Crea tu propia base de conocimientos con IA al estilo Karpathy sin programar

Si tienes FOMO, Karpathy te la volvió a jugar

La semana pasada, Andrej Karpathy publicó un tuit diciendo que ya no gasta la mayoría de sus tokens de IA en escribir código, sino en construir su base de conocimientos personal. Ese tuit alcanzó 17 millones de visualizaciones y se volvió viral en las comunidades de IA tanto en chino como en inglés.

El genio volvió a salir a generar FOMO, haciendo que todo el mundo quiera intentarlo.

Pero si realmente lo pruebas, te darás cuenta de que, aunque el método es muy potente en teoría, presenta muchos problemas en la ejecución.

Problema 1: Una barrera de configuración muy alta

El enfoque de Karpathy para construir una base de conocimientos con LLM consiste en: entregar el material original al LLM, sin usar RAG ni bases de datos vectoriales, confiando puramente en que el LLM lo "compile" en una base de conocimientos en markdown con resúmenes, enlaces bidireccionales e índices de conceptos.

Ese tuit tiene poco más de 600 palabras. Honestamente, para alguien que sabe programar, el proceso no es complejo.

Sin embargo, Karpathy, como ingeniero de élite, escribe unas cuantas líneas que parecen sencillas, pero que esconden una gran cantidad de "conocimiento tácito". De lo contrario, no habría tanta gente publicando tutoriales paso a paso tras su tuit.

Si abres esos tutoriales, verás que también están escritos por ingenieros. Aunque son detallados —cómo crear la estructura de carpetas raw/, wiki/, outputs/, cómo configurar Claude Code en la terminal, cómo escribir el system prompt para que el LLM genere el markdown con el formato correcto...

Pero los ingenieros son la minoría. La gran mayoría de los trabajadores del conocimiento enfrentan una curva de aprendizaje enorme con estos tutoriales, lo que explica por qué se generó tanto FOMO.

Blogueros, especialistas en marketing, estudiantes de posgrado escribiendo tesis, profesores preparando clases, inversores analizando tendencias... estas personas pasan sus días haciendo "recopilar información → comprender información → generar contenido". Ellos probablemente necesitan un sistema de conocimiento con IA más que los ingenieros. ¿Pero pedirles que configuren entornos de terminal, escriban markdown y ajusten prompts?

No es realista.

Como parte de la mayoría que no sabe programar, todavía tienes que superar el miedo a la terminal y a las líneas de comandos.

Las herramientas deben servir al usuario, no el usuario sacrificarse por la herramienta.

Problema 2: La "base de conocimientos" es una trampa

Karpathy usó LLM para reducir drásticamente el costo de "organizar la información". Antes teníamos que escribir resúmenes, etiquetar y crear enlaces nosotros mismos; ahora dejamos que el LLM lo haga, lo cual es un avance en la forma de crear un "segundo cerebro".

Pero el destino no ha cambiado: esa base de conocimientos solo sirve para "leer".

Si solo se usa para investigar y aprender, una "base de conocimientos organizada automáticamente" es más que suficiente.

Sin embargo, la esencia de los trabajadores del conocimiento es ser redactores de documentos, y la esencia de redactar documentos es ser creadores. El verdadero trabajo de todo trabajador del conocimiento no es recopilar saber, sino usar ese saber para crear contenido.

Todo el aprendizaje e investigación en el trabajo diario tiene como fin último producir contenido. Esto significa que tener una wiki impecable no nos ayuda a completar el trabajo final.

El concepto de "base de conocimientos" es un callejón sin salida elegante; solo obtienes la satisfacción falsa de "lo que ves es lo que tienes", pero no recibes la recompensa real que proviene de la "producción y entrega".

Por lo tanto, la esencia de estas bases de conocimientos es "productivity porn": simulan perfectamente el placer de "cosechar", pero no ofrecen resultados de productividad.

Permíteme ilustrar la diferencia con un escenario real.

Usemos el caso de Karpathy como ejemplo. Supongamos que trabajas en marketing para una empresa de IA, ves su tuit y quieres aprovechar la tendencia para crear una serie de contenidos sobre el tema.

Si sigues el método de Karpathy, tendrías que pasar por estos pasos:

1. Capturar su tuit, archivos de ideas y artículos de opinión relacionados mediante scripts y descargarlos en la carpeta raw/.
1. Instalar Node.js, instalar Claude Code en la terminal y escribir archivos de instrucciones para que Claude Code compile esos materiales en varios artículos de la wiki.
1. Descargar Obsidian u otro editor de markdown para poder ver una base de conocimientos estructurada sobre "LLM Knowledge Base".
1. Finalmente, abrir un documento en blanco y empezar a escribir tú mismo.

