LLM Knowledge Bases

🗒️ Description

Podejście do budowania personal knowledge base z wykorzystaniem LLM jako głównego “kompilatora” wiedzy. Zamiast ręcznie pisać i organizować notatki, LLM przetwarza surowe źródła (artykuły, papery, repozytoria) i kompiluje z nich wiki — kolekcję plików .md z podsumowaniami, backlinkami i artykułami tematycznymi.

Koncept opisał Andrej Karpathy w wątku na X (kwiecień 2026), a potem rozwinął w gist na GitHubie — „LLM Wiki”. Co ciekawe — ten vault działa dokładnie na tej zasadzie.

Core idea — Wiki vs RAG

Większość doświadczeń z LLM i dokumentami to RAG: upload plików, retrieval chunków, generowanie odpowiedzi. LLM odkrywa wiedzę od zera przy każdym pytaniu — nic się nie kumuluje. NotebookLM, ChatGPT file uploads i większość RAG systemów tak działają.

LLM Wiki to inne podejście: zamiast retrievować surowe dokumenty, LLM inkrementalnie buduje i utrzymuje persistent wiki — structured, interlinked collection of markdown files. Nowy source → LLM czyta, wyciąga kluczowe info, integruje z istniejącą wiki — aktualizuje entity pages, rewizuje summaries, flaguje sprzeczności. Wiki to persistent, compounding artifact — cross-references są gotowe, contradictions already flagged, synteza odzwierciedla wszystko.

User nigdy (lub rzadko) pisze wiki sam. LLM pisze i utrzymuje wszystko. User odpowiada za sourcing, eksplorację i zadawanie dobrych pytań.

🔗 Links

• Obsidian — IDE/frontend do przeglądania wiki
• Building a Second Brain — pokrewna metodologia organizacji wiedzy
• Zettelkasten — klasyczne podejście do linked notes
• Digital Garden — publikowanie wiedzy online
• Harness Engineering — konfiguracja agentów AI do efektywnej pracy z codebase i wiki

🧩 Features:

Architektura — trzy warstwy

Raw sources — curated collection of source documents. Artykuły, papery, obrazy, dane. Immutable — LLM czyta, ale nie modyfikuje. Source of truth.

Wiki — katalog LLM-generated markdown files. Summaries, entity pages, concept pages, comparisons, overview, synthesis. LLM owns this layer — tworzy strony, aktualizuje, utrzymuje cross-references, pilnuje spójności.

Schema — dokument konfiguracyjny (np. CLAUDE.md) który mówi LLM jak wiki jest zorganizowana, jakie konwencje obowiązują, jakie workflows stosować. User i LLM co-evolve ten plik w miarę jak discovery co działa najlepiej.

Operations

Ingest

• Nowy source trafia do raw collection
• LLM czyta, dyskutuje key takeaways z userem, pisze summary page, aktualizuje index, aktualizuje relevant entity i concept pages
• Jeden source może dotknąć 10-15 wiki pages
• Można ingestować jeden po jednym (z pełnym involvement) lub batch z mniejszym supervision

Query

• Pytania wobec wiki — LLM szuka relevant pages, czyta, syntezuje odpowiedź z cytowaniami
• Odpowiedzi mogą mieć różne formy: markdown page, comparison table, slide deck (Marp), chart (matplotlib), canvas
• Dobre odpowiedzi można filed back do wiki jako nowe strony — eksploracje compound w bazie wiedzy

Lint

• Periodyczny health-check: contradictions, stale claims, orphan pages, brakujące own pages dla ważnych concepts, missing cross-references, data gaps
• LLM sugeruje kolejne pytania do zbadania i nowe sources do znalezienia

Indexing & Logging

index.md — content-oriented catalog wiki. Każda strona z linkiem, one-line summary i metadata. Organizowany per category. LLM aktualizuje na każdy ingest. Przy query LLM czyta index → drills into relevant pages. Działa zaskakująco dobrze do ~100 sources, ~hundreds of pages — bez embeddings/RAG infra.

log.md — chronologiczny, append-only record (ingests, queries, lint passes). Z consistent prefix (np. ## [2026-04-02] ingest | Article Title) staje się parseable z unix tools.

CLI Tools

• Na większej skali warto zbudować search engine po wiki pages
• qmd — local search engine dla markdown z hybrid BM25/vector search i LLM re-ranking, on-device. CLI + MCP server.

Tips & tricks

• Obsidian Web Clipper — browser extension, konwersja artykułów na .md
• Download images locally — Obsidian Settings → Attachment folder path → fixed directory, hotkey do download attachments
• Obsidian graph view — najlepszy sposób na wizualizację kształtu wiki
• Marp — markdown-based slide decks, Obsidian plugin
• Dataview — queries po YAML frontmatter, dynamiczne tables i lists
• Wiki = git repo z .md files → version history, branching i collaboration za darmo

Dlaczego to działa

Nudna część utrzymania knowledge base to nie czytanie ani myślenie — to bookkeeping: aktualizacja cross-references, utrzymywanie summaries current, notowanie sprzeczności. Ludzie porzucają wiki bo maintenance burden rośnie szybciej niż value. LLM się nie nudzą, nie zapominają o cross-reference i mogą dotknąć 15 plików w jednym passie. Maintenance cost → ~0.

Idea pokrewna Vannevar Bush’s Memex (1945) — personal, curated knowledge store z associative trails. Bush nie mógł rozwiązać kto robi maintenance. LLM to rozwiązuje.

Use cases

• Personal: goals, health, self-improvement — journaling, articles, podcast notes
• Research: deep dive na temat, reading papers/reports, evolving thesis
• Reading a book: wiki per book z characters, themes, plot threads — companion wiki jak fan wikis
• Business/team: internal wiki maintained by LLMs, fed by Slack/meetings/docs
• Competitive analysis, due diligence, trip planning, course notes, hobby deep-dives

📖 Further reading

• Oryginalny wątek @karpathy na X
• LLM Wiki gist na GitHubie
• Autoresearch — powiązany projekt Karpathy’ego o autonomicznych agentach badawczych
• Agentic Engineering — Karpathy’s Sequoia talk where he names this project directly (“you can’t outsource understanding”)

---

Template: knowledge_note_info