Créez votre base de connaissances IA comme celle de Karpathy, sans une ligne de code

Toi qui as le FOMO, Karpathy t'a encore bien eu

La semaine dernière, Andrej Karpathy a publié un tweet disant qu'il ne dépensait plus ses tokens AI pour écrire du code, mais pour construire sa base de connaissances personnelle. Ce tweet a généré 17 millions de vues et est devenu viral dans les cercles AI chinois et anglophones.

Le grand maître a encore frappé pour créer du FOMO, et tout le monde a maintenant envie d'essayer.

Mais si tu as vraiment testé, tu sais que si cette méthode est puissante en théorie, elle pose de nombreux problèmes lors de l'exécution.

Problème 1 : Une barrière de configuration élevée

La méthode de Karpathy pour construire une base de connaissances avec un LLM consiste à envoyer les matériaux bruts au LLM, sans RAG, sans base de données vectorielle, en comptant uniquement sur la "compilation" brute du LLM pour transformer le tout en une base de connaissances markdown avec résumés, liens bidirectionnels et index de concepts.

Ce tweet fait un peu plus de 600 mots. Honnêtement, pour quelqu'un qui sait coder, ce processus n'est pas complexe.

Cependant, en tant qu'ingénieur de génie, les quelques lignes de Karpathy, qui semblent très simples, cachent une quantité énorme de « connaissances tacites ». Sinon, il n'y aurait pas eu autant de gens pour publier des tutoriels étape par étape juste après son tweet.

Mais si tu ouvres ces tutoriels, tu verras qu'ils sont aussi écrits par des ingénieurs. Bien qu'ils soient détaillés — comment créer l'arborescence de dossiers raw/ , wiki/ , outputs/ , comment configurer Claude Code dans le terminal, comment écrire le system prompt pour que l'LLM sorte du markdown au bon format...

Mais les ingénieurs sont une minorité. La grande majorité des travailleurs du savoir font face à un coût d'apprentissage énorme devant ces tutoriels, ce qui explique pourquoi cela a suscité un tel FOMO.

Les blogueurs, les marketeurs, les étudiants en master rédigeant leur thèse, les professeurs préparant leurs cours, les investisseurs analysant les tendances du secteur — tous ces gens passent leurs journées à « collecter des informations → comprendre les informations → produire du contenu ». Ils ont probablement plus besoin d'un système de connaissances AI qu'un ingénieur. Mais leur demander de configurer un environnement de terminal, d'écrire du markdown et d'ajuster des prompts ?

Ce n'est pas réaliste.

En tant que membre de la majorité qui ne maîtrise pas le code, tu dois encore surmonter la peur du terminal et de la ligne de commande.

L'outil doit être au service de l'utilisateur, et non l'inverse.

Problème 2 : La « base de connaissances » est un piège

Karpathy utilise l'LLM pour réduire considérablement le coût de l'organisation de l'information. Avant, nous devions rédiger nos propres résumés, ajouter des tags et créer des liens ; maintenant, l'LLM le fait, et la méthode pour créer un « Second Cerveau » progresse.

Mais le point final n'a pas changé : cette base de connaissances ne sert qu'à être « lue ».

Si c'est uniquement pour la recherche et l'apprentissage, alors une « base de connaissances automatiquement bien organisée » est tout à fait suffisante.

Cependant, l'essence d'un travailleur du savoir est d'être un rédacteur, et l'essence d'un rédacteur est d'être un créateur. Pour tout travailleur du savoir, le vrai travail n'est pas de collecter des connaissances, mais d'utiliser ces connaissances pour créer du contenu.

Dans le travail quotidien, tout l'apprentissage et la recherche ont pour but final de produire du contenu. Cela signifie qu'un joli wiki ne suffit pas à accomplir le travail final.

Le concept de base de connaissances est une impasse dorée : tu n'obtiens qu'une satisfaction superficielle de type « ce que tu vois est ce que tu as », sans récolter le retour réel apporté par la « production et la livraison ».

C'est pourquoi l'essence d'une base de connaissances est de la « productivité pornographique » — elle simule parfaitement le plaisir de l'acquisition, mais ne fournit aucun résultat productif.

Laisse-moi illustrer la différence avec un scénario réel.

Prenons l'exemple de l'affaire Karpathy elle-même. Supposons que tu sois marketeur dans une entreprise d'AI, que tu aies vu son tweet et que tu veuilles surfer sur la tendance pour créer une série de contenus sur ce sujet.

Si tu suis la méthode de Karpathy, tu devras passer par les étapes suivantes :

1. Récupérer son tweet, tes fichiers d'idées et les articles de commentaires associés via un script, et les télécharger dans le dossier raw/ .
1. Installer Node.js, installer Claude Code dans le terminal, écrire un fichier d'instructions pour que Claude Code compile ces matériaux en plusieurs articles wiki.
1. Télécharger Obsidian ou un autre éditeur markdown pour enfin accéder à une base de connaissances structurée sur la « LLM Knowledge Base ».
1. Ensuite, tu ouvres un document vierge et tu commences à écrire toi-même.

