100K लोगों ने [@karpathy](https://x.com/@karpathy) की पोस्ट को बुकमार्क किया:
फिर उन्होंने एक पूरा GitHub Gist डाल दिया। 5,000+ स्टार। 1,400+ फोर्क। दो दिनों में।
ज़्यादातर लोग उसे भी बुकमार्क कर लेंगे। फिर कुछ नहीं करेंगे।
इसलिए नहीं कि यह मुश्किल है। इसलिए कि किसी ने उन्हें सटीक प्रॉम्प्ट नहीं दिए।
मैं यह ठीक करने जा रहा हूँ।
मैं आपको पूरा सिस्टम समझाऊंगा, हर कदम के लिए कॉपी-पेस्ट प्रॉम्प्ट दूंगा, और बताऊंगा कि यह कहाँ टूटता है ताकि आप किसी ऐसी चीज़ पर अपना वीकेंड बर्बाद न करें जो बड़े पैमाने पर काम नहीं करती।
"इंसान का काम है स्रोतों का चयन करना, विश्लेषण को दिशा देना, अच्छे सवाल पूछना और यह सोचना कि इस सबका क्या मतलब है। LLM का काम बाकी सब कुछ है।" — एंड्रेज कारपैथी
अवधारणा (60-सेकंड वाला संस्करण)
आपका ज्ञान हर जगह बिखरा हुआ है। चार ऐप्स में सेव किए गए लेख। 2023 के बुकमार्क जिन्हें आप फिर कभी नहीं देखेंगे। मीटिंग के नोट्स जो एक ऐसे फोल्डर में रहते हैं जिसके अस्तित्व के बारे में आप भूल गए थे।
अभी, जब आप AI से अपनी चीज़ों के बारे में कोई सवाल पूछते हैं, तो यह हर बार शून्य से शुरू होता है। दस्तावेज़ अपलोड करें, सवाल पूछें, जवाब पाएँ। अगला सत्र? यह सब भूल चुका होता है। ChatGPT फ़ाइल अपलोड, NotebookLM और अधिकांश RAG सिस्टम इसी तरह काम करते हैं। शून्य संचय।
कारपैथी का विचार इसे पलट देता है।
AI हर बार आपकी कच्ची फ़ाइलों को खोजने के बजाय, एक बार आपके स्रोतों को पढ़ता है और एक संरचित विकी संकलित करता है। सारांश, क्रॉस-रेफरेंस, विचारों के बीच संबंध, विरोधाभास चिह्नित।
सब कुछ AI द्वारा बनाए रखा जाता है। सब कुछ सरल मार्कडाउन फ़ाइलों में।
अगली बार जब आप कोई सवाल पूछते हैं, तो AI कच्चे दस्तावेज़ों में नहीं खोदता। यह उस विकी को पढ़ता है जो उसने पहले ही बनाया है।
कनेक्शन पहले से ही मौजूद हैं।
संश्लेषण पहले से ही वह सब कुछ दर्शाता है जो आपने पढ़ा है।
आपके द्वारा जोड़ा गया हर नया स्रोत विकी को समृद्ध बनाता है। आपके द्वारा पूछा गया हर सवाल वापस फाइल किया जा सकता है। ज्ञान का संचय होता है, रीसेट नहीं।
उनका परिणाम: एक ही शोध विषय पर ~100 लेख, ~400,000 शब्द। उन्होंने इसका एक शब्द भी नहीं लिखा। AI ने यह सब लिखा, लिंक किया, वर्गीकृत किया और बनाए रखा।
कोई डेटाबेस नहीं। कोई एम्बेडिंग नहीं। कोई वेक्टर स्टोर नहीं। सिर्फ फोल्डर और टेक्स्ट फाइलें।
आपको इसकी परवाह क्यों करनी चाहिए?
