamiam zapytanie syntezy i dostaję użyteczną odpowiedź, zapisuję ten wynik jako plik markdown z powrotem do knowledge. Moja własna analiza staje się częścią korpusu. Przyszłe zapytania mogą na tym budować.

Z czasem knowledge zaczyna przypominać żywy dokument twojego własnego myślenia, a nie tylko bibliotekę cudzych prac.

Krok z lintingiem jest niedoceniany

Karpathy wspomina o przeprowadzaniu "kontroli zdrowia" knowledge — prosząc LLM o znalezienie niespójnych danych, identyfikację powiązań między artykułami, które jeszcze nie zostały powiązane, oraz oznaczanie pytań wartych dalszego zbadania.

Robię wersję tego co miesiąc. LLM wyświetla rzeczy, których sam bym nie zauważył. Prace, które oceniłem jako istotne dla różnych podpytań, które faktycznie dzielą podstawowe założenie, którego wcześniej nie wyraziłem. Luki w moim omówieniu konkretnej metodologii. Miejsca, gdzie moja knowledge przedstawia twierdzenie niepoparte żadnym źródłem w.raw/

Dla badań jest to nieocenione. To nie tylko sprawdzanie błędów. To funkcja wymuszająca, by struktura wiedzy była na tyle jawna, by LLM mógł ją przeanalizować.

Co jeszcze nie działa

Chcę być szczery w kwestii ograniczeń, bo większość tekstów na ten temat jest zbyt optymistycznych.

Tarcie w konfiguracji jest realne. Jeśli nie czujesz się komfortowo w pracy w markdown, uruchamianiu LLM przez API lub wiersz poleceń oraz utrzymaniu struktury katalogów, ten workflow nie jest plug-and-play. To bliższe budowaniu własnej infrastruktury badawczej niż korzystaniu z produktu.

Jakość knowledge w dużej mierze zależy od jakości surowca. Jeśli twój katalog to mieszanka niedoczytanych artykułów i zakładek w przeglądarce, które zapisałeś z niejasnymi zamiarami, skompilowana knowledge to odzwierciedla. Śmieci wchodzą, zorganizowane śmieci na zewnątrz.raw/

Etap kompilacji staje się kosztowny na dużą skalę. Przeprowadzenie dokładnego przejścia kompilacyjnego przez duży korpus nie jest tanie w tokenach. Nauczyłem się robić ukierunkowane aktualizacje zamiast pełnych rekompilacji, gdy dodaję nowy materiał.

A knowledge jest przydatna tylko tak dobrze, jak twoja chęć utrzymania workflow. Badacze, z którymi rozmawiałem, którzy próbowali tego i zrezygnowali, w większości porzucili to po kilku tygodniach, bo nie wypracowali nawyku regularnego podawania nowego materiału. Pisałem o tym, co najczęściej się myli w tym systemie oraz o sześciu błędach, które badacze popełniają, korzystając z AI do badań, jeśli chcesz uniknąć najczęstszych trybów awarii przed rozpoczęciem.raw/

Dokąd to zmierza

Karpathy kończy swój wpis czymś, nad czym warto się zająć: "Myślę, że jest tu miejsce na niesamowity nowy produkt, a nie na banalny zbiór scenariuszy."

Ma rację. To, co zbudował ręcznie — kompilacja, linki zwrotne, warstwa pytań i odpowiedzi, kontrole stanu — to workflow, który specjalnie stworzone narzędzie mogłoby udostępnić każdemu badaczowi bez konieczności konfiguracji.

Podstawowa idea jest większa niż jakakolwiek konkretna implementacja. Chodzi o to, że badacze mają teraz możliwość budowania struktur wiedzy, które LLM może aktywnie utrzymywać i rozumować. To zupełnie inna relacja z twoim własnym korpusem badawczym niż cokolwiek, co mieliśmy wcześniej.

Większość badaczy wciąż traktuje LLM jak szybsze wyszukiwarki. Ci, którzy omyślą się, jak uruchomić je jako kompilatory wiedzy, będą mieli poważną przewagę strukturalną w tym, jak szybko mogą zbudować prawdziwe zrozumienie danej dziedziny.

Streszczenie mówi, co ktoś wyciągnął. Knowledge Base pokazuje, jak wiedza jest faktycznie zorganizowana, gdzie jest solidna i gdzie są luki.

To jest praca, którą warto wykonać.

A jeśli chcesz tego bez budowania od podstaw, to właśnie nad tym pracujemy w Constella.