Nick Spisak demuestra la configuración de una base de conocimientos con LLM

Sin contar el paso 4, solo para los tres primeros necesitas saber usar la terminal, instalar Node.js, configurar API keys, escribir instrucciones de prompt, descargar Obsidian... Para la mayoría, antes de empezar a construir la base de conocimientos, la complejidad de las herramientas ya los habrá desanimado.

E incluso si logras que todo funcione, al llegar al paso 4, vuelves al punto de partida. La base de conocimientos te ayudó a entender el tema, pero escribir, buscar imágenes, publicar... todo eso todavía tienes que hacerlo desde cero.

Entonces, ¿existe un método que resuelva ambos problemas y permita construir fácilmente un "segundo cerebro" orientado a resultados?

Sí. El artículo que estás leyendo ahora mismo fue producido de esa manera. En todo el proceso solo utilicé una herramienta: YouMind. Aquí te muestro los pasos específicos:

¿Cómo se hace exactamente?

Paso 1: Recopilar materiales

Abre YouMind en tu navegador, crea un nuevo Board (puedes verlo como un espacio de proyecto) y guarda todos los materiales relacionados:

• Artículos web: pega el enlace y se captura el texto completo automáticamente.
• Videos de YouTube: pega el enlace y obtén subtítulos y contenido automáticamente.
• Tesis en PDF: súbelas directamente.
• Podcasts: pega el enlace y analiza el audio automáticamente.
• Tus propias ideas: escríbelas rápidamente en notas.

Esta es la carpeta raw/ de Karpathy, pero sin necesidad de descargar nada manualmente ni manipular el sistema de archivos.

Paso 2: Comprensión y diálogo con IA

Una vez guardados los materiales, puedes chatear directamente con la IA dentro del Board. El contexto de la IA son los materiales de primera mano que tú mismo seleccionaste sobre el tema, no información genérica de internet.

Puedes preguntarle:

• "¿Cuáles son las similitudes y diferencias entre los puntos clave de estos artículos?"
• "¿Cuál es la diferencia esencial entre el método de Karpathy y la metodología PARA de Tiago Forte?"
• "Basándote en estos materiales, ayúdame a extraer tres ángulos de temas que más valga la pena escribir".

Esto corresponde al proceso de compilación de la wiki de Karpathy. Pero la diferencia es que no tienes que esperar a que el LLM genere automáticamente toda una wiki, sino que guías activamente la dirección de tu comprensión a través del diálogo.

Paso 3: De la comprensión a la creación

Este paso es la línea divisoria clave. El flujo de trabajo de Karpathy termina en el paso anterior. En YouMind, puedes usar lenguaje natural para ordenar a la IA que pase de la comprensión a la creación:

• Basándote en los materiales y el diálogo, genera un borrador completo de un blog.
• Extrae del diálogo y la comprensión contenido corto apto para publicar en Twitter.
• Convierte los puntos centrales en una infografía visual.
• Crea directamente presentaciones (Slides).

Todos estos resultados se guardan en el mismo Board, junto con tus materiales y registros de chat. No son archivos aislados, sino diferentes nodos en la misma cadena de conocimiento.

Paso 4: El conocimiento sigue creciendo

Un Board no es algo que se usa y se tira. Puedes configurar tareas programadas para que YouMind capture automáticamente las actualizaciones de Twitter de Karpathy de forma periódica y las guarde en el mismo Board, logrando que el conocimiento crezca con interés compuesto.

Así es como debería ser un "segundo cerebro": no solo acumular, sino también producir.

Comparar el método de Karpathy con YouMind representa dos filosofías diferentes de "Segundo Cerebro con IA":

La verdadera solución a la ansiedad por la información

Para terminar, algo interesante.

Karpathy construyó una wiki de 400,000 palabras. Pero piénsalo, ¿qué es lo que cita todo el mundo? No es esa wiki, son sus tuits, sus videos, sus artículos. Sus archivos markdown solo los ve él; sus tuits los ven 12 millones de personas.

La verdadera base de conocimientos no es un sistema, es una persona.

Si escribes un artículo explicando un tema a fondo y otros guardan tu artículo o citan tu opinión, tú te conviertes en su base de conocimientos.

Ese es el antídoto para la ansiedad por el conocimiento. Las personas ansiosas llenan sus sistemas de información pensando que el sistema entenderá por ellas. Pero las personas influyentes comparten su comprensión, convirtiéndose en la fuente de información para los demás.

Los primeros siempre estarán ansiosos porque la información es infinita; los segundos no, porque ya han completado su comprensión a través de la expresión.

Así que la pregunta nunca ha sido "¿cómo construir una mejor base de conocimientos?", sino "¿cómo convertirme yo mismo en una base de conocimientos?". La respuesta es simple: producción constante.

Lo que hace YouMind es ayudarte a pasar de ser un consumidor de información a ser la fuente de la misma.

Este artículo y sus imágenes fueron creados conjuntamente por el editor y YouMind.