तीन उपयोग के मामले जो अभी मायने रखते हैं:
अगर आप एक क्रिएटर या मार्केटर हैं, तो यह एक कंटेंट रिसर्च इंजन है। कंपीटिटर ब्रेकडाउन, ट्रेंडिंग आर्टिकल, ऑडियंस इनसाइट्स को raw/ में डालें। विकी उन पैटर्न और एंगल्स को उजागर करता है जो आपको मैन्युअल रूप से कभी नहीं मिलेंगे।
अगर आप एक फाउंडर या कंसल्टेंट हैं, तो यह क्लाइंट वर्क, मार्केट रिसर्च या कंपेटिटिव एनालिसिस के लिए आपका दूसरा दिमाग है। आपके द्वारा जनरेट की गई हर रिपोर्ट सिस्टम में वापस फीड होती है। तीसरे महीने तक, आपका AI आपके डोमेन को ज़्यादातर कर्मचारियों से बेहतर जानता होगा।
अगर आप एक छात्र या शोधकर्ता हैं, तो कारपैथी ने असल में इसी के लिए इसे बनाया है। दर्जनों पेपर्स पर गहन शोध, जिसमें AI ट्रैक करता है कि विचार कैसे जुड़ते हैं, लेखक कहाँ असहमत हैं, और कौन से अंतराल बचे हैं।
*इसका उपयोग कई व्यावसायिक R&D वर्कफ़्लो के लिए भी किया जा सकता है।
बनाने से पहले: आपको क्या चाहिए
→ कोई भी AI कोडिंग टूल जो लोकल फ़ाइलें पढ़ता हो (Claude Code, Cursor, Codex, या इसी तरह का कोई टूल)
→ एक टेक्स्ट एडिटर (Obsidian अनुशंसित, लेकिन VS Code, Notepad, कुछ भी काम करता है)
→ आपकी पसंद के किसी विषय पर 10+ स्रोत दस्तावेज़
→ शुरुआती सेटअप के लिए 30 मिनट, उसके बाद प्रति स्रोत 10 मिनट
बस इतना ही। कोई विशेष सॉफ्टवेयर नहीं। खाता बनाने की ज़रूरत नहीं। प्लगइन इंस्टॉल करने की ज़रूरत नहीं।
इस लेख का बाकी हिस्सा बिल्ड है। 7 कदम। हर कदम में सटीक प्रॉम्प्ट है जिसे आप अपने AI में पेस्ट करेंगे। इन्हें क्रम से फॉलो करें।
चरण 1: फोल्डर संरचना बनाएँ (2 मिनट)
इसे अपनी मशीन पर कहीं भी बनाएँ:
1my-knowledge-base/2├── raw/ # आपकी स्रोत सामग्री। AI पढ़ता है लेकिन कभी संशोधित नहीं करता।3│ └── assets/ # इमेज, स्क्रीनशॉट, डायग्राम4├── wiki/ # AI द्वारा अनुरक्षित विकी। आप पढ़ते हैं। AI लिखता है।5├── outputs/ # क्वेरी से रिपोर्ट, विश्लेषण, उत्तर6└── CLAUDE.md # स्कीमा फ़ाइल जो इस पूरी चीज़ को काम करने योग्य बनाती है
तीन फोल्डर, एक फ़ाइल। अगर आप यहाँ 2 मिनट से अधिक समय बिता रहे हैं, तो आप इसे ज़रूरत से ज़्यादा सोच रहे हैं।
चरण 2: अपनी स्कीमा फ़ाइल लिखें (वह कदम जिसे हर कोई छोड़ देता है। मत छोड़िए।)
स्कीमा ही वह चीज़ है जो एक सामान्य चैटबॉट और एक अनुशासित विकी मेंटेनर के बीच अंतर पैदा करती है।
यह आपके AI को बताता है कि नॉलेज बेस किस बारे में है, इसे कैसे व्यवस्थित करना है, और जब आप स्रोत जोड़ते हैं, सवाल पूछते हैं या मेंटेनेंस चलाते हैं तो क्या करना है।
हर दूसरी गाइड आपको 10-लाइन का टेम्पलेट देती है। यह रही पूरी प्रोडक्शन स्कीमा, कारपैथी के gist पर आधारित, वास्तविक उपयोग के लिए इंजीनियर की गई:
