100.000 persone hanno salvato nei segnalibri il post di @karpathy:
Poi ha pubblicato un intero GitHub Gist. 5.000+ stelle. 1.400+ fork. Due giorni.
La maggior parte delle persone lo metterà nei segnalibri. E non farà nulla.
Non perché sia difficile. Ma perché nessuno ha fornito i prompt esatti.
Io risolverò la cosa.
Ti guiderò attraverso l'intero sistema, ti darò prompt copia-incolla per ogni passaggio e ti dirò dove si rompe, così non sprechi un fine settimana in qualcosa che crolla su larga scala.
«Il compito dell'umano è curare le fonti, dirigere l'analisi, fare buone domande e riflettere sul significato di tutto. Il compito dell'LLM è tutto il resto.» — Andrej Karpathy
Il concetto (versione da 60 secondi)
Hai conoscenze sparse ovunque. Articoli salvati in 4 app. Segnalibri del 2023 che non rivisiterai mai. Note da riunioni che vivono in una cartella di cui ti eri dimenticato.
Ora, quando chiedi all'AI qualcosa sulle tue cose, parte da zero ogni volta. Carichi documenti, fai una domanda, ottieni una risposta. Prossima sessione? Si è dimenticata tutto. È così che funzionano il caricamento file di ChatGPT, NotebookLM e la maggior parte dei sistemi RAG. Accumulo zero.
L'idea di Karpathy ribalta tutto.
Invece di cercare ogni volta nei tuoi file grezzi, l'AI legge le tue fonti una volta e compila un wiki strutturato. Riepiloghi, riferimenti incrociati, connessioni tra idee, contraddizioni segnalate.
Tutto mantenuto dall'AI. Tutto in semplici file markdown.
La prossima volta che fai una domanda, l'AI non fruga nei documenti grezzi. Legge il wiki che ha già costruito.
Le connessioni sono già lì.
La sintesi riflette già tutto ciò che hai letto.
Ogni nuova fonte che aggiungi arricchisce il wiki. Ogni domanda che fai può essere archiviata di nuovo. La conoscenza si accumula invece di resettarsi.
Il suo risultato: ~100 articoli, ~400.000 parole su un singolo argomento di ricerca. Non ha scritto una parola. L'AI ha scritto, collegato, categorizzato e mantenuto tutto.
Nessun database. Nessun embedding. Nessun vector store. Solo cartelle e file di testo.
Perché dovrebbe interessarti?
Tre casi d'uso che contano ora:
Se sei un creatore o un marketer, questo è un motore di ricerca per contenuti. Scarica analisi della concorrenza, articoli di tendenza, approfondimenti sul pubblico in raw/. Il wiki rivela pattern e angolazioni che non troveresti mai manualmente.
Se sei un fondatore o un consulente, questo è il tuo secondo cervello per il lavoro con i clienti, le ricerche di mercato o le analisi competitive. Ogni rapporto che generi si reinserisce nel sistema. Al terzo mese, la tua AI conosce il tuo dominio meglio della maggior parte dei nuovi assunti.
Se sei uno studente o un ricercatore, questo è ciò per cui Karpathy l'ha costruito davvero. Ricerca approfondita su dozzine di articoli, con l'AI che tiene traccia di come le idee si collegano, dove gli autori discordano e quali lacune rimangono.
*Può essere usato anche per molti flussi di lavoro di R&S aziendale.
Prima di costruire: cosa ti serve
→ Un qualsiasi strumento AI di coding che legga file locali (Claude Code, Cursor, Codex o simili)
→ Un editor di testo (Obsidian è consigliato, ma VS Code, Blocco note, qualsiasi va bene)
→ 10+ documenti sorgente su un argomento che ti interessa
→ 30 minuti per la configurazione iniziale, poi 10 minuti per ogni fonte aggiuntiva
Tutto qui. Nessun software speciale. Nessun account da creare. Nessun plugin da installare.
Il resto di questo articolo è la costruzione. 7 passaggi. Ogni passaggio ha il prompt esatto che incollerai nella tua AI. Seguili in ordine.
Passaggio 1: crea la struttura delle cartelle (2 minuti)
Crea questa struttura ovunque sulla tua macchina:
1my-knowledge-base/2├── raw/ # Il tuo materiale sorgente. L'AI lo legge ma non lo modifica mai.3│ └── assets/ # Immagini, screenshot, diagrammi4├── wiki/ # Wiki mantenuto dall'AI. Tu leggi. L'AI scrive.5├── outputs/ # Rapporti, analisi, risposte dalle query6└── CLAUDE.md # Il file schema che fa funzionare il tutto
Tre cartelle, un file. Se ci impieghi più di 2 minuti, stai pensando troppo.
Passaggio 2: scrivi il tuo file schema (Il passaggio che tutti saltano. Non farlo.)
Lo schema è la differenza tra un chatbot generico e un manutentore disciplinato di wiki.
Dice alla tua AI di cosa tratta la knowledge base, come organizzarla e cosa fare quando aggiungi fonti, fai domande o esegui la manutenzione.
