100K personas marcaron la publicación de @karpathy:
Luego publicó un GitHub Gist completo. Más de 5,000 estrellas. Más de 1,400 forks. Dos días.
La mayoría de las personas también lo marcarán. Y luego no harán nada.
No porque sea difícil. Sino porque nadie les dio las indicaciones exactas.
Voy a solucionar eso.
Te guiaré por todo el sistema, te daré indicaciones listas para copiar y pegar para 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 de 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 subidas de archivos de ChatGPT, NotebookLM y la mayoría de los sistemas RAG. Acumulación cero.
La idea de Karpathy le da la vuelta a 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 simples archivos markdown.
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 allí.
La síntesis ya refleja todo lo que has leído.
Cada nueva fuente que agregas 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. La IA escribió, enlazó, categorizó y mantuvo todo.
Sin base de datos. Sin embeddings. Sin almacén de vectores. Solo carpetas y archivos de texto.
¿Por Qué Debería Importarte?
Tres casos de uso que importan ahora mismo:
- Si eres creador o marketero, esto es un motor de investigación de contenido. Vierte análisis de competidores, artículos de tendencia, información de la audiencia en raw/. La wiki saca a la luz patrones y ángulos que nunca encontrarías manualmente.
- Si eres fundador o consultor, esto es tu segundo cerebro para trabajo con clientes, investigación de mercado o análisis competitivo. Cada informe que generas se retroalimenta en 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 a través de decenas de artículos, con la IA rastreando cómo se conectan las ideas, dónde discrepan los autores y qué vacíos 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 (recomendado 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 después
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 gastando más de 2 minutos aquí, estás pensando demasiado.
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 realizas mantenimiento.
Cada otra guía te da 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 es dueño de este directorio por completo.10- outputs/ contiene informes generados, análisis y respuestas de consultas.1112## Convenciones de Wiki13- Cada tema tiene su propio archivo .md en wiki/14- Cada archivo wiki comienza con YAML frontmatter: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 [[topic-name]] para enlaces internos entre páginas de wiki24- Cada afirmación factual cita su fuente: [Fuente: nombrearchivo.md]25- Cuando nueva información contradice contenido existente, márcalo explícitamente:26 > CONTRADICCIÓN: [afirmación antigua] vs [nueva afirmación] de [fuente]2728## Índice y Registro29- wiki/index.md lista cada página con una descripción de una línea, por categoría30- wiki/log.md es un registro cronológico de solo añadidura31- Formato de entrada de registro: ## [AAAA-MM-DD] acción | Descripción32 (Acciones: ingest, query, lint, update)3334## Flujo 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 la wiki416. Agrega enlaces inversos desde páginas existentes al nuevo contenido427. Marca cualquier contradicción con el contenido wiki existente438. Añade entrada a wiki/log.md449. Una sola fuente debería tocar entre 10 y 15 páginas wiki4546## Flujo de Consulta47Al responder una pregunta:481. Lee wiki/index.md primero para encontrar páginas relevantes492. Lee todas las páginas wiki relevantes503. Sintetiza la respuesta con citas [Fuente: nombre-página]514. Si la respuesta revela nuevas ideas, ofrece archivarla en wiki/525. Guarda respuestas valiosas en outputs/5354## Flujo 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[Lista 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 allí:
→ Copia y pega artículos en archivos .md o .txt
→ Exporta notas desde la aplicación que estés usando ahora
→ Guarda capturas de pantalla y diagramas en raw/assets/
→ Pega documentos de investigación, PDFs, análisis de competidores
→ Vuelca marcadores que has estado acumulando durante meses
No lo organices. No renombres nada. No lo limpies. Ese es el trabajo de la IA.
Consejo de Karpathy: La extensión de navegador Obsidian Web Clipper convierte cualquier artículo web a markdown con un clic.
Configura un atajo de teclado (Ajustes → Atajos de teclado → "Descargar adjuntos") para traer todas las imágenes localmente y 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 de proyecto. Pega esto:
INDICACIÓN DE INGESTA:
1"Lee el esquema en CLAUDE.md. Luego procesa [NOMBRE_DEL_ARCHIVO] de raw/. Lee 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 añade a wiki/log.md."
Empieza con una fuente a la vez. Karpathy hace lo mismo. Lee los resúmenes. Revisa las actualizaciones. Guía a la IA sobre qué enfatizar. Esto produce resultados dramáticamente mejores que procesar todo por lotes de una vez.
Después de 5-10 fuentes, tu carpeta wiki/ tendrá un índice, un registro y 15-30 páginas interconectadas.
Ahí es cuando todo encaja.
Paso 5: Comienza a Consultar tu Base de Conocimiento
Una vez que tengas 10+ páginas wiki, el sistema se vuelve realmente útil. Pega esto:
INDICACIÓN DE CONSULTA:
1"Lee wiki/index.md. Basado en lo que hay en la base de conocimiento, responde: [TU PREGUNTA]. Cita qué páginas wiki informaron tu respuesta. Si esto revela nuevas conexiones que vale la pena conservar, crea una nueva página en wiki/ y actualiza el índice."
