बिना किसी कोडिंग के Karpathy जैसा AI नॉलेज बेस तैयार करें

FOMO के शिकार आप, एक बार फिर Karpathy के झांसे में आ गए

पिछले हफ्ते, Andrej Karpathy ने एक ट्वीट किया, जिसमें उन्होंने कहा कि अब वे अपने AI टोकन का बड़ा हिस्सा कोड लिखने के बजाय अपना पर्सनल नॉलेज बेस (knowledge base) बनाने पर खर्च कर रहे हैं। इस ट्वीट को 1.7 करोड़ लोगों ने देखा और यह चीनी और अंग्रेजी AI हलकों में वायरल हो गया।

दिग्गज ने एक बार फिर FOMO पैदा कर दिया है, जिससे हर कोई इसे आज़माने के लिए बेताब है।

लेकिन अगर आप इसे सच में आज़माएंगे, तो आपको पता चलेगा कि सिद्धांत रूप में यह तरीका बहुत शक्तिशाली है; लेकिन इसे लागू करने में कई समस्याएँ आती हैं।

समस्या 1: कॉन्फ़िगरेशन की ऊँची बाधा

नॉलेज बेस बनाने के लिए Karpathy का तरीका यह है: कच्ची सामग्री (raw material) को LLM में डाल दें, बिना RAG या वेक्टर डेटाबेस के, और पूरी तरह से LLM के ज़रिए उसे सारांश, बैकलिंक्स और कॉन्सेप्ट इंडेक्स के साथ एक markdown नॉलेज बेस में 'हार्ड कंपाइल' (hard compile) कर दें।

यह ट्वीट 600 से ज़्यादा शब्दों का था। सच कहें तो, जो लोग कोड लिखना जानते हैं, उनके लिए यह प्रक्रिया वाकई जटिल नहीं है।

लेकिन एक दिग्गज इंजीनियर के रूप में, Karpathy की कुछ पंक्तियाँ दिखने में बहुत सरल लगती हैं, लेकिन उनमें बहुत सारा "मौन ज्ञान" (tacit knowledge) छिपा होता है। वरना उनके इस ट्वीट के बाद इतने सारे लोग स्टेप-बाय-स्टेप ट्यूटोरियल लेकर नहीं आते।

हालाँकि, अगर आप इन ट्यूटोरियल्स को देखेंगे, तो पाएंगे कि वे भी इंजीनियरों द्वारा ही लिखे गए हैं। भले ही वे काफी विस्तृत हों—जैसे कि raw/, wiki/, outputs/ जैसे तीन स्तर के फोल्डर कैसे बनाएँ, टर्मिनल में Claude Code को कैसे कॉन्फ़िगर करें, LLM से markdown फॉर्मेट में आउटपुट पाने के लिए system prompt कैसे लिखें...

लेकिन इंजीनियर तो अल्पसंख्यक हैं। अधिकांश नॉलेज वर्कर्स (knowledge workers) के लिए इन ट्यूटोरियल्स को समझना अभी भी बहुत मुश्किल है, और यही कारण है कि इससे इतना बड़ा FOMO पैदा हुआ।

सोशल मीडिया इन्फ्लुएंसर्स, ब्रांड मार्केटिंग करने वाले मार्केटर्स, थीसिस लिखने वाले छात्र, क्लास के लिए नोट्स तैयार करने वाले शिक्षक, इंडस्ट्री ट्रेंड्स पर नज़र रखने वाले निवेशक — ये सभी लोग रोज़ाना "जानकारी जुटाना → जानकारी समझना → कंटेंट बनाना" का काम करते हैं। उन्हें शायद इंजीनियरों से भी ज़्यादा एक AI नॉलेज सिस्टम की ज़रूरत है। लेकिन क्या उनसे टर्मिनल एनवायरनमेंट सेट करने, markdown लिखने और prompt को एडजस्ट करने की उम्मीद करना सही है?

यह व्यावहारिक नहीं है।

कोड न जानने वाले बहुसंख्यक लोगों को अभी भी टर्मिनल और कमांड लाइन के डर पर काबू पाने की ज़रूरत है।

टूल को यूज़र की सेवा करनी चाहिए, न कि यूज़र को टूल के साथ समझौता करना चाहिए।

समस्या 2: "नॉलेज बेस" एक बड़ा जाल है

Karpathy ने LLM का उपयोग करके "जानकारी व्यवस्थित करने" की लागत को काफी कम कर दिया है। पहले हमें खुद सारांश लिखना पड़ता था, टैग लगाने पड़ते थे और लिंक बनाने पड़ते थे, अब यह काम LLM कर रहा है। "सेकंड ब्रेन" (second brain) बनाने का तरीका और बेहतर हो गया है।

लेकिन मंज़िल नहीं बदली है, यह नॉलेज बेस सिर्फ "पढ़ने" के लिए है।

अगर इसका उपयोग केवल रिसर्च और सीखने के लिए किया जाए, तो एक "स्वचालित रूप से व्यवस्थित नॉलेज बेस" निश्चित रूप से पर्याप्त है।