Ogni altra guida ti dà un template di 10 righe. Ecco lo schema di produzione completo, basato sul gist di Karpathy, progettato per l'uso reale:
1# Knowledge Base Schema23## Identità4Questa è una knowledge base personale su [TUO ARGOMENTO].5Gestita da un agente LLM. L'umano cura le fonti e fa domande. L'LLM fa tutto il resto.67## Architettura8- raw/ contiene documenti sorgente immutabili. NON modificare mai i file in raw/.9- wiki/ contiene il wiki compilato. L'LLM possiede interamente questa directory.10- outputs/ contiene rapporti generati, analisi e risposte alle query.1112## Convenzioni del Wiki13- Ogni argomento ha un proprio file .md in wiki/14- Ogni file wiki inizia con frontmatter YAML:15 ---16 title: [Nome Argomento]17 created: [Data]18 last_updated: [Data]19 source_count: [Numero di fonti grezze che hanno informato questa pagina]20 status: [draft | reviewed | needs_update]21 ---22- Dopo il frontmatter, un riepilogo di un paragrafo23- Usa [[nome-argomento]] per collegamenti interni tra pagine wiki24- Ogni affermazione fattuale cita la sua fonte: [Fonte: nomefile.md]25- Quando nuove informazioni contraddicono contenuti esistenti, segnalalo esplicitamente:26 > CONTRADDIZIONE: [vecchia affermazione] vs [nuova affermazione] da [fonte]2728## Indice e Log29- wiki/index.md elenca ogni pagina con una descrizione di una riga, per categoria30- wiki/log.md è un registro cronologico solo append31- Formato voce di log: ## [AAAA-MM-GG] azione | Descrizione32 (Azioni: ingest, query, lint, update)3334## Flusso di Lavoro di Ingest35Quando si elabora una nuova fonte:361. Leggi il documento sorgente completo372. Discuti i punti chiave con l'utente383. Crea o aggiorna una pagina di riepilogo in wiki/394. Aggiorna wiki/index.md405. Aggiorna TUTTE le pagine di entità e concetti pertinenti in tutto il wiki416. Aggiungi backlink dalle pagine esistenti al nuovo contenuto427. Segnala eventuali contraddizioni con i contenuti wiki esistenti438. Aggiungi una voce a wiki/log.md449. Una singola fonte dovrebbe toccare 10-15 pagine wiki4546## Flusso di Lavoro delle Query47Quando si risponde a una domanda:481. Leggi prima wiki/index.md per trovare le pagine pertinenti492. Leggi tutte le pagine wiki pertinenti503. Sintetizza la risposta con citazioni [Fonte: nome-pagina]514. Se la risposta rivela nuove intuizioni, offri di archiviarla di nuovo in wiki/525. Salva le risposte preziose in outputs/5354## Flusso di Lavoro di Lint (Mensile)55Controlla:56- Contraddizioni tra pagine57- Affermazioni obsolete superate da fonti più recenti58- Pagine orfane senza collegamenti in entrata59- Concetti menzionati ma mai spiegati60- Riferimenti incrociati mancanti61- Affermazioni senza attribuzione della fonte62Output: wiki/lint-report-[data].md con livelli di gravità6364## Aree di Focus65[Elenca 3-5 argomenti trattati da questa knowledge base]
Copia questo. Personalizza le aree di focus. Mettilo nella root del tuo progetto come CLAUDE.md.
Passaggio 3: riempi la tua cartella raw (10 minuti di dumping, zero organizzazione)
Apri raw/ e buttaci dentro tutto:
→ Copia-incolla articoli in file .md o .txt
→ Esporta note dall'app che stai usando ora
→ Salva screenshot e diagrammi in raw/assets/
→ Incolla articoli di ricerca, PDF, analisi della concorrenza
→ Scarica i segnalibri che hai accumulato per mesi
Non organizzare. Non rinominare nulla. Non pulire. È compito dell'AI.
Consiglio da Karpathy: l'estensione del browser Obsidian Web Clipper converte qualsiasi articolo web in markdown con un clic.
Imposta un hotkey (Impostazioni → Hotkey → "Download attachments") per scaricare tutte le immagini localmente così l'AI può farvi riferimento.
Se non usi Obsidian, copia-incolla dal browser funziona bene.
L'obiettivo è il volume. Non la perfezione.
Passaggio 4: esegui il tuo primo ingest
Apri il tuo agente AI. Puntalo sulla cartella del progetto. Incolla questo:
PROMPT DI INGEST:
1"Leggi lo schema in CLAUDE.md. Poi elabora [NOMEFILE] da raw/. Leggilo completamente, discuti i punti chiave con me, quindi: crea una pagina di riepilogo in wiki/, aggiorna wiki/index.md, aggiorna tutte le pagine di concetti ed entità pertinenti, aggiungi backlink, segnala eventuali contraddizioni e aggiungi una voce a wiki/log.md."
Inizia con una fonte alla volta. Karpathy fa lo stesso. Leggi i riepiloghi. Controlla gli aggiornamenti. Guida l'AI su cosa enfatizzare. Questo produce risultati drasticamente migliori rispetto all'elaborazione in batch di tutto in una volta.
Dopo 5-