1# नॉलेज बेस स्कीमा23## पहचान4यह [आपका विषय] के बारे में एक व्यक्तिगत नॉलेज बेस है।5इसे एक LLM एजेंट द्वारा अनुरक्षित किया जाता है। इंसान स्रोतों का चयन करता है और सवाल पूछता है। LLM बाकी सब कुछ करता है।67## आर्किटेक्चर8- raw/ में अपरिवर्तनीय स्रोत दस्तावेज़ हैं। raw/ में फ़ाइलों को कभी संशोधित न करें।9- wiki/ में संकलित विकी है। LLM इस निर्देशिका का पूर्ण स्वामी है।10- outputs/ में जनरेट की गई रिपोर्ट, विश्लेषण और क्वेरी उत्तर शामिल हैं।1112## विकी परंपराएँ13- हर विषय को wiki/ में अपनी .md फ़ाइल मिलती है14- हर विकी फ़ाइल YAML फ्रंटमैटर से शुरू होती है:15 ---16 title: [विषय का नाम]17 created: [तारीख]18 last_updated: [तारीख]19 source_count: [इस पेज को सूचित करने वाले कच्चे स्रोतों की संख्या]20 status: [draft | reviewed | needs_update]21 ---22- फ्रंटमैटर के बाद, एक-पैराग्राफ का सारांश23- विकी पेजों के बीच आंतरिक लिंक के लिए [[विषय-नाम]] का उपयोग करें24- हर तथ्यात्मक दावा अपने स्रोत का हवाला देता है: [स्रोत: filename.md]25- जब नई जानकारी मौजूदा सामग्री का खंडन करती है, तो स्पष्ट रूप से ध्वजांकित करें:26 > विरोधाभास: [पुराना दावा] बनाम [नया दावा] [स्रोत] से2728## अनुक्रमणिका और लॉग29- wiki/index.md श्रेणी के अनुसार एक-पंक्ति विवरण के साथ हर पेज को सूचीबद्ध करता है30- wiki/log.md केवल-जोड़ने योग्य कालानुक्रमिक रिकॉर्ड है31- लॉग प्रविष्टि प्रारूप: ## [YYYY-MM-DD] कार्य | विवरण32 (कार्य: ingest, query, lint, update)3334## इन्जेस्ट वर्कफ़्लो35नए स्रोत को संसाधित करते समय:361. पूर्ण स्रोत दस्तावेज़ पढ़ें372. उपयोगकर्ता के साथ मुख्य निष्कर्षों पर चर्चा करें383. wiki/ में एक सारांश पेज बनाएँ या अपडेट करें394. wiki/index.md अपडेट करें405. विकी में सभी प्रासंगिक इकाई और अवधारणा पेजों को अपडेट करें416. मौजूदा पेजों से नई सामग्री में बैकलिंक जोड़ें427. मौजूदा विकी सामग्री के साथ किसी भी विरोधाभास को ध्वजांकित करें438. wiki/log.md में प्रविष्टि जोड़ें449. एकल स्रोत को 10-15 विकी पेजों को छूना चाहिए4546## क्वेरी वर्कफ़्लो47प्रश्न का उत्तर देते समय:481. प्रासंगिक पेज खोजने के लिए पहले wiki/index.md पढ़ें492. सभी प्रासंगिक विकी पेज पढ़ें503. [स्रोत: पेज-नाम] उद्धरणों के साथ उत्तर का संश्लेषण करें514. यदि उत्तर नई अंतर्दृष्टि प्रकट करता है, तो इसे विकी में वापस फाइल करने की पेशकश करें525. मूल्यवान उत्तरों को outputs/ में सहेजें5354## लिंट वर्कफ़्लो (मासिक)55इसके लिए जाँच करें:56- पेजों के बीच विरोधाभास57- नए स्रोतों द्वारा प्रतिस्थापित पुराने दावे58- बिना इनबाउंड लिंक वाले अनाथ पेज59- ऐसी अवधारणाएँ जिनका उल्लेख तो हुआ है लेकिन कभी समझाया नहीं गया60- गायब क्रॉस-रेफरेंस61- स्रोत आरोपण के बिना दावे62आउटपुट: गंभीरता स्तरों के साथ wiki/lint-report-[तारीख].md6364## फोकस क्षेत्र65[इस नॉलेज बेस द्वारा कवर किए जाने वाले 3-5 विषयों की सूची बनाएँ]