लेकिन, नॉलेज वर्कर्स का असली काम दस्तावेज़ीकरण है, और दस्तावेज़ीकरण का असली मतलब क्रिएटर (creator) होना है। सभी नॉलेज वर्कर्स का असली काम सिर्फ ज्ञान इकट्ठा करना नहीं है, बल्कि उस ज्ञान का उपयोग करके कंटेंट बनाना है।

रोज़मर्रा के काम में सारी सीख और रिसर्च का अंतिम लक्ष्य कंटेंट तैयार करना होता है। इसका मतलब है कि सिर्फ एक सुंदर wiki होने से हमारा अंतिम काम पूरा नहीं हो जाता।

नॉलेज बेस का कॉन्सेप्ट एक शानदार बंद गली (dead end) की तरह है। आपको केवल "जो आप देखते हैं वही आपको मिलता है" वाली झूठी संतुष्टि मिलती है, लेकिन "आउटपुट और डिलीवरी" से मिलने वाला वास्तविक लाभ नहीं मिलता।

इसलिए, नॉलेज बेस का असली स्वरूप "प्रोडक्टिविटी पोर्न" (productivity porn) है — यह "कुछ हासिल करने" के आनंद की पूरी तरह से नकल करता है, लेकिन उत्पादकता का परिणाम नहीं देता।

मैं एक वास्तविक उदाहरण के साथ इस अंतर को समझाता हूँ।

Karpathy के मामले को ही उदाहरण के तौर पर लें। मान लीजिए कि आप एक AI कंपनी में मार्केटिंग का काम करते हैं। आपने उनका ट्वीट देखा और आप इस ट्रेंड का फायदा उठाकर इस विषय पर कंटेंट की एक सीरीज़ बनाना चाहते हैं।

Karpathy के तरीके के अनुसार, आपको निम्नलिखित चरणों से गुज़रना होगा:

1. उनके ट्वीट, आइडिया फाइल और संबंधित कमेंट्स को स्क्रिप्ट के ज़रिए कैप्चर करें और raw/ फोल्डर में डाउनलोड करें।
1. Node.js इंस्टॉल करें, टर्मिनल में Claude Code इंस्टॉल करें, निर्देश फाइल लिखें, ताकि Claude Code इन सामग्रियों को कुछ wiki लेखों में कंपाइल कर सके।
1. Obsidian या कोई अन्य markdown एडिटर डाउनलोड करें, तब जाकर आपको "LLM Knowledge Base" के बारे में एक स्ट्रक्चर्ड नॉलेज बेस मिलेगा।
1. फिर, आप एक खाली डॉक्यूमेंट खोलते हैं और खुद लिखना शुरू करते हैं।

Nick Spisak ने LLM नॉलेज बेस सेटअप का प्रदर्शन किया

स्टेप 4 की तो बात ही छोड़िए, सिर्फ पहले तीन स्टेप्स के लिए ही आपको टर्मिनल का उपयोग करना, Node.js इंस्टॉल करना, API key कॉन्फ़िगर करना, prompt निर्देश लिखना और Obsidian डाउनलोड करना होगा... ज़्यादातर लोगों के लिए, नॉलेज बेस बनाना शुरू करने से पहले ही टूलचेन (toolchain) की वजह से वे पीछे हट जाएंगे।

और भले ही आप यह सब कर लें, स्टेप 4 पर पहुँचते ही आप फिर से वहीं पहुँच जाते हैं जहाँ से शुरू किया था। नॉलेज बेस ने आपको चीज़ों को समझने में मदद की, लेकिन लिखना, इमेज लगाना, पब्लिश करना... ये सब आपको अभी भी शून्य से शुरू करना होगा।

तो, क्या कोई ऐसा तरीका है जो इन दोनों समस्याओं को एक साथ हल कर सके और आसानी से एक ऐसा "सेकंड ब्रेन" बना सके जो परिणाम देने पर केंद्रित हो?

हाँ, है। आप अभी जो लेख पढ़ रहे हैं, वह मैंने इसी तरह तैयार किया है। पूरी प्रक्रिया में मैंने केवल एक टूल का उपयोग किया, YouMind। मैं आपको इसके स्टेप्स दिखाता हूँ:

इसे वास्तव में कैसे करें?

पहला कदम: सामग्री इकट्ठा करना

ब्राउज़र में YouMind खोलें, एक नया Board बनाएँ (इसे आप एक प्रोजेक्ट स्पेस मान सकते हैं), और फिर सभी संबंधित सामग्री उसमें सेव कर दें:

• वेब पेज लेख: लिंक पेस्ट करें, पूरा टेक्स्ट अपने आप कैप्चर हो जाएगा।
• YouTube वीडियो: लिंक पेस्ट करें, सबटाइटल और कंटेंट अपने आप मिल जाएगा।
• PDF पेपर: सीधे अपलोड करें।
• पॉडकास्ट: लिंक पेस्ट करें, ऑडियो अपने आप एनालाइज़ हो जाएगा।
• अपने विचार: तुरंत नोट्स में लिखें।

यह Karpathy के raw/ फोल्डर जैसा ही है, लेकिन इसमें कुछ भी मैन्युअली डाउनलोड करने या फाइल सिस्टम को मैनेज करने की ज़रूरत नहीं है।

