--- title: LLM Wiki do Karpathy: O Report Completo — Ratos de IA description: 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 muda pra quem usa IA no dia a dia. url: https://ratosdeia.com.br/reports/llm-wiki-karpathy/ --- Dudu / Ratos de IA Report de pesquisa · 09 de abril de 2026 # LLM Wiki do Karpathy: o segundo cérebro que se mantém sozinho 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. **54K** likes no tweet **18.8M** views **20+** posts no X **30+** páginas analisadas * * * O que é ## O que o Karpathy propôs 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. "A parte chata de manter uma base de conhecimento nunca foi ler ou pensar. É a burocracia: atualizar links, reorganizar, manter consistência. O LLM faz isso sem cansar." 1 **Tu joga material bruto numa pasta** (artigos, PDFs, tweets, anotações). Tudo em `/raw` 2 **A IA "compila" uma wiki** a partir desse material: cria artigos, resume, categoriza, linka conceitos entre si 3 **Tu pergunta coisas** e a IA responde usando a wiki que ela mesma construiu 4 **A wiki cresce sozinha.** Cada novo material adicionado atualiza 10-15 páginas automaticamente 5 **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. * * * Arquitetura ## As 3 camadas + 3 operações O Karpathy publicou um [gist no GitHub](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f) com a arquitetura completa. A sacada: separar material bruto, wiki compilada e regras. 📁 ### Fontes Brutas raw/ Artigos, papers, repos, tweets. O LLM lê mas **nunca modifica**. Fonte da verdade imutável. 📓 ### A Wiki wiki/ Arquivos .md escritos e mantidos 100% pela IA. Resumos, artigos, conceitos, backlinks. O "segundo cérebro". ⚙️ ### O Schema CLAUDE.md / config Regras de como a IA estrutura a wiki: convenções de nome, categorias, formato, workflow. As 3 operações: 📥 ### Ingest A IA lê material novo, cria resumo, atualiza índice, revisa páginas relacionadas. **1 fonte pode tocar 10-15 páginas.** 🔍 ### Query Tu pergunta, a IA busca nas páginas relevantes, sintetiza e responde com citações. Boas respostas viram páginas novas. 🔧 ### Lint 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. * * * Comparativo ## LLM Wiki vs RAG: quando usar cada um Muito dev tratou como "RAG morreu". A realidade é mais nuançada. São ferramentas pra problemas diferentes. ### LLM Wiki Karpathy pattern AnalogiaBibliotecário que escreve o livro-resumo Quando processaCompile-time (ao adicionar material) Escala~100-200 artigos InfraZero. Só arquivos .md AcúmuloSim. Cada fonte melhora tudo AuditávelTudo é .md legível Multi-usuárioNão. Conflitos de escrita SetupHoras CustoTokens + nada Ideal pra: pesquisa pessoal, estudo, projetos individuais ### RAG Tradicional Vector DB + embeddings AnalogiaGoogle interno que busca trechos Quando processaQuery-time (a cada pergunta) EscalaMilhões de documentos InfraVector DB + pipeline AcúmuloNão. Cada query parte do zero AuditávelParcial. Embeddings = caixa preta Multi-usuárioSim. Leitura concorrente SetupDias a semanas CustoDB + embeddings + infra + tokens Ideal pra: enterprise, multi-usuário, milhões de docs **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. * * * Ecossistema ## O que a galera já construiu em cima Em menos de uma semana do tweet, surgiram repos, plugins e até produtos pagos. O ecossistema tá se formando rápido. #### Farzapedia @FarzaTV Wikipédia pessoal construída por IA a partir de diário e anotações. Karpathy elogiou. Já virou produto pago. 1.7M views 4.6K likes #### Graphify @socialwithaayan Transforma qualquer pasta em knowledge graph visual + wiki Obsidian com um comando. 895K views 12.6K likes #### second-brain @NickSpisak\_ · Open source Implementação do padrão LLM Wiki pro Obsidian. Funciona com Claude Code, Codex e Gemini CLI. 2.3M views 4.9K likes #### Hermes + LLM Wiki @Teknium / Nous Research Integraram o padrão como skill nativa do Hermes Agent. O agente monta um knowledge vault de pesquisa automaticamente. 