100 mil personas marcaron la https://x.com/@karpathypublicación de https://x.com/@karpathy@karpathy https://x.com/karpathy/status/2039805659525644595:
Luego publicó un GitHub Gist completo. Más de 5.000 estrellas. Más de 1.400 forks. Dos días.
La mayoría también lo marcará como favorito. Y luego no hará nada.
No porque sea difícil. Sino porque nadie les dio las indicaciones exactas.
Voy a solucionarlo.
Te guiaré por el sistema completo, te daré indicaciones listas para copiar y pegar en cada paso, y te diré dónde falla esto para que no pierdas un fin de semana en algo que se desmorona a escala.
"El trabajo del humano es seleccionar fuentes, dirigir el análisis, hacer buenas preguntas y reflexionar sobre lo que todo significa. El trabajo del LLM es todo lo demás." — Andrej Karpathy
El Concepto (Versión en 60 segundos)
Tienes conocimiento disperso por todas partes. Artículos guardados en 4 aplicaciones. Marcadores de 2023 que nunca volverás a visitar. Notas de reuniones que viven en una carpeta que olvidaste que existía.
Ahora mismo, cuando le preguntas a la IA sobre tus cosas, empieza desde cero cada vez. Subes documentos, haces una pregunta, obtienes una respuesta. ¿La siguiente sesión? Lo ha olvidado todo. Así funcionan las cargas de archivos de ChatGPT, NotebookLM y la mayoría de los sistemas RAG. Cero acumulación.
La idea de Karpathy invierte esto.
En lugar de que la IA busque en tus archivos sin procesar cada vez, la IA lee tus fuentes una vez y compila una wiki estructurada. Resúmenes, referencias cruzadas, conexiones entre ideas, contradicciones señaladas.
Todo mantenido por la IA. Todo en archivos markdown simples.
La próxima vez que hagas una pregunta, la IA no escarba en documentos sin procesar. Lee la wiki que ya construyó.
Las conexiones ya están ahí.
La síntesis ya refleja todo lo que has leído.
Cada nueva fuente que añades enriquece la wiki. Cada pregunta que haces puede archivarse de nuevo. El conocimiento se acumula en lugar de reiniciarse.
Su resultado: ~100 artículos, ~400.000 palabras sobre un solo tema de investigación. No escribió ni una palabra de ello. La IA escribió, vinculó, categorizó y mantuvo todo.
Sin base de datos. Sin embeddings. Sin almacenamiento vectorial. Solo carpetas y archivos de texto.
¿Por Qué Debería Importarte?
Tres casos de uso que importan ahora mismo:
Si eres creador o especialista en marketing, esto es un motor de investigación de contenido. Vierte análisis de la competencia, artículos de tendencia, información sobre la audiencia en raw/. La wiki revela patrones y ángulos que nunca encontrarías manualmente.
Si eres fundador o consultor, este es tu segundo cerebro para trabajo con clientes, investigación de mercado o análisis competitivo. Cada informe que generas retroalimenta el sistema. Para el mes 3, tu IA conoce tu dominio mejor que la mayoría de los empleados.
Si eres estudiante o investigador, esto es para lo que Karpathy realmente lo construyó. Investigación profunda en docenas de artículos, con la IA rastreando cómo se conectan las ideas, dónde discrepan los autores y qué brechas quedan.
*Esto también se puede usar para muchos flujos de trabajo de I+D empresarial.
Antes de Construir: Lo Que Necesitas
→ Cualquier herramienta de codificación con IA que lea archivos locales (Claude Code, Cursor, Codex o similar)
→ Un editor de texto (se recomienda Obsidian, pero VS Code, Notepad, cualquier cosa funciona)
→ 10+ documentos fuente sobre un tema que te importe
→ 30 minutos para la configuración inicial, luego 10 minutos por fuente
Eso es todo. Sin software especial. Sin cuentas que crear. Sin plugins que instalar.
El resto de este artículo es la construcción. 7 pasos. Cada paso tiene la indicación exacta que pegarás en tu IA. Síguelos en orden.
