Paweł Domański
13 KiB
title, source, author, published, created, description, tags
| title | source | author | published | created | description | tags | ||
|---|---|---|---|---|---|---|---|---|
| Karpathy's LLM Wiki v2: What to Keep, What to Skip | https://theaioperator.io/p/karpathys-llm-wiki-v2-what-to-keep |
|
2026-06-09 | 2026-06-10 | I rebuilt it, ran it daily for months, and most of the v2 hype is overkill. |
|
Odbudowałem ją, uruchamiałem codziennie przez miesiące, a większość hype'u wokół v2 to przesada.
Internet spędził dwa miesiące projektując "v2" LLM Wiki Andreja Karpathy'ego: oceny pewności, łańcuchy supersesji, zapominanie krzywych, wyszukiwanie wektorowe, haki cyklu życia.
Odbudowałem oryginał i od miesięcy uruchamiam go codziennie przez repozytorium, które już 2 317 osób obsadziło.
Oto szczery raport o tym, które pomysły v2 zasługują na swoje miejsce, a które są przesadzone i wyrwiecie je w tydzień.
Andrej Karpathy opublikował w zeszłym roku ogólny opis, jak prowadzi wiki utrzymywane przez LLM: surowe źródła pozostają nietknięte, AI posiada folder z notatkami markdown, a plik reguł mówi jej, jak pobierać, aktualizować i zapytywać. Odbudowałem ten wzór jako działający system i napisałem o tym, co oryginał pominął.
Od tego czasu pojawił się niewielki gatunek. Ludzie publikują "LLM Wiki v2" gist. Najbardziej współdzielony (przez programistę o pseudonimie rohitg00) dodaje ocenę pewności, łańcuchy supersesji, zapominanie krzywych, hybrydowe wyszukiwanie wektorowe oraz haki zdarzeń. Inne wersje mają ścieżki audytowe, pamięć wielopoziomową i oceny jakości.
Wygląda to jak prawdziwa aktualizacja. Większość z nich nie jest.
Nie teoretyzuję. Codziennie od miesięcy prowadzę odbudowaną wiki i udostępniłem ją jako obsydian-second-brain. Oto różnica między pomysłami v2, które przetrwały codzienne użycie, a tymi, które w ogóle wyglądają na mądre, a w praktyce umierają.
Najpierw to, co wszyscy dobrze rozumieją
Jeśli trafiłeś tu na zimno, wzór to trzy warstwy i naprawdę działa.
Po pierwsze: surowe źródła, niezmienne. Cokolwiek mu włożysz (artykuł, transkrypcję, spotkanie), trafia do folderu i nigdy nie jest edytowane. To jest twoja prawda.
Po drugie: wiki. Folder z notatkami markdown, które AI posiada i przepisuje. Nowe informacje nie są dodawane na dole. Jest on wklejany do istniejącej nuty, a sprzeczności są godzone.
Po trzecie: plik zasad. Jeden plik Markdown, który informuje AI, jak pobrać źródło, jak zaktualizować stronę, jak zapisać to, co zrobiła. An do nawigacji i tylko do dołączania do historii.index.md log.md
Powód, dla którego to lepsze niż wrzucenie wszystkiego do ogromnego okna kontekstu: wyselekcjonowana wiki z 50 000 do 100 000 tokenów odpowiada na większość pytań bez ładowania całego korpusu. Wydajesz żetony na odpowiedź, nie na stóg siana. Ta część jest prawdziwa i v2 tego nie zmienia.
Co "v2" właściwie oznacza teraz
Nie ma oficjalnej wersji 2. Smysł Karpathy'ego pozostaje jedyną kanoniczną specyfikacją. "v2" to wspólnotowa etykieta dla stosu proponowanych dodatków, które skupiają się w dwóch kategoriach.
Cechy ładu: wskaźniki zaufania do roszczeń, łańcuchy supersesji, więc stary fakt wskazuje na nowy, który go zastąpił, oraz "zapominanie krzywych", więc starze notatki się rozpadają zamiast gnić na miejscu.
Wyszukiwanie i infrastruktura: wyszukiwanie hybrydowe (słowa kluczowe plus osadzenia wektorowe), haki cyklu życia i zdarzeń, ocena jakości, pamięć wielopoziomowa.
Pierwszy kubeł dotyczy tego, czy wiki mówi prawdę. Druga dotyczy maszyn. Po miesiącach prowadzenia tego projektu, podział między nimi to dokładnie ten podział między tym, co działa, a tym, co jest przesadą.
Pomysły na v2 wysłałem i zachowałem
Kubełek zarządzania zasługuje na swoje miejsce. Każdy z tych elementów jest w systemie, który prowadzę.