426K views 3.5K likes #### qmd Tobi Lütke (CEO Shopify) Search engine local pra markdown. Busca híbrida BM25 + vetores, re-ranking por LLM, tudo local. Tem MCP server. #### claude-obsidian Open source · GitHub Plugin Claude + Obsidian com comandos /wiki, /save e /autoresearch. Wiki persistente que compõe a cada uso. * * * O que estão dizendo ## Reações da comunidade Sentimento geral: entusiasmo real, mas com pé no chão. "Every business has a raw/ directory. Nobody's ever compiled it. That's the product." Vamshi Reddy · X "Karpathy described a billion-dollar product. Raw data in, compiled wiki out, queries that compound." @techNmak · X "Just markdown, FTS5, and grep. No vector DB, no embeddings pipeline. The knowledge compounds." Jason Paul Michaels · VentureBeat "Separate your personal and agent vaults. Otherwise the agent's output contaminates your own notes." @kepano (dev do Obsidian) · X · 2.9K likes "Karpathy's idea killed RAG? No. It killed the excuse for not organizing your knowledge." @minchoi · X · 1.3K likes Lex Fridman também compartilhou que usa setup parecido (Obsidian + Cursor) pra pesquisa de podcasts. * * * Limitações ## Onde o padrão quebra O próprio Karpathy chamou o setup dele de "coleção hacky de scripts". #### Escala limitada Funciona até ~100-200 artigos. Acima de 50-100K tokens, o índice não cabe no contexto e tu precisa de busca externa. #### Zero controle de acesso Arquivos .md numa pasta. Sem RBAC, sem permissões por usuário. Inviável pra dados sensíveis de empresa. #### Risco de alucinação Se a IA escreve algo errado na wiki e ninguém revisa, o erro "infecta" respostas futuras. #### Sem multi-usuário Duas pessoas editando = conflitos. Sem banco de dados, não resolve escrita concorrente. #### Manutenção manual O lint depende de tu lembrar de rodar. Não tem pipeline automático como RAG. #### Segurança frágil 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. * * * Tendências ## O que isso sinaliza pro mercado 01 ### De chat pra compilação O uso mais valioso da IA não é responder perguntas em tempo real. É processar informação ANTES de tu precisar. Compile-time > query-time. 02 ### "Idea files" em vez de código 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. 03 ### Obsidian como OS do conhecimento Markdown local + LLM = combo poderoso. O CEO da Shopify e o dev do Obsidian já estão nessa. * * * Opinião ## Meu take ### O que eu acho de verdade sobre isso 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. ### Quer aprender a montar isso na prática? No curso Claude Code OS a gente ensina a configurar agentes, memória persistente, skills e workflows completos no Claude Code. [Conhecer o curso](https://ratosdeia.com.br/claudeos/?utm_source=report&utm_medium=cta&utm_campaign=llm-wiki-karpathy) * * * Fontes ## Referências #### Fonte primária [Tweet original do Karpathy (54K likes)](https://x.com/karpathy/status/2039805659525644595) [Follow-up: "idea file" (25K likes)](https://x.com/karpathy/status/2040470801506541998) [GitHub Gist: llm-wiki](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f) #### Análises [VentureBeat: Karpathy bypasses RAG](https://venturebeat.com/data/karpathy-shares-llm-knowledge-base-architecture-that-bypasses-rag-with-an) [Atlan: LLM Wiki vs RAG](https://atlan.com/know/llm-wiki-vs-rag-knowledge-base/) [Epsilla: Did LLM Wiki Kill RAG?](https://www.epsilla.com/blogs/llm-wiki-kills-rag-karpathy-enterprise-semantic-graph) [Antigravity: Complete Guide](https://antigravity.codes/blog/karpathy-llm-wiki-idea-file) [MindStudio: LLM Wiki + Claude Code](https://www.mindstudio.ai/blog/andrej-karpathy-llm-wiki-knowledge-base-claude-code) #### Ferramentas [second-brain (GitHub)](https://github.com/NicholasSpisak/second-brain) [obsidian-wiki (GitHub)](https://github.com/Ar9av/obsidian-wiki) [llm-wiki-agent (GitHub)](https://github.com/SamurAIGPT/llm-wiki-agent) [claude-obsidian (GitHub)](https://github.com/AgriciDaniel/claude-obsidian) #### Discussões no X [@FarzaTV: Farzapedia (1.7M views)](https://x.com/FarzaTV/status/2040563939797504467) [@socialwithaayan: Graphify (895K views)](https://x.com/socialwithaayan/status/2041192946369007924) [@Teknium: Hermes + Wiki (426K views)](https://x.com/Teknium/status/2041370915012071577) [@kepano: Separar vaults pessoal/agente](https://x.com/kepano/status/2039831289533227446) [@lexfridman: Setup parecido pra podcasts](https://x.com/lexfridman/status/2039841897066414291) [✕ quer usar o Claude Code pra *toda* a operação, não só pesquisa? curso Claude Code OS — do zero ao sistema completo ver curso → ](https://ratosdeia.com.br/claudeos/?utm_source=report&utm_medium=llm-wiki-karpathy&utm_campaign=float)