Preguntas que extraen el mayor valor:
→ ¿Cuáles son las tres mayores lagunas en esta base de conocimiento?
→ ¿Qué fuentes están en desacuerdo entre sí y en qué?
→ ¿Qué debería investigar a continuación basado en lo que hay aquí?
→ Escribe un briefing 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 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 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 lagunas de conocimiento."
Por qué esto importa: cuando la IA escribe algo ligeramente incorrecto y lo guardas de nuevo, la siguiente respuesta se basa en lo incorrecto.
Dos meses después, tienes cinco páginas reforzando el mismo error. Las revisiones de salud lo detectan antes de que se convierta en una bola de nieve.
Una revisión al mes. Diez minutos de tu tiempo. No negociable si quieres que el sistema sea confiable.
Paso 7: Deja que se Acumule
Aquí es donde el sistema se vuelve rentable.
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:
Guardar los resultados de exploración de vuelta: Cuando la IA genera una comparación o análisis que encuentras valioso, guárdalo en wiki/ o outputs/. Karpathy dice que sus propias exploraciones y consultas "siempre suman" en la base de conocimiento.
Agregar resultados visuales: Haz que la IA renderice respuestas como tablas markdown, gráficos o presentaciones (formato Marp). Estos se convierten en activos reutilizables, no en mensajes de chat desechables.
Control de versiones para todo: Tu wiki son solo archivos markdown. Inicializa un repositorio git. Obtienes historial completo, bifurcaciones y la capacidad de deshacer cualquier cosa que la IA estropee.
Bien. Esa es la construcción. Ahora viene la parte que nadie más te contará.
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 confiar tu conocimiento a esto:
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. Las investigaciones muestran que los LLM sufren efectos de "perdido en el medio" donde la información en el centro de entradas largas se desprioriza. Tus resultados de consulta tendrán puntos ciegos. Acéptalo.
Acumulación de Errores. La IA escribe una página wiki con un error sutil. Consultas contra ella. El error entra en tu respuesta. Guardas esa respuesta de nuevo. Ahora dos páginas refuerzan el mismo error. La revisión mensual ayuda, pero la IA que hace la revisión tiene los mismos puntos ciegos que la IA que cometió el error. Este es el mayor riesgo. Un comentarista en el gist de Karpathy lo dijo perfectamente: "Cuando los resultados se archivan de nuevo, los errores también se acumulan."
La Alucinación No Desaparece. El enfoque wiki reduce la alucinación porque la IA basa 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 cuesta tokens. Una sola fuente que toca 10-15 páginas puede costar $2-5 en llamadas API con modelos frontera. 50 fuentes son $100-250 solo para la ingesta. Más barato que un asistente de investigación. No es gratis.
No Escala a Empresas. Karpathy dice que el enfoque de archivo índice funciona sin RAG a ~100 artículos. Con 10,000+ fuentes, este patrón se rompe. El índice crece demasiado. La consistencia entre 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 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 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: nombrearchivo], el lint lo marcará.
→ Escala: Acepta que esto es una herramienta personal, no infraestructura empresarial. Si la superas, 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 más lo vuelves a tocar.
Los LLM no se aburren. No se olvidan de 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 modo de voz para carreras de 7-10 millas.
Elvis Saravia de DAIR.AI ha estado construyendo bases de conocimiento con 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_DEL_ARCHIVO] de raw/. Lee completamente, discute los puntos clave conmigo, luego: crea página de resumen, actualiza índice, actualiza todas las páginas relevantes, agrega enlaces inversos, marca contradicciones, registra la ingesta."
INGESTA (lote, 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 wiki. Si esta respuesta vale la pena conservarla, ofrece archivarla como una nueva página wiki."
LINT:
1"Ejecuta una revisión de salud completa en wiki/ según el flujo de lint en CLAUDE.md. Genera la salida en wiki/lint-report-[fecha].md con gravedad 🔴/🟡/🔵. Sugiere 3 artículos para llenar lagunas."
EXPLORACIÓN:
1"Lee wiki/index.md e identifica las 5 conexiones no exploradas más interesantes entre los temas existentes. Para cada una, explica qué idea podría revelar y qué fuente ayudaría a confirmarla."
BRIEFING:
1"Basado en todo lo que hay en wiki/, escribe un briefing ejecutivo de 500 palabras sobre [TEMA]. Cita fuentes. Estructúralo como: estado actual, tensiones clave, preguntas abiertas, próximos pasos recomendados."
Ve y Constrúyelo
La diferencia entre marcar el gist de Karpathy y beneficiarse de él es una tarde.
Elige tu tema. Crea las carpetas. Copia el esquema.
Introduce 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 nunca harías tú mismo.
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 para Claude 👇