इसे कॉपी करें। फोकस क्षेत्रों को अनुकूलित करें। इसे अपने प्रोजेक्ट रूट में CLAUDE.md के रूप में डालें।
चरण 3: अपना रॉ फोल्डर भरें (डंप करने के 10 मिनट, शून्य आयोजन)
raw/ खोलें और इसमें सब कुछ डालें:
→ लेखों को कॉपी-पेस्ट करके .md या .txt फ़ाइलों में बदलें
→ जिस भी ऐप का आप अभी उपयोग कर रहे हैं, वहाँ से नोट्स निर्यात करें
→ स्क्रीनशॉट और डायग्राम को raw/assets/ में सहेजें
→ रिसर्च पेपर, PDF, कंपीटिटर ब्रेकडाउन पेस्ट करें
→ महीनों से जमा किए जा रहे बुकमार्क डालें
इसे व्यवस्थित न करें। कुछ भी नया नाम न दें। इसे साफ न करें। यह AI का काम है।
कारपैथी से प्रो टिप: Obsidian Web Clipper ब्राउज़र एक्सटेंशन किसी भी वेब लेख को एक क्लिक में मार्कडाउन में बदल देता है।
सभी इमेज को लोकली खींचने के लिए एक हॉटकी सेट करें (सेटिंग्स → हॉटकी → "डाउनलोड अटैचमेंट") ताकि AI उन्हें संदर्भित कर सके।
यदि आप Obsidian का उपयोग नहीं करते हैं, तो अपने ब्राउज़र से कॉपी-पेस्ट करना ठीक काम करता है।
लक्ष्य मात्रा है, पूर्णता नहीं।
चरण 4: अपना पहला इन्जेस्ट चलाएँ
अपना AI एजेंट खोलें। इसे अपने प्रोजेक्ट फोल्डर पर इंगित करें। यह पेस्ट करें:
इन्जेस्ट प्रॉम्प्ट:
1"CLAUDE.md में स्कीमा पढ़ें। फिर raw/ से [फ़ाइल का नाम] को संसाधित करें। इसे पूरी तरह पढ़ें, मेरे साथ मुख्य निष्कर्षों पर चर्चा करें, फिर: wiki/ में एक सारांश पेज बनाएँ, wiki/index.md अपडेट करें, सभी प्रासंगिक अवधारणा और इकाई पेजों को अपडेट करें, बैकलिंक जोड़ें, किसी भी विरोधाभास को ध्वजांकित करें, और wiki/log.md में जोड़ें।"
एक बार में एक स्रोत से शुरू करें। कारपैथी भी ऐसा ही करते हैं। सारांश पढ़ें। अपडेट की जाँच करें। AI को बताएँ कि किस पर जोर देना है। यह सब कुछ एक साथ बैच-प्रोसेस करने की तुलना में नाटकीय रूप से बेहतर परिणाम देता है।
5-10 स्रोतों के बाद, आपके wiki/ फोल्डर में एक अनुक्रमणिका, एक लॉग और 15-30 आपस में जुड़े पेज होंगे।
तब चीज़ें क्लिक करती हैं।
चरण 5: अपने नॉलेज बेस से क्वेरी करना शुरू करें
एक बार जब आपके पास 10+ विकी पेज हों, तो सिस्टम वास्तव में उपयोगी हो जाता है। यह पेस्ट करें:
क्वेरी प्रॉम्प्ट:
1"wiki/index.md पढ़ें। नॉलेज बेस में जो कुछ है, उसके आधार पर उत्तर दें: [आपका प्रश्न]। अपने उत्तर को सूचित करने वाले विकी पेजों का हवाला दें। यदि यह संरक्षित करने लायक नए कनेक्शन प्रकट करता है, तो wiki/ में एक नया पेज बनाएँ और अनुक्रमणिका अपडेट करें।"
जो सवाल सबसे अधिक मूल्य निकालते हैं:
→ "इस नॉलेज बेस में तीन सबसे बड़े अंतराल कौन से हैं?"