दूसरा कदम: AI समझ और संवाद

सामग्री सेव होने के बाद, आप सीधे Board के अंदर AI से बात कर सकते हैं। AI का संदर्भ (context) वह सामग्री है जिसे हमने खुद चुना है और जो इस विषय से संबंधित है, न कि इंटरनेट पर मौजूद सामान्य जानकारी।

आप उससे पूछ सकते हैं:

• 「इन लेखों के मुख्य विचारों में क्या समानताएँ और अंतर हैं?」
• 「Karpathy के तरीके और Tiago Forte की PARA पद्धति में बुनियादी अंतर क्या है?」
• 「इन सामग्रियों के आधार पर, मुझे तीन सबसे अच्छे टॉपिक सुझाएँ जिन पर लिखा जा सकता है।」

यह Karpathy की wiki कंपाइलेशन प्रक्रिया के समान है। लेकिन अंतर यह है: आपको LLM द्वारा पूरी wiki जनरेट करने का इंतज़ार करने की ज़रूरत नहीं है, बल्कि आप संवाद के ज़रिए समझ की दिशा को खुद कंट्रोल करते हैं।

तीसरा कदम: समझ से सृजन तक

यह कदम सबसे महत्वपूर्ण है। Karpathy का वर्कफ़्लो पिछले स्टेप पर ही खत्म हो जाता है। लेकिन YouMind में, आप सीधे सरल भाषा का उपयोग करके AI को समझने से आगे बढ़कर कंटेंट बनाने का निर्देश दे सकते हैं:

• सामग्री और संवाद के आधार पर, एक ब्लॉग का पूरा ड्राफ्ट तैयार करें।
• संवाद और समझ से, Twitter के लिए छोटे कंटेंट निकालें।
• मुख्य बिंदुओं को विज़ुअल इन्फोग्राफिक्स में बदलें।
• सीधे प्रेजेंटेशन (Slides) बनाएँ।

ये सभी आउटपुट उसी Board में सेव होते हैं, जहाँ आपकी सामग्री और संवाद के रिकॉर्ड हैं। ये अलग-थलग फाइलें नहीं हैं, बल्कि एक ही नॉलेज चेन के अलग-अलग हिस्से हैं।

चौथा कदम: ज्ञान का निरंतर विकास

Board का उपयोग करके उसे फेंका नहीं जाता। आप ऑटोमेटेड टास्क सेट कर सकते हैं, जिससे YouMind आपके लिए Karpathy के ट्विटर अपडेट्स को समय-समय पर अपने आप कैप्चर करता रहे और उसी Board में सेव करता रहे, जिससे आपका ज्ञान बढ़ता रहे।

एक "सेकंड ब्रेन" ऐसा ही होना चाहिए, जो न केवल जानकारी इकट्ठा करे, बल्कि आउटपुट भी दे।

Karpathy के तरीके और YouMind की तुलना करने पर, ये "AI सेकंड ब्रेन" के दो अलग-अलग दर्शन दर्शाते हैं:

जानकारी की चिंता का असली समाधान

अंत में एक दिलचस्प बात।

Karpathy ने 4 लाख शब्दों की एक wiki बनाई। लेकिन ज़रा सोचिए, पूरी दुनिया किस चीज़ का हवाला देती है? उस wiki का नहीं, बल्कि उनके ट्वीट्स, उनके वीडियो और उनके लिखे लेखों का। उनकी markdown फाइलें सिर्फ वे खुद देखते हैं, जबकि उनके ट्वीट्स को 1.2 करोड़ लोग देखते हैं।

असली नॉलेज बेस कोई सिस्टम नहीं, बल्कि एक इंसान होता है।

जब आप किसी विषय को गहराई से समझाने वाला लेख लिखते हैं, तो लोग आपके लेख को सेव करते हैं और आपके विचारों का हवाला देते हैं — तब आप उनके लिए नॉलेज बेस बन जाते हैं।

यही जानकारी की चिंता का असली इलाज है। चिंतित लोग सिस्टम में जानकारी भरते रहते हैं, यह सोचकर कि सिस्टम उनके लिए इसे समझ लेगा। लेकिन प्रभावशाली लोग अपनी समझ को बाहर साझा करते हैं और खुद को दूसरों के लिए जानकारी का स्रोत बना लेते हैं।

पहले वाले हमेशा चिंतित रहते हैं क्योंकि जानकारी अनंत है; दूसरे वाले चिंतित नहीं होते क्योंकि उन्होंने अभिव्यक्ति के माध्यम से समझ पूरी कर ली है।

इसलिए सवाल यह नहीं है कि "एक बेहतर नॉलेज बेस कैसे बनाया जाए", बल्कि यह है कि "खुद को नॉलेज बेस कैसे बनाया जाए"। जवाब आसान है: लगातार आउटपुट देते रहें।

YouMind का काम आपको जानकारी के उपभोक्ता से जानकारी के स्रोत में बदलना है।

यह लेख और इसके चित्र संपादक और YouMind द्वारा संयुक्त रूप से बनाए गए हैं।