Nick Spisak démontre la mise en place d'une base de connaissances LLM

Sans même parler de l'étape 4, rien que pour les trois premières, tu dois savoir utiliser le terminal, installer Node.js, configurer des clés API, écrire des instructions de prompt, télécharger Obsidian... Pour la plupart des gens, avant même d'avoir commencé à construire la base de connaissances, la chaîne d'outils les a déjà découragés.

Et même si tu réussis tout cela, à l'étape 4, tu reviens au point de départ. La base de connaissances t'a aidé à comprendre le sujet, mais l'écriture, l'illustration, la publication... tout cela, tu dois encore le faire de zéro.

Alors, existe-t-il une méthode pour résoudre ces deux problèmes à la fois et construire facilement un « Second Cerveau » orienté vers les résultats ?

Oui. L'article que tu es en train de lire a été produit de cette manière. Tout au long du processus, je n'ai utilisé qu'un seul outil : YouMind. Voici les étapes concrètes :

Comment faire concrètement ?

Étape 1 : Collecter les matériaux

Ouvre YouMind dans ton navigateur, crée un nouveau Board (tu peux le voir comme un espace projet), puis enregistre tous les matériaux pertinents :

• Articles web : colle le lien, le texte intégral est extrait automatiquement.
• Vidéos YouTube : colle le lien, les sous-titres et le contenu sont récupérés automatiquement.
• Thèses PDF : télécharge-les directement.
• Podcasts : colle le lien, l'audio est analysé automatiquement.
• Tes propres idées : écris-les directement dans des notes.

C'est l'équivalent du dossier raw/ de Karpathy, mais sans avoir besoin de télécharger quoi que ce soit manuellement, ni de manipuler le système de fichiers.

Étape 2 : Compréhension et dialogue avec l'AI

Une fois les matériaux enregistrés, tu peux dialoguer directement avec l'AI au sein du Board. Le contexte de l'AI est constitué des matériaux de première main que tu as toi-même sélectionnés sur ce thème, et non d'informations vagues provenant d'Internet.

Tu peux lui demander :

• « Quelles sont les similitudes et différences entre les points de vue de ces articles ? »
• « Quelle est la différence fondamentale entre la méthode de Karpathy et la méthodologie PARA de Tiago Forte ? »
• « En te basant sur ces matériaux, aide-moi à extraire trois angles de sujets qui valent le plus la peine d'être écrits. »

Cela correspond au processus de compilation wiki de Karpathy. Mais la différence est la suivante : tu n'as pas besoin d'attendre que l'LLM génère automatiquement tout un wiki, tu orientes activement la compréhension via le dialogue.

Étape 3 : De la compréhension à la création

C'est ici que se trouve la ligne de démarcation cruciale. Le flux de travail de Karpathy s'arrête à l'étape précédente. Dans YouMind, tu peux utiliser le langage naturel pour ordonner à l'AI de passer de la compréhension à la création :

• À partir des matériaux et du dialogue, génère un premier brouillon de blog structuré.
• À partir du dialogue et de la compréhension, extrais du contenu court adapté à Twitter.
• Transforme les arguments clés en infographies visuelles.
• Crée directement des Slides pour une présentation.

Toutes ces productions sont conservées dans le même Board, avec tes matériaux et tes historiques de dialogue. Ce ne sont pas des fichiers isolés, mais différents nœuds d'une même chaîne de connaissances.

Étape 4 : Croissance continue des connaissances

Un Board n'est pas jetable après usage. Tu peux configurer des tâches planifiées pour que YouMind récupère régulièrement pour toi les mises à jour du Twitter de Karpathy et les enregistre dans le même Board, complétant ainsi l'effet boule de neige de tes connaissances.

C'est à cela que devrait ressembler un « Second Cerveau » : pas seulement de l'accumulation, mais aussi de la production.

En comparant la méthode de Karpathy et YouMind, on voit deux philosophies différentes du « Second Cerveau AI » :

La vraie solution à l'anxiété de l'information

Pour finir, un point intéressant.

Karpathy a construit un wiki de 400 000 mots. Mais réfléchis-y : qu'est-ce que le monde entier cite ? Ce n'est pas ce wiki, ce sont ses tweets, ses vidéos, ses articles. Ses fichiers markdown, il est le seul à les lire ; ses tweets, 12 millions de personnes les lisent.

La véritable base de connaissances n'est pas un système, c'est une personne.

Si tu écris un article qui explique parfaitement un sujet, les autres enregistreront ton article, citeront ton point de vue — tu deviens leur base de connaissances.

C'est le remède à l'anxiété de la connaissance. Les gens anxieux déversent des informations dans un système, pensant que le système comprendra à leur place. Mais les personnes influentes diffusent leur compréhension, devenant elles-mêmes la source d'information des autres.

Les premiers seront toujours anxieux, car l'information est infinie ; les seconds ne le sont pas, car ils ont achevé leur compréhension par l'expression.

La question n'a donc jamais été « comment construire une meilleure base de connaissances », mais « comment devenir soi-même une base de connaissances ». La réponse est simple : produis du contenu en continu.

Ce que fait YouMind, c'est t'aider à passer de consommateur d'information à source d'information.

Cet article et ses illustrations ont été co-créés par la rédaction et YouMind.