O tweet que viralizou com 18 milhões de views, as ferramentas que surgiram em menos de uma semana, onde o padrão quebra e o que isso muda pra quem já usa IA no dia a dia.
Em 3 de abril de 2026, Andrej Karpathy (co-fundador da OpenAI, ex-diretor de IA da Tesla) publicou uma ideia simples que explodiu: parar de usar IA pra gerar código e começar a usar pra construir uma base de conhecimento pessoal que se mantém sozinha.
Hoje, quando tu pergunta algo pra uma IA, ela busca a resposta do zero toda vez. Se tu tem 50 PDFs, 30 artigos e 20 anotações, o modelo precisa re-ler tudo a cada pergunta. Não tem acúmulo. O conhecimento não compõe. O LLM Wiki muda isso: a IA lê uma vez, organiza tudo numa wiki estruturada em markdown, e depois só consulta o que já compilou.
Tu joga material bruto numa pasta (artigos, PDFs, tweets, anotações). Tudo em /raw
A IA "compila" uma wiki a partir desse material: cria artigos, resume, categoriza, linka conceitos entre si
Tu pergunta coisas e a IA responde usando a wiki que ela mesma construiu
A wiki cresce sozinha. Cada novo material adicionado atualiza 10-15 páginas automaticamente
A IA faz "linting" periódico: busca contradições, links quebrados, informação desatualizada e corrige
Resultado do Karpathy: ~100 artigos e ~400.000 palavras sobre um único tema, sem escrever uma linha manualmente.
O Karpathy publicou um gist no GitHub com a arquitetura completa. A sacada: separar material bruto, wiki compilada e regras.
Artigos, papers, repos, tweets. O LLM lê mas nunca modifica. Fonte da verdade imutável.
Arquivos .md escritos e mantidos 100% pela IA. Resumos, artigos, conceitos, backlinks. O "segundo cérebro".
Regras de como a IA estrutura a wiki: convenções de nome, categorias, formato, workflow.
As 3 operações:
A IA lê material novo, cria resumo, atualiza índice, revisa páginas relacionadas. 1 fonte pode tocar 10-15 páginas.
Tu pergunta, a IA busca nas páginas relevantes, sintetiza e responde com citações. Boas respostas viram páginas novas.
Check-ups periódicos: contradições, claims desatualizados, páginas órfãs, links faltando. A wiki se auto-cura.
Frontend: Obsidian. Backend: qualquer agente de código (Claude Code, Codex, Gemini CLI). Formato: Markdown puro. Zero vendor lock-in.
Muito dev tratou como "RAG morreu". A realidade é mais nuançada. São ferramentas pra problemas diferentes.
Ponto de inflexão: a partir de ~50-100K tokens, o índice da wiki não cabe no contexto do modelo. Aí o RAG volta a fazer sentido. Abaixo disso, a wiki é mais simples e eficiente.
Em menos de uma semana do tweet, surgiram repos, plugins e até produtos pagos. O ecossistema tá se formando rápido.
Wikipédia pessoal construída por IA a partir de diário e anotações. Karpathy elogiou. Já virou produto pago.
Transforma qualquer pasta em knowledge graph visual + wiki Obsidian com um comando.
Implementação do padrão LLM Wiki pro Obsidian. Funciona com Claude Code, Codex e Gemini CLI.
Integraram o padrão como skill nativa do Hermes Agent. O agente monta um knowledge vault de pesquisa automaticamente.
Search engine local pra markdown. Busca híbrida BM25 + vetores, re-ranking por LLM, tudo local. Tem MCP server.
Plugin Claude + Obsidian com comandos /wiki, /save e /autoresearch. Wiki persistente que compõe a cada uso.
Sentimento geral: entusiasmo real, mas com pé no chão.
"Every business has a raw/ directory. Nobody's ever compiled it. That's the product."
"Karpathy described a billion-dollar product. Raw data in, compiled wiki out, queries that compound."
"Just markdown, FTS5, and grep. No vector DB, no embeddings pipeline. The knowledge compounds."
"Separate your personal and agent vaults. Otherwise the agent's output contaminates your own notes."
"Karpathy's idea killed RAG? No. It killed the excuse for not organizing your knowledge."
Lex Fridman também compartilhou que usa setup parecido (Obsidian + Cursor) pra pesquisa de podcasts.
O próprio Karpathy chamou o setup dele de "coleção hacky de scripts".
Funciona até ~100-200 artigos. Acima de 50-100K tokens, o índice não cabe no contexto e tu precisa de busca externa.
Arquivos .md numa pasta. Sem RBAC, sem permissões por usuário. Inviável pra dados sensíveis de empresa.
Se a IA escreve algo errado na wiki e ninguém revisa, o erro "infecta" respostas futuras.
Duas pessoas editando = conflitos. Sem banco de dados, não resolve escrita concorrente.
O lint depende de tu lembrar de rodar. Não tem pipeline automático como RAG.
Arquivos de texto são facilmente copiados. Funcionário saindo leva a base inteira num pen drive.
Resumo honesto: é um pattern pessoal e de times pequenos. Pra enterprise com milhões de docs, compliance e multi-usuário, ainda precisa de infra real.
O uso mais valioso da IA não é responder perguntas em tempo real. É processar informação ANTES de tu precisar. Compile-time > query-time.
Karpathy compartilhou a ideia, não o código. Na era dos agentes, tu compartilha o conceito e a IA do outro constrói a implementação pro contexto dele.
Markdown local + LLM = combo poderoso. O CEO da Shopify e o dev do Obsidian já estão nessa.
Acompanho o Karpathy faz tempo e essa foi a coisa mais prática que ele publicou nos últimos meses. Não é teoria, não é paper. É um cara que fundou a OpenAI dizendo "olha, eu parei de usar IA pra código e tô usando pra organizar o que eu sei". Isso diz muito.
A sacada real não é técnica. É comportamental. A gente já tem a ferramenta (qualquer agente de código), já tem o formato (markdown), já tem o frontend (Obsidian). O que faltava era alguém com credibilidade dizer: "a parte mais valiosa da IA não é gerar código, é compilar conhecimento". E o Karpathy fez isso.
Agora, sem ilusão: isso funciona pra quem já tem o hábito de ler, pesquisar e salvar material. Se tu não alimenta a pasta /raw, a wiki fica vazia. A IA não inventa conhecimento. Ela organiza o teu. E não substitui RAG pra empresa grande. São coisas diferentes.
Pra quem tá no Claude Code, isso é muito natural. Tu já tem CLAUDE.md, já tem memória, já tem skills. O LLM Wiki é basicamente levar essa lógica pra qualquer área da tua vida: saúde, finanças, pesquisa, projetos. O agente vira teu bibliotecário pessoal.
No curso Claude Code OS a gente ensina a configurar agentes, memória persistente, skills e workflows completos no Claude Code.
Conhecer o curso