→ "कौन से स्रोत एक-दूसरे से असहमत हैं, और किस बारे में?"
→ "यहाँ जो कुछ है, उसके आधार पर मुझे आगे क्या शोध करना चाहिए?"
→ "केवल विकी सामग्री का उपयोग करके [विषय] पर 500 शब्दों का ब्रीफिंग लिखें"
→ "[अवधारणा A] और [अवधारणा B] के बीच क्या संबंध मौजूद हैं?"
महत्वपूर्ण लूप: अच्छे उत्तरों को विकी में वापस फाइल किया जाना चाहिए।
एक तुलना, एक विश्लेषण, एक कनेक्शन जो आपने खोजा।
ये इन्जेस्ट किए गए स्रोतों की तरह ही नॉलेज बेस में संचित होते हैं।
हर सवाल अगले उत्तर को बेहतर बनाता है।
चरण 6: मासिक स्वास्थ्य जाँच चलाएँ
यह वह कदम है जो कोई नहीं करता। यह वह कदम है जो पूरे सिस्टम को धीरे-धीरे खराब होने से बचाता है। यह पेस्ट करें:
लिंट प्रॉम्प्ट:
1"CLAUDE.md में लिंट वर्कफ़्लो के अनुसार wiki/ पर पूर्ण स्वास्थ्य जाँच चलाएँ। गंभीरता स्तरों (🔴 त्रुटियाँ, 🟡 चेतावनियाँ, 🔵 जानकारी) के साथ wiki/lint-report-[तारीख].md पर आउटपुट करें। सबसे बड़े ज्ञान अंतराल को भरने के लिए 3 लेख सुझाएँ।"
यह क्यों मायने रखता है: जब AI कुछ थोड़ा गलत लिखता है और आप इसे वापस सहेजते हैं, तो अगला उत्तर गलत चीज़ पर बनता है।
दो महीने बाद, आपके पास पाँच पेज होंगे जो उसी त्रुटि को मजबूत कर रहे होंगे। स्वास्थ्य जाँच इसे बर्फ के गोले की तरह बढ़ने से पहले पकड़ लेती है।
महीने में एक जाँच। आपके समय के दस मिनट। यदि आप चाहते हैं कि सिस्टम भरोसेमंद बना रहे तो यह अनिवार्य है।
चरण 7: इसे संचित होने दें
यह वह जगह है जहाँ सिस्टम अपनी कीमत चुकाता है।
लगातार 4-6 सप्ताह के उपयोग के बाद, आप सिर्फ नोट्स खोज नहीं रहे हैं।
आप एक संरचित ज्ञान प्रणाली से क्वेरी कर रहे हैं जो आपके स्रोतों के बीच संबंधों को आपसे बेहतर समझती है।
संचय को गति देने के तीन तरीके:
एक्सप्लोरेशन आउटपुट को वापस फाइल करें: जब AI कोई तुलना या विश्लेषण उत्पन्न करता है जो आपको मूल्यवान लगता है, तो इसे wiki/ या outputs/ में सहेजें।
कारपैथी कहते हैं कि उनके अपने एक्सप्लोरेशन और क्वेरी "हमेशा जुड़ते हैं" नॉलेज बेस में।
विज़ुअल आउटपुट जोड़ें: AI से उत्तरों को मार्कडाउन टेबल, चार्ट या स्लाइड डेक (Marp फॉर्मेट) के रूप में प्रस्तुत करने के लिए कहें।
ये फेंके जाने वाले चैट संदेशों के बजाय पुन: प्रयोज्य संपत्ति बन जाते हैं।
हर चीज़ का वर्जन कंट्रोल करें: आपका विकी सिर्फ मार्कडाउन फाइलें हैं।