Paso 1: Crear la Estructura de Carpetas (2 Minutos)
Crea esto en cualquier lugar de tu máquina:
1my-knowledge-base/2├── raw/ # Tu material fuente. La IA lo lee pero nunca lo modifica.3│ └── assets/ # Imágenes, capturas de pantalla, diagramas4├── wiki/ # Wiki mantenida por la IA. Tú lees. La IA escribe.5├── outputs/ # Informes, análisis, respuestas de consultas6└── CLAUDE.md # El archivo de esquema que hace que todo esto funcione
Tres carpetas, un archivo. Si estás invirtiendo más de 2 minutos aquí, le estás dando demasiadas vueltas.
Paso 2: Escribe tu Archivo de Esquema (El Paso Que Todos Omiten. No Lo Hagas.)
El esquema es la diferencia entre un chatbot genérico y un mantenedor de wiki disciplinado.
Le dice a tu IA de qué trata la base de conocimiento, cómo organizarla y qué hacer cuando agregas fuentes, haces preguntas o ejecutas mantenimiento.
Todas las otras guías te dan una plantilla de 10 líneas. Aquí está el esquema de producción completo, basado en el gist de Karpathy, diseñado para uso real:
1# Esquema de la Base de Conocimiento23## Identidad4Esta es una base de conocimiento personal sobre [TU TEMA].5Mantenida por un agente LLM. El humano selecciona fuentes y hace preguntas. El LLM hace todo lo demás.67## Arquitectura8- raw/ contiene documentos fuente inmutables. NUNCA modifiques archivos en raw/.9- wiki/ contiene la wiki compilada. El LLM posee este directorio por completo.10- outputs/ contiene informes generados, análisis y respuestas a consultas.1112## Convenciones de la Wiki13- Cada tema tiene su propio archivo .md en wiki/14- Cada archivo de wiki comienza con frontmatter YAML:15 ---16 title: [Nombre del Tema]17 created: [Fecha]18 last_updated: [Fecha]19 source_count: [Número de fuentes sin procesar que informaron esta página]20 status: [borrador | revisado | necesita_actualización]21 ---22- Después del frontmatter, un resumen de un párrafo23- Usa [[nombre-del-tema]] para enlaces internos entre páginas de la wiki24- Cada afirmación factual cita su fuente: [Fuente: filename.md]25- Cuando nueva información contradice contenido existente, márcalo explícitamente:26 > CONTRADICCIÓN: [afirmación antigua] vs [afirmación nueva] de [fuente]2728## Índice y Registro29- wiki/index.md enumera cada página con una descripción de una línea, por categoría30- wiki/log.md es un registro cronológico de solo añadido31- Formato de entrada del registro: ## [AAAA-MM-DD] acción | Descripción32 (Acciones: ingest, query, lint, update)3334## Flujo de Trabajo de Ingesta35Al procesar una nueva fuente:361. Lee el documento fuente completo372. Discute los puntos clave con el usuario383. Crea o actualiza una página de resumen en wiki/394. Actualiza wiki/index.md405. Actualiza TODAS las páginas de entidades y conceptos relevantes en toda la wiki416. Agrega enlaces inversos desde páginas existentes al nuevo contenido427. Marca cualquier contradicción con el contenido existente de la wiki438. Agrega una entrada a wiki/log.md449. Una sola fuente debería tocar entre 10 y 15 páginas de la wiki4546## Flujo de Trabajo de Consulta47Al responder una pregunta:481. Lee wiki/index.md primero para encontrar páginas relevantes492. Lee todas las páginas relevantes de la wiki503. Sintetiza la respuesta con citas [Fuente: nombre-de-página]514. Si la respuesta revela nuevas ideas, ofrece archivarla en wiki/525. Guarda las respuestas valiosas en outputs/5354## Flujo de Trabajo de Lint (Mensual)55Verifica:56- Contradicciones entre páginas57- Afirmaciones obsoletas reemplazadas por fuentes más nuevas58- Páginas huérfanas sin enlaces entrantes59- Conceptos mencionados pero nunca explicados60- Referencias cruzadas faltantes61- Afirmaciones sin atribución de fuente62Salida: wiki/lint-report-[fecha].md con niveles de gravedad6364## Áreas de Enfoque65[Enumera de 3 a 5 temas que cubre esta base de conocimiento]
Copia esto. Personaliza las áreas de enfoque. Colócalo en la raíz de tu proyecto como CLAUDE.md.