Wskaźniki pewności. Każde twierdzenie, które pisze moja wiki, nosi tag:,, lub. Kosztuje prawie nic (jedno słowo na fakt) i zmienia sposób czytania. Gdy AI syntetyzuje między notatkami, twierdzenie traktowane jest jako cytat, a nie prawda. To jest najdroższy pomysł v2 o najwyższej wartości i nie wymaga żadnej infrastruktury.stated high low stated
Supersession, zrobione jako pojednanie. Gdy nowe źródło przeczy istniejącej notatce, wiki nie zachowuje obu i wzrusza ramionami. Polecenie je uzgadnia: notatka jest przepisywana na aktualną prawdę, a zmiana jest rejestrowana. Nie potrzebujesz formalnej struktury danych "łańcucha supersesji". Potrzebujesz, żeby AI faktycznie rozwiązało konflikt, zamiast go gromadzić.
Zapominająca krzywa, ale nudna. Wersja wymyślna obejmuje ścieżki spadku i znaczniki czasu. Moja jest prostsza: lekcje są powtarzane, a te, które przestały być prawdziwe, są przycinane. Notatki, które się gromadzą, stają się cmentarzem. Celem krzywej zapominania nie jest matematyka. Chodzi o to, że coś się usuwa.
Haczyki cyklu życia, jako agenci zaplanowani. Ten jest prawdziwy i prowadzę go. Agenci tła budzą się według harmonogramu i utrzymują wiki, gdy ja nie patrzę: pojednają sprzeczności, syntetyzują wzorce, oznaczają przestarzałe twierdzenia. Nie potrzebujesz abstrakcji z magistrali zdarzeń. Potrzebujesz crona i pliku reguł.
Pomysł z v2 pominąłem i dlaczego
Hybrydowe wyszukiwanie wektorowe to główna cecha niemal każdego gist-a v2. Próbowałem. Wyjąłem ją.
Oto coś, czego nikt piszący te analizy nie zmierzył: na poziomie wiki nie ma problemu z odzyskiwaniem informacji. Selekcjonowana wiki to od 50 000 do 100 000 tokenów. To mała sprawa. Grep plus read znajduje właściwą notatkę szybciej i bardziej przewidywalnie niż wyszukiwanie embedding, bez bazy wektorowej do hostowania, bez indeksu do utrzymania świeżości i bez debugowania "dlaczego zwrócił ten fragment".
Wyszukiwanie wektorowe zarabia na setkach tysięcy dokumentów. Osobista czy zespołowa wiki to nie jest to. Przykręcanie osadzeń na sejf o 200 banknotach to rozwiązanie problemu, którego nie masz, i płacenie za bazę danych, żeby to zrobić.
To samo dotyczy wielopoziomowej pamięci i rozbudowanych silników punktacji jakości. Są odpowiedziami na problemy ze skalą. Na poziomie, w którym wiki LLM jest faktycznie użyteczne, są one ważne.
Czego naprawdę wciąż brakuje
Szczerość działa w obie strony, więc oto luka, którą w2 gists też pomija.
Żaden z nich nie ma prawdziwej ochrony przed tym, by AI kłamało na temat tego, co jest w wiki. Przekonałem się tego na własnej skórze: gdy czytałem widełki mojego repozytorium, obca osoba dodała dokładnie to, czego mi brakowało. Najczęstszą porażką nie jest to, że AI wymyśla fakt. To AI mówi "nie ma notatki o tym", gdy jest, bo odpowiedziała z pamięci, zamiast faktycznie szukać.
To jest prawdziwa granica v2. Nie bardziej wyszukane wyszukiwanie. Reguła, która zmusza model do weryfikacji obecności i nieobecności poprzez wymienianie i greppowanie, nigdy z pamięci, zanim powie ci, że coś nie istnieje. Teraz łączę tę opaskę. Żaden wopis v2, który nie widziałem, by to uwzględniał.
Właściwa lekcja
Dyskurs v2 ma kierunek odwrotny. Traktuje tę aktualizację jak maszynę, którą dodajesz: magazyn wektorowy, silnik punktacji, hierarchię pamięci.
Wersja, która działa, jest odwrotna. To najmniejszy zestaw zasad, które sprawiają, że AI zachowuje własną prawdę. Pewność w każdym roszczeniu. Sprzeczności rozwiązane, nie gromadzone. Usunięto starze notatki. Agent, który wykonuje konserwację według harmonogramu. Wszystko to znajduje się w pliku reguł i żadne z tego nie wymaga bazy danych.
Pierwotna intuicja Karpathy'ego była taka, że wiki powinno być zwykłym markdownem, który należy do AI. Prawdziwa wersja 2 to szanuje. Nie zalewa go w infrastrukturze.