एक git रिपॉजिटरी शुरू करें। आपको पूरा इतिहास, ब्रांचिंग और AI द्वारा की गई किसी भी गड़बड़ी को पूर्ववत करने की क्षमता मिलती है।
ठीक है। यह बिल्ड था। अब यहाँ वह हिस्सा है जो कोई और आपको नहीं बताएगा।
यह सिस्टम कहाँ टूटता है (ईमानदार संस्करण)
यह एक नवजात पैटर्न है, कोई तैयार उत्पाद नहीं। कारपैथी ने खुद इसे "स्क्रिप्ट का एक अनौपचारिक संग्रह" कहा और कहा कि एक वास्तविक उत्पाद के लिए जगह है।
अपना ज्ञान इसे सौंपने से पहले आपको यह जानना होगा:
संदर्भ विंडो की सीमा।
कारपैथी का विकी ~100 लेखों और ~400K शब्दों पर काम करता है। लेकिन 128K-टोकन संदर्भ विंडो भी केवल ~96K शब्द रख सकती है। AI इंडेक्स के माध्यम से चुनिंदा रूप से पढ़ता है, जिसका अर्थ है कि यह चीज़ों को खो सकता है। शोध से पता चलता है कि LLMs "बीच में खो जाने" के प्रभाव से ग्रस्त हैं जहाँ लंबे इनपुट के केंद्र में जानकारी को कम प्राथमिकता दी जाती है। आपके क्वेरी परिणामों में अंधे धब्बे होंगे। इसे स्वीकार करें।
त्रुटि का संचय।
AI एक सूक्ष्म गलती के साथ एक विकी पेज लिखता है। आप इसके खिलाफ क्वेरी करते हैं। गलती आपके उत्तर में प्रवेश करती है। आप उस उत्तर को वापस फाइल करते हैं। अब दो पेज उसी त्रुटि को मजबूत कर रहे हैं। मासिक लिंटिंग मदद करती है, लेकिन लिंटिंग करने वाले AI में वही अंधे धब्बे होते हैं जो गलती करने वाले AI में थे। यह सबसे बड़ा जोखिम है। कारपैथी के gist पर एक टिप्पणीकार ने इसे सही कहा: "जब आउटपुट वापस फाइल किए जाते हैं, तो त्रुटियाँ भी संचित होती हैं।"
भ्रम (Hallucination) गायब नहीं होता।
विकी दृष्टिकोण भ्रम को कम करता है क्योंकि AI अपने उत्तरों को आपके स्रोतों पर आधारित करता है। लेकिन यह इसे समाप्त नहीं करता है। AI अभी भी उन कनेक्शनों को संश्लेषित कर सकता है जो स्रोत सामग्री में मौजूद नहीं हैं। और चूंकि विकी आधिकारिक दिखता है (साफ मार्कडाउन, क्रॉस-रेफरेंस, उद्धरण), आपके गलत जानकारी पर भरोसा करने की अधिक संभावना है। ऐसा न करें।
लागत शून्य नहीं है।
हर इन्जेस्ट, हर क्वेरी, हर लिंट चेक की टोकन लागत होती है। एक एकल स्रोत जो 10-15 पेजों को छूता है, फ्रंटियर मॉडल के साथ API कॉल में $2-5 चला सकता है। 50 स्रोत केवल इन्जेशन के लिए $100-250 है। एक शोध सहायक से सस्ता। मुफ्त नहीं।
यह एंटरप्राइज स्तर तक स्केल नहीं होता।