Paso 3: Llena tu Carpeta Raw (10 Minutos de Volcado, Cero Organización)
Abre raw/ y vuelca todo dentro:
→ Copia y pega artículos en archivos .md o .txt
→ Exporta notas de la aplicación que estés usando ahora
→ Guarda capturas de pantalla y diagramas en raw/assets/
→ Pega documentos de investigación, PDFs, análisis de la competencia
→ Vuelca marcadores que has estado acumulando durante meses
No lo organices. No renombres nada. No lo limpies. Ese es trabajo de la IA.
Consejo profesional de Karpathy: La extensión de navegador Obsidian Web Clipper convierte cualquier artículo web a markdown con un clic.
Configura una tecla de acceso rápido (Ajustes → Atajos de teclado → "Descargar archivos adjuntos") para traer todas las imágenes localmente para que la IA pueda referenciarlas.
Si no usas Obsidian, copiar y pegar desde tu navegador funciona bien.
El objetivo es volumen. No perfección.
Paso 4: Ejecuta tu Primera Ingesta
Abre tu agente de IA. Apúntalo a tu carpeta del proyecto. Pega esto:
INDICACIÓN DE INGESTA:
1"Lee el esquema en CLAUDE.md. Luego procesa [NOMBRE_ARCHIVO] de raw/. Lée lo completamente, discute los puntos clave conmigo, luego: crea una página de resumen en wiki/, actualiza wiki/index.md, actualiza todas las páginas de conceptos y entidades relevantes, agrega enlaces inversos, marca cualquier contradicción y agrega una entrada a wiki/log.md."
Empieza con una fuente a la vez. Karpathy hace lo mismo. Lee los resúmenes. Verifica las actualizaciones. Guía a la IA sobre qué enfatizar. Esto produce resultados dramáticamente mejores que procesar todo por lotes a la vez.
Después de 5-10 fuentes, tu carpeta wiki/ tendrá un índice, un registro y entre 15 y 30 páginas interconectadas.
Ahí es cuando todo cobra sentido.
Paso 5: Empieza a Consultar tu Base de Conocimiento
Una vez que tengas 10+ páginas de wiki, el sistema se vuelve genuinamente útil. Pega esto:
INDICACIÓN DE CONSULTA:
1"Lee wiki/index.md. Basándote en lo que hay en la base de conocimiento, responde: [TU PREGUNTA]. Cita qué páginas de la wiki informaron tu respuesta. Si esto revela nuevas conexiones que valga la pena conservar, crea una nueva página en wiki/ y actualiza el índice."
Preguntas que extraen el mayor valor:
→ "¿Cuáles son las tres mayores brechas en esta base de conocimiento?"
→ "¿Qué fuentes están en desacuerdo entre sí, y sobre qué?"
→ "¿Qué debería investigar a continuación según lo que hay aquí?"
→ "Escribe un informe de 500 palabras sobre [tema] usando solo contenido de la wiki"
→ "¿Qué conexiones existen entre [concepto A] y [concepto B]?"
El ciclo crítico: las buenas respuestas deben archivarse de nuevo en la wiki.
Una comparación, un análisis, una conexión que descubriste.
Estos se acumulan en la base de conocimiento al igual que las fuentes ingeridas.
Cada pregunta mejora la siguiente respuesta.
Paso 6: Ejecuta Revisiones de Salud Mensuales
Este es el paso que nadie hace. Es el paso que evita que todo el sistema se pudra lentamente. Pega esto:
INDICACIÓN DE LINT:
1"Ejecuta una revisión de salud completa en wiki/ según el flujo de trabajo de lint en CLAUDE.md. Genera la salida en wiki/lint-report-[fecha].md con niveles de gravedad (🔴 errores, 🟡 advertencias, 🔵 información). Sugiere 3 artículos para llenar las mayores brechas de conocimiento."
Por qué esto importa: cuando la IA escribe algo ligeramente incorrecto y lo guardas, la siguiente respuesta se basa en lo incorrecto.
Dos meses después, tienes cinco páginas reforzando el mismo error. Las revisiones de salud detectan esto antes de que se convierta en bola de nieve.
Una revisión al mes. Diez minutos de tu tiempo. No negociable si quieres que el sistema siga siendo confiable.
Paso 7: Deja que se Acumule
Aquí es donde el sistema demuestra su valor.
Después de 4-6 semanas de uso constante, no solo estás buscando notas.
Estás consultando un sistema de conocimiento estructurado que entiende las conexiones entre tus fuentes mejor que tú.
Tres formas de acelerar la acumulación:
Archiva los resultados de exploración: cuando la IA genera una comparación o análisis que consideras valioso, guárdalo en wiki/ o outputs/.
Karpathy dice que sus propias exploraciones y consultas "siempre suman" en la base de conocimiento.
Agrega resultados visuales: haz que la IA muestre las respuestas como tablas markdown, gráficos o diapositivas (formato Marp).
Estos se convierten en activos reutilizables, no en mensajes de chat desechables.
Controla versiones de todo: Tu wiki son solo archivos markdown.
Inicializa un repositorio git. Obtienes historial completo, ramas y la capacidad de deshacer cualquier cosa que la IA estropee.
Bien. Esa es la construcción. Ahora viene la parte que nadie más te dirá.
Dónde Falla Este Sistema (La Versión Honesta)
Este es un patrón incipiente, no un producto terminado. El propio Karpathy lo llamó "una colección improvisada de scripts" y dijo que hay espacio para un producto real.
Esto es lo que necesitas saber antes de confiarle tu conocimiento:
Límite de la Ventana de Contexto.
La wiki de Karpathy funciona con ~100 artículos y ~400K palabras. Pero incluso las ventanas de contexto de 128K tokens solo contienen ~96K palabras. La IA lee selectivamente a través del índice, lo que significa que puede pasar por alto cosas. La investigación muestra que los LLM sufren efectos de "perdidos en el medio", donde la información en el centro de entradas largas se desprioriza. Tus resultados de consulta tendrán puntos ciegos. Acepta esto.
Acumulación de Errores.
La IA escribe una página de wiki con un error sutil. Consultas contra ella. El error entra en tu respuesta. Archivas esa respuesta. Ahora dos páginas refuerzan el mismo error. El lint mensual ayuda, pero la IA que hace el lint tiene los mismos puntos ciegos que la IA que cometió el error. Este es el mayor riesgo individual. Un comentarista en el gist de Karpathy lo expresó perfectamente: "Cuando las salidas se archivan, los errores también se acumulan."
La Alucinación no Desaparece.
El enfoque de wiki reduce la alucinación porque la IA fundamenta las respuestas en tus fuentes. Pero no la elimina. La IA aún puede sintetizar conexiones que no existen en el material fuente. Y como la wiki parece autorizada (markdown limpio, referencias cruzadas, citas), es más probable que confíes en información incorrecta. No lo hagas.
El Costo no es Cero.
Cada ingesta, cada consulta, cada revisión de lint consume tokens. Una sola fuente que toca entre 10 y 15 páginas puede costar entre $2 y $5 en llamadas API con modelos de frontera. 50 fuentes son $100-$250 solo por ingesta. Más barato que un asistente de investigación. No es gratuito.
No Escala a Nivel Empresarial.
Karpathy dice que el enfoque del archivo índice funciona sin RAG con ~100 artículos. Con más de 10,000 fuentes, este patrón se rompe. El índice se vuelve demasiado grande. La consistencia en miles de páginas se vuelve imposible. Necesitarás la infraestructura que este sistema fue diseñado para evitar. Conoce el límite.
Puntos Ciegos de un Solo Modelo.
Toda tu wiki es la interpretación de un solo modelo de tus fuentes. Ese modelo tiene sesgos y tendencias. Para decisiones de alto riesgo, un comentarista del gist sugirió ejecutar consultas a través de 4+ modelos de forma independiente y luego comparar la concordancia. Más robusto. También 4 veces el costo.
Qué Hacer al Respecto
→ Acumulación de errores: Revisiones de lint mensuales. Verifica manualmente las afirmaciones críticas. Nunca confíes ciegamente en la wiki para decisiones de alto riesgo.