Cały system jest open source w obsidian-second-brain. Najpierw zbudowałem go dla siebie i warto przeczytać plik zasad. To tam faktycznie mieszka wersja 2.
Najczęściej zadawane pytania
Czym jest Wiki LLM Karpathy'ego?
Wzorzec, który Andrej Karpathy podzielił, pozwalając AI utrzymywać niewielką bazę wiedzy o cenzurach. Trzy warstwy: surowe źródła pozostają niezmienne, wiki z notatkami, które AI posiada i przepisuje, oraz plik reguł, który informuje ją, jak pobierać, aktualizować i zapytywać.
Czym jest "LLM Wiki v2"?
Wytwórnia społecznościowa, a nie oficjalne wydanie. Główny wątek Karpathy'ego jest nadal jedyną kanoniczną specyfikacją. "v2" odnosi się do dodawań, które ludzie proponują we własnych gistach: wskaźniki pewności, łańcuchy supersesji, zapominanie krzywych, hybrydowe wyszukiwanie wektorowe oraz haki cyklu życia.
Czy potrzebujesz wyszukiwania wektorowego do wiki LLM?
Nie, nie na poziomie wiki. Kuratorowana wiki to 50 000 do 100 000 tokenów, a grep plus read znajduje właściwą notę szybciej i bardziej przewidywalnie niż osadzenia, bez bazy danych do hostowania. Wyszukiwanie wektorowe zdobywa swoje miejsce wśród setek tysięcy dokumentów.
Które pomysły na v2 faktycznie warto dodać?
Te dotyczące zarządzania: tagi zaufania przy roszczeniach, uzgadnianie sprzeczności zamiast ich gromadzenia, usuwanie starych notatek oraz zaplanowany agent utrzymujący wiki. Każda z nich to kilka linii w pliku reguł, a nie nowa infrastruktura.
Jak duży może być wiki LLM, zanim się zepsuje?
Jest budowany dla małych, starannie wyselekcjonowanych korpusów, około 50 000 do 100 000 tokenów. Poza tym zaczynają mieć znaczenie cechy skale, które proponują gists v2. W rozmiarze, w którym wiki LLM jest najbardziej przydatna, są one ważne.
Gdzie mogę uzyskać działającą implementację?
Cały system jest open source jako obsidian-second-brain, umiejętność Claude Code na GitHubie.
Kluczowe wnioski
- Trójwarstwowy wzór Karpathy'ego (niezmienne źródła, wiki należące do AI, plik reguł) jest solidny i v2 go nie zmienia.
- "LLM Wiki v2" to wytwórnia społecznościowa, a nie oficjalne wydanie. Istota Karpathy'ego to wciąż jedyna kanoniczna specjalizacja.
- Pomysły v2, które warto zachować, to wszystkie zarządzanie: tagi zaufania, pojednanie, przycinanie i zaplanowani agenti. Każda z nich kosztuje kilka linii w pliku zasad.
- Hybrydowe wyszukiwanie wektorowe jest przesadą na skalę wiki. Grep plus read wygrywa wśród setek tysięcy dokumentów.
- Prawdziwą luką, którą nie pokrywa gist v2, jest ochrona przed fałszywą nieobecnością: AI twierdzi, że notatka nie istnieje, gdy jednak istnieje.
- Ulepszenie to zasady, które AI narzucuje sobie sama, a nie przymontowane maszyny.
Dalsza lektura
- Oryginalny smysł LLM na Wiki Andreja Karpathy'ego (2026-02)
- Smysł rohitg00 do Wiki v2 (2026-03)
- Odbudowałem Wiki LLM Karpathy'ego. Oto, czego brakuje w oryginale.
- Twoje notatki to cmentarz. Oto jak je przywrócić do życia.
- obsydian-second-brain na GitHub
O autorze
Eugeniu Ghelbur jest inżynierem automatyzacji AI w Single Grain, gdzie tworzy systemy AI produkcyjne dla procesów marketingowych i sprzedaży. Dostarcza otwartoźródłowe umiejętności Claude Code i pisze o zarządzaniu wiedzą AI w theaioperator.io. Opisana tutaj umiejętność obsydianowego drugiego mózgu jest dostępna na żywo na GitHubie w github.com/eugeniughelbur/obsidian-second-brain, gdzie została wyróżniona przez ponad 2300 deweloperów.
Subskrybuj The AI Operator
Autor: Eugeniu Ghelbur · Uruchomiony 2 lata temu · Uruchomiony 2 lata temu
Systemy agentów AI, napisane przez kogoś, kto wysyła je w produkcji.