कारपैथी कहते हैं कि इंडेक्स-फ़ाइल दृष्टिकोण RAG के बिना ~100 लेखों पर काम करता है। 10,000+ स्रोतों पर, यह पैटर्न टूट जाता है। इंडेक्स बहुत बड़ा हो जाता है। हजारों पेजों पर स्थिरता असंभव हो जाती है। आपको उस बुनियादी ढांचे की आवश्यकता होगी जिससे इस सिस्टम को बचने के लिए डिज़ाइन किया गया था। सीमा को जानें।
एकल-मॉडल के अंधे धब्बे।
आपका पूरा विकी आपके स्रोतों की एक मॉडल की व्याख्या है। उस मॉडल में पूर्वाग्रह और प्रवृत्तियाँ हैं। उच्च-दांव वाले निर्णयों के लिए, एक gist टिप्पणीकार ने स्वतंत्र रूप से 4+ मॉडलों के माध्यम से क्वेरी चलाने का सुझाव दिया, फिर सहमति की तुलना करें। अधिक मजबूत। लागत भी 4 गुना।
इसके बारे में क्या करें
→ त्रुटि संचय: मासिक लिंट जाँच। महत्वपूर्ण दावों की मैन्युअल रूप से क्रॉस-चेक करें। उच्च-दांव वाले निर्णयों पर कभी भी आँख बंद करके विकी पर भरोसा न करें।
→ संदर्भ सीमाएँ: प्रत्येक विकी को एक डोमेन पर केंद्रित रखें। कई डोमेन? कई नॉलेज बेस।
→ लागत: इन्जेस्ट और जटिल क्वेरी के लिए फ्रंटियर मॉडल का उपयोग करें। सरल अपडेट के लिए सस्ते मॉडल।
→ भ्रम: उपरोक्त स्कीमा में प्रत्येक दावे पर स्रोत उद्धरण की आवश्यकता है। यदि कोई पेज बिना [स्रोत: filename] के दावा करता है, तो लिंटिंग इसे ध्वजांकित करेगा।
→ स्केल: स्वीकार करें कि यह एक व्यक्तिगत उपकरण है, एंटरप्राइज बुनियादी ढांचा नहीं। यदि आप इसे पछाड़ देते हैं, तो यह एक अच्छी समस्या है।
यह अभी भी क्यों मायने रखता है
उपरोक्त सब कुछ के बावजूद, यह अभी उपलब्ध सबसे व्यावहारिक व्यक्तिगत ज्ञान प्रणाली है।
इसका कारण बेहद सरल है: इंसान विकी छोड़ देते हैं क्योंकि रखरखाव मूल्य से तेजी से बढ़ता है।
आप व्यवस्थित करना शुरू करते हैं, यह दो सप्ताह तक बहुत अच्छा लगता है, फिर देखभाल प्रेरणा को मार देती है और आप इसे फिर कभी नहीं छूते।
LLMs बोर नहीं होते। वे क्रॉस-रेफरेंस अपडेट करना नहीं भूलते। वे एक बार में बिना शिकायत किए 15 फ़ाइलों को छू सकते हैं।
लेक्स फ्रिडमैन ने पुष्टि की कि वह भी ऐसा ही सेटअप चलाते हैं।
वह इंटरैक्टिव HTML विज़ुअलाइज़ेशन उत्पन्न करते हैं और "मिनी-नॉलेज-बेस" बनाते हैं जिसे वह 7-10 मील की दौड़ के लिए वॉयस मोड में लोड करते हैं।
DAIR.AI के एल्विस सराविया AI शोध क्यूरेशन के लिए LLM नॉलेज बेस बना रहे हैं।
कारपैथी के gist के 48 घंटों के भीतर कई ओपन-सोर्स इम्प्लीमेंटेशन GitHub पर आ गए।
यह अब कोई प्रयोग नहीं है।
यह गंभीर शोध करने वाले किसी भी व्यक्ति के लिए मानक अभ्यास बन रहा है।
आपकी संपूर्ण प्रॉम्प्ट लाइब्रेरी (सब कुछ कॉपी करें)
इस लेख का हर प्रॉम्प्ट, एक जगह एकत्रित:
स्कीमा: चरण 2 से पूरा CLAUDE.md टेम्पलेट कॉपी करें।
इन्जेस्ट (एक स्रोत):
1"CLAUDE.md में स्कीमा पढ़ें। raw/ से [फ़ाइल का नाम] को संसाधित करें। इसे पूरी तरह पढ़ें, मेरे साथ मुख्य निष्कर्षों पर चर्चा करें, फिर: सारांश पेज बनाएँ, इंडेक्स अपडेट करें, सभी प्रासंगिक पेजों को अपडेट करें, बैकलिंक जोड़ें, विरोधाभासों को ध्वजांकित करें, इन्जेस्ट को लॉग करें।"
इन्जेस्ट (बैच, कम निगरानी):
1"CLAUDE.md पढ़ें। raw/ में सभी असंसाधित फ़ाइलों को क्रमिक रूप से संसाधित करें। प्रत्येक के लिए: सारांश बनाएँ, इंडेक्स अपडेट करें, प्रासंगिक पेजों को अपडेट करें, इन्जेस्ट को लॉग करें। स्वचालित रूप से आगे बढ़ें।"
क्वेरी:
1"wiki/index.md पढ़ें। उत्तर दें: [प्रश्न]। विकी पेजों का हवाला दें। यदि यह उत्तर संरक्षित करने लायक है, तो इसे एक नए विकी पेज के रूप में फाइल करने की पेशकश करें।"
लिंट:
1"CLAUDE.md में लिंट वर्कफ़्लो के अनुसार wiki/ पर पूर्ण स्वास्थ्य जाँच चलाएँ। 🔴/🟡/🔵 गंभीरता के साथ wiki/lint-report-[तारीख].md पर आउटपुट करें। अंतराल भरने के लिए 3 लेख सुझाएँ।"
एक्सप्लोर:
1"wiki/index.md पढ़ें और मौजूदा विषयों के बीच 5 सबसे दिलचस्प अज्ञात कनेक्शनों की पहचान करें। प्रत्येक के लिए, समझाएँ कि यह कौन सी अंतर्दृष्टि प्रकट कर सकता है और इसकी पुष्टि करने में कौन सा स्रोत मदद करेगा।"
ब्रीफ:
1"wiki/ में हर चीज़ के आधार पर, [विषय] पर 500 शब्दों की एक कार्यकारी ब्रीफिंग लिखें। स्रोतों का हवाला दें। इसे इस प्रकार संरचित करें: वर्तमान स्थिति, प्रमुख तनाव, खुले प्रश्न, अनुशंसित अगले कदम।"
जाओ और इसे बनाओ
कारपैथी के gist को बुकमार्क करने और उससे लाभ उठाने के बीच का अंतर एक दोपहर है।
अपना विषय चुनें। फोल्डर बनाएँ। स्कीमा कॉपी करें।
जो कुछ आपके पास पहले से है उसे डालें। अपना पहला इन्जेस्ट चलाएँ।
फिर कल इसे एक और स्रोत के साथ फिर से करें।
और अगले हफ्ते पाँच और के साथ।
विकी हर बार होशियार होता जाता है। यही पूरी बात है।
तीन फोल्डर। एक स्कीमा।
एक AI जो वह सारी मशक्कत करता है जो आप खुद कभी नहीं करेंगे।
बुकमार्क इकट्ठा करना बंद करें। ज्ञान संकलित करना शुरू करें।
क्लाउड को मार्केटिंग और बिज़नेस के लिए 20+ विभिन्न विशेषज्ञों में बदलें।
सिर्फ प्रॉम्प्ट नहीं, वास्तविक विशेषज्ञता इंस्टॉल करें।
मेरा Claude skills बंडल पाएँ 👇