→ Límites de contexto: Mantén cada wiki enfocada en un solo dominio. ¿Múltiples dominios? Múltiples bases de conocimiento.
→ Costo: Usa modelos de frontera para ingesta y consultas complejas. Modelos más baratos para actualizaciones simples.
→ Alucinación: El esquema anterior requiere citas de fuente en cada afirmación. Si una página hace una afirmación sin [Fuente: filename], el lint lo marcará.
→ Escala: Acepta que esta es una herramienta personal, no una infraestructura empresarial. Si la superas, ese es un buen problema.
Por Qué Sigue Siendo Importante
A pesar de todo lo anterior, este es el sistema de conocimiento personal más práctico disponible hoy.
La razón es muy simple: los humanos abandonan las wikis porque el mantenimiento crece más rápido que el valor.
Empiezas a organizar, se siente genial durante dos semanas, luego el mantenimiento mata la motivación y nunca vuelves a tocarlo.
Los LLM no se aburren. No olvidan actualizar una referencia cruzada. Pueden tocar 15 archivos en una sola pasada sin quejarse.
Lex Fridman confirmó que tiene una configuración similar.
Genera visualizaciones HTML interactivas y crea "mini-bases de conocimiento" que carga en el modo de voz para carreras de 7 a 10 millas.
Elvis Saravia de DAIR.AI ha estado construyendo bases de conocimiento LLM para la curación de investigación en IA.
Múltiples implementaciones de código abierto llegaron a GitHub dentro de las 48 horas posteriores al gist de Karpathy.
Esto ya no es un experimento.
Se está convirtiendo en una práctica estándar para cualquiera que haga investigación seria.
Tu Biblioteca Completa de Indicaciones (Copia Todo)
Cada indicación de este artículo, recopilada en un solo lugar:
ESQUEMA: Copia la plantilla completa de CLAUDE.md del Paso 2.
INGESTA (una fuente):
1"Lee el esquema en CLAUDE.md. Procesa [NOMBRE_ARCHIVO] de raw/. Lée lo completamente, discute los puntos clave conmigo, luego: crea una página de resumen, actualiza el índice, actualiza todas las páginas relevantes, agrega enlaces inversos, marca contradicciones, registra la ingesta."
INGESTA (por lotes, con menos supervisión):
1"Lee CLAUDE.md. Procesa todos los archivos no procesados en raw/ secuencialmente. Para cada uno: crea resumen, actualiza índice, actualiza páginas relevantes, registra la ingesta. Procede automáticamente."
CONSULTA:
1"Lee wiki/index.md. Responde: [PREGUNTA]. Cita páginas de la wiki. Si esta respuesta vale la pena conservarla, ofrece archivarla como una nueva página de wiki."
LINT:
1"Ejecuta una revisión de salud completa en wiki/ según el flujo de trabajo de lint en CLAUDE.md. Genera la salida en wiki/lint-report-[fecha].md con gravedad 🔴/🟡/🔵. Sugiere 3 artículos para llenar brechas."
EXPLORACIÓN:
1"Lee wiki/index.md e identifica las 5 conexiones inexploradas más interesantes entre temas existentes. Para cada una, explica qué idea podría revelar y qué fuente ayudaría a confirmarla."
INFORME:
1"Basándote en todo lo que hay en wiki/, escribe un informe ejecutivo de 500 palabras sobre [TEMA]. Cita fuentes. Estructúralo como: estado actual, tensiones clave, preguntas abiertas, próximos pasos recomendados."
Ve a Construirlo
La diferencia entre marcar como favorito el gist de Karpathy y beneficiarte de él es una tarde.
Elige tu tema. Crea las carpetas. Copia el esquema.
Vierte lo que ya tienes. Ejecuta tu primera ingesta.
Luego hazlo de nuevo mañana con otra fuente.
Y la próxima semana con cinco más.
La wiki se vuelve más inteligente cada vez. Ese es el punto.
Tres carpetas. Un esquema.
Una IA que hace el trabajo pesado que tú nunca harías.
Deja de coleccionar marcadores. Empieza a compilar conocimiento.
Convierte a Claude en más de 20 especialistas diferentes para marketing y negocios.
Instala experiencia real, no solo indicaciones.
Consigue mi paquete de habilidades de Claude 👇
