Os codificadores de vibração de IA têm mais um motivo para agradecer a Andrej Karpathy, o criador do termo. O ex-diretor de IA da Tesla e cofundador da OpenAI, agora executando seu próprio projeto independente de IA, postou recentemente no X descrevendo um "Bases de conhecimento LLM" abordagem que ele está usando para gerenciar vários tópicos de interesse de pesquisa. Ao construir um registro persistente de seus projetos mantido pelo LLM, Karpathy está resolvendo a principal frustração de "apátrida" Desenvolvimento de IA: a temida redefinição do limite de contexto. Como qualquer pessoa que tenha vibe coded pode atestar, atingir um limite de uso ou encerrar uma sessão muitas vezes parece uma lobotomia para o seu projeto. Você é forçado a gastar tokens (e tempo) valiosos reconstruindo o contexto da IA, esperando que ela "lembra" as nuances arquitetônicas que você acabou de estabelecer. Karpathy propõe algo mais simples, mais flexível e desordenadamente elegante do que a solução empresarial típica de um banco de dados vetorial e pipeline RAG. Em vez disso, ele descreve um sistema onde o próprio LLM atua como um "bibliotecário de pesquisa"— compilar, lintar e interligar ativamente arquivos Markdown (.md), o formato de dados mais compacto e compatível com LLM. Ao desviar uma parte significativa de seu "taxa de transferência de token" na manipulação de conhecimento estruturado em vez de código padronizado, Karpathy apresentou um plano para a próxima fase do "Segundo Cérebro"—um que é auto-recuperável, auditável e totalmente legível por humanos. Além do RAG Nos últimos três anos, o paradigma dominante para dar aos LLMs acesso a dados proprietários tem sido Geração Aumentada de Recuperação (RAG). Em uma configuração RAG padrão, os documentos são divididos em "pedaços," convertidos em vetores matemáticos (embeddings) e armazenados em banco de dados especializado. Quando um usuário faz uma pergunta, o sistema executa uma "pesquisa de similaridade" para encontrar os pedaços mais relevantes e inseri-los na abordagem do LLM.Karpathy, que ele chama Bases de conhecimento LLMrejeita a complexidade dos bancos de dados vetoriais para conjuntos de dados de médio porte. Em vez disso, depende da capacidade crescente do LLM de raciocinar sobre textos estruturados. A arquitetura do sistema, conforme visualizada pelo usuário X @himanshu em parte das reações mais amplas à postagem de Karpathy, funciona em três estágios distintos: Ingestão de dados: Matérias-primas – artigos de pesquisa, repositórios GitHub, conjuntos de dados e artigos da web – são despejados em um raw/ diretório. Karpathy utiliza o Obsidiana Web Clipper para converter conteúdo da web em Markdown (.md), garantindo que até mesmo as imagens sejam armazenadas localmente para que o LLM possa referenciá-las por meio de recursos de visão. A etapa de compilação: Esta é a inovação central. Em vez de apenas indexar os arquivos, o LLM "compila" eles. Ele lê os dados brutos e escreve um wiki estruturado. Isso inclui a geração de resumos, a identificação de conceitos-chave, a autoria de artigos em estilo enciclopédico e, o que é crucial, a criação de backlinks entre ideias relacionadas. Manutenção Ativa (Linting): O sistema não é estático. Karpathy descreve corrida "exames de saúde" ou "enrolado" passagens onde o LLM verifica o wiki em busca de inconsistências, dados ausentes ou novas conexões. Como membro da comunidade Charly Wargnier observado, "Ele atua como uma base viva de conhecimento de IA que realmente se cura." Ao tratar os arquivos Markdown como "fonte da verdade," Karpatia evita o "caixa preta" problema de incorporação de vetores. Cada afirmação feita pela IA pode ser rastreada até um ponto específico .md arquivo que um ser humano pode ler, editar ou excluir. Implicações para a empresa Embora a configuração do Karpathy seja atualmente descrita como um "coleção hacky de scripts," as implicações para a empresa são imediatas. Como observou o empresário Vamshi Reddy (@tammireddy) em resposta ao anúncio: "Cada empresa possui um diretório raw/. Ninguém nunca compilou isso. Esse é o produto." Karpathy concordou, sugerindo que esta metodologia representa uma "novo produto incrível" categoria. A maioria das empresas atualmente "afogar" em dados não estruturados – registros do Slack, wikis internos e relatórios em PDF que ninguém tem tempo de sintetizar. UM "Estilo Karpatia" a camada empresarial não pesquisaria apenas esses documentos; seria o autor ativo de um "Bíblia da Empresa" que é atualizado em tempo real. Como o educador de IA e autor do boletim informativo Ole Lehmann colocou no X: "acho que quem empacota isso para pessoas normais está sentado em algo enorme. um aplicativo que sincroniza com as ferramentas que você já usa, seus favoritos, seu aplicativo de leitura posterior, seu aplicativo de podcast, seus tópicos salvos." Eugen Alpeza, cofundador e CEO da construtora de agentes empresariais de IA e startup de orquestração Edra, observou em uma postagem X que: "O salto do wiki de pesquisa pessoal para as operações empresariais é onde tudo se torna brutal. Milhares de funcionários, milhões de registros, conhecimento tribal que se contradiz entre equipes. Na verdade, há espaço para um novo produto e estamos construindo-o na empresa." À medida que a comunidade explora o "Padrão Karpatia," o foco já está mudando da pesquisa pessoal para a orquestração multiagente. Uma recente análise arquitetônica de @jumperz, fundador da plataforma de criação de agentes de IA Secondmate, ilustra essa evolução por meio de um "Base de conhecimento do enxame" que dimensiona o fluxo de trabalho do wiki para um sistema de 10 agentes gerenciado via OpenClaw. O principal desafio de um enxame multiagente – onde uma alucinação pode se agravar e "infectar" a memória coletiva – é abordada aqui por um dedicado "Portão de qualidade." Utilizando o modelo Hermes (treinado pela Nous Research para avaliação estruturada) como supervisor independente, cada rascunho do artigo é pontuado e validado antes de ser promovido ao "ao vivo" wiki. Este sistema cria um "Loop Composto": os agentes despejam os resultados brutos, o compilador os organiza, o Hermes valida a verdade e os briefings verificados são retornados aos agentes no início de cada sessão. Isto garante que o enxame nunca "acorda em branco," mas, em vez disso, inicia cada tarefa com

Resumo de mergulho: A Elf Cosmetics está mergulhando no mundo do crime verdadeiro com o lançamento de um novo falso documentário chamado “Vanity

The baton of open source AI models has been passed on between several companies over the years since ChatGPT debuted in late 2022,

À medida que a IA generativa amadurece de uma novidade para um elemento básico no local de trabalho, surge um novo ponto de

Uma marca global de beleza transfere uma parte significativa do seu orçamento de mídia para influenciadores e canais sociais para acelerar o crescimento

O CEO da CrowdStrike, George Kurtz, destacou em sua palestra na RSA Conference 2026 que o tempo de fuga do adversário mais rápido

Provedores de serviços ficaram com a maior parte das vendas, que tiveram como destino o Brasil e, também, vários países da América A

Ouça o artigo 5 minutos Este áudio é gerado automaticamente. Por favor, deixe-nos saber se você tiver comentários. Embora se espere que os

For three decades, the web has existed in a state of architectural denial. It is a platform originally conceived to share static physics