В апреле 2026 года Андрей Карпати предложил систему сбора персональных знаний LLM Wiki — она призвана реконструировать методы управления исследовательскими знаниями. Сообщение набрало более 20 миллионов просмотров и стало одним из самых обсуждаемых событий в сфере ИИ за месяц.
Парадигма использования LLM изменилась: из «инструмента диалога» модель превратилась в «систему производства знаний». Она активно участвует в организации знаний — создаёт структуру и обеспечивает их долгосрочную эволюцию. Суть системы в следующем: исходные материалы (статьи, код, веб‑страницы, изображения) распределяются по каталогу raw/, а LLM «компилирует» их в структурированную базу знаний wiki (в формате Markdown). При этом автоматически генерируются концептуальные страницы, страницы‑резюме и перекрёстные ссылки, поддерживается индексация и согласованность данных.
27 июня 2026 года разработчик RGK продолжил реализацию идеи Karpathy’s LLM Wiki. Он использовал Claude Code + Obsidian, чтобы создать исполняемую версию «системы второго мозга». В этой версии LLM напрямую подключён к локальной файловой системе и структуре базы знаний. Процесс «компиляции wiki» стал замкнутым циклом непрерывной автоматической работы проекта.
До появления решения Карпати многие возможности моделей, например Claude, использовались неэффективно. Пользователи сталкивались с тремя проблемами:
* сбои в хранении данных в памяти;
* неупорядоченное управление контекстом;
* закрытые интерфейсы выполнения.
Решение Claude Code + Obsidian устраняет эти недостатки. Например, проблема хранения в памяти решается так: обычно большая модель сохраняет контексты только в текущем диалоговом окне, а данные удаляются при завершении сеанса. В долгосрочных задачах каждый новый диалог требует перестройки исходной информации с нуля. В решении же Obsidian используется как единая база знаний — когнитивное состояние сохраняется через чтение и запись локальных файлов. Obsidian — это контент‑менеджер на основе локальной файловой системы (контент хранится в файлах Markdown, не зависит от баз данных или облака). Он умеет читать, записывать данные и напрямую взаимодействовать с внешними программами. Система заменяет контекстное окно модели масштабируемой файловой системой и переводит когнитивное состояние из «временного кэша» в «базу знаний долговременной памяти».
Проблема разрозненного управления контекстом тоже решается. Разрозненная информация снижает эффективную плотность знаний: появляются избыточность, повторения, противоречивые данные. Ресурсы знаний разбросаны по разным инструментам, а неоднородные формат и структура требуют фильтрации данных перед вызовом модели. Vault реконструирует механизм управления контекстом с помощью двухуровневой структуры каталогов:
* raw sources — исходный уровень для хранения необработанных данных (статьи, записи подкастов, отрывки из книг, материалы конференций и т. д.). Он сохраняет источник информации, но не участвует в рассуждениях;
* Ready — структурированный вывод. Здесь хранится высокоплотное представление знаний после удаления избыточных данных, сжатия, структурирования и установления семантических связей. Этот уровень используется Claude для вторичного чтения и анализа.
Суть проекта — «перегонка знаний» на уровне файловой системы: исходный шум отделяется от важного контекста. Модель перестала обрабатывать избыточную информацию на этапе логического вывода. Например, при вводе рукописи подкаста из 20 000 слов модель потребляла слишком много токенов. После сжатия до 2000 слов она переходит в пространство эффективных рассуждений — эффективность использования информации и стабильность выходных данных повышаются.
Ещё одна проблема традиционных инструментов ИИ — отсутствие прямой связи между ИИ и рабочей средой. Результаты мышления ИИ нельзя напрямую интегрировать в рабочий процесс человека: их нужно вручную копировать (например, в WORD или WPS) и повторно вводить в последующих задачах. Claude Code позволяет напрямую взаимодействовать с локальной файловой системой — выполнять операции чтения, обработки и записи информации в одной среде. Роль ИИ меняется: из «генератора информации» он превращается в облегчённого агента, который участвует в выполнении задач.
Метод работы тоже изменился. Раньше процесс включал несколько шагов:
1. Инициирование проблемы.
2. Получение выходных данных ИИ.
3. Ручная передача данных.
4. Повторная сортировка.
5. Повторный ввод.
Теперь процесс выглядит так:
1. Инициирование намерения задачи.
2. Непосредственное включение ИИ в процесс выполнения.
3. Автоматическая обработка информации и формирование результатов.
4. Возврат готовых результатов.
Пример: при задании «Сравните и проанализируйте эти три статьи по спекулятивной расшифровке и выведите ключевые различия и выводы» ИИ выполняет считывание данных, структурный анализ, генерацию результатов и выдаёт готовые данные.
Внедрение «самоитеративных возможностей замкнутого цикла» в Claude Code + Obsidian решает проблемы сбоев в работе памяти, нарушения контекста и фрагментации выполнения. Ключевой элемент решения — механизм периодической проверки работоспособности знаний: Claude регулярно просматривает базу знаний, выявляет противоречивую информацию, помечает контент с истёкшим сроком годности, устраняет пробелы в знаниях и выдаёт структурированные отчёты о проверке. Система превращается из пассивного хранилища в постоянно развивающуюся когнитивную структуру.
Obsidian + Claude Code оптимизирует стоимость токенов. Исходные данные обрабатываются один раз, структурированные результаты хранятся в папке Ready. При решении будущих задач модель может напрямую вызывать организованный путь к знаниям. По мере совершенствования графа знаний стоимость подготовки данных и потребление токенов снижаются, а качество ответов улучшается.
04AI — недорогая быстрорастущая когнитивная система: люди устанавливают правила, ИИ отвечает за эксплуатацию и техобслуживание. Достаточно один раз создать базовый фреймворк — система будет развиваться самостоятельно. Информация и взаимодействия становятся питательной средой для итераций системы.
Методология 04AI включает:
* постоянное хранилище для устранения сбоев в памяти;
* иерархическое управление для обеспечения качества контекста;
* вызов инструментов для запуска замкнутого цикла выполнения;
* замкнутый цикл обратной связи для самообеспечения;
* повторение и распределение активов для оптимизации долгосрочных затрат.
Ключевой барьер для конкуренции — способность создать когнитивную систему ИИ для устойчивого роста.
Подписаться в Макс
