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

Tú, que sufres de FOMO, Karpathy te la ha vuelto a jugar

La semana pasada, Andrej Karpathy publicó un tuit diciendo que ya no gasta una gran cantidad de tokens de IA en escribir código, sino en construir su base de conocimientos personal. Ese tuit tuvo 17 millones de visualizaciones y se volvió viral en los círculos de IA tanto en chino como en inglés.

El genio ha vuelto a aparecer para generar FOMO, haciendo que todo el mundo quiera intentarlo.

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

Problema 1: Barrera de configuración alta

El método 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 directamente en una base de conocimientos en markdown con resúmenes, enlaces inversos e índices de conceptos.

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

Sin embargo, como ingeniero experto que es Karpathy, sus breves palabras parecen muy sencillas, pero esconden una gran cantidad de «conocimiento tácito». De lo contrario, no habría tanta gente publicando tutoriales de configuración paso a paso después de su tuit.

Pero si abres estos tutoriales, verás que también están escritos por ingenieros y, aunque son detallados (cómo crear las carpetas raw/, wiki/ y outputs/, cómo configurar Claude Code en la terminal, cómo escribir el system prompt para que el LLM genere el markdown con el formato adecuado...), los ingenieros son una minoría.

La gran mayoría de los trabajadores del conocimiento todavía enfrentan un enorme coste de aprendizaje ante estos tutoriales, lo que explica por qué se ha generado tanto FOMO.

Blogueros de nuevos medios, profesionales de marketing de marca, estudiantes de posgrado que escriben tesis, profesores que preparan materiales de clase, inversores que estudian tendencias de la industria... Todas estas personas se dedican diariamente a «recopilar información → comprender información → producir contenido», y probablemente necesiten un sistema de conocimientos con IA incluso 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 la línea de comandos.

Las herramientas deben servir al usuario, no al revés.

Problema 2: La «base de conocimientos» es una trampa

Karpathy utiliza LLM para reducir drásticamente el coste de «organizar la información». Antes teníamos que escribir resúmenes, añadir etiquetas y crear enlaces nosotros mismos; ahora dejamos que el LLM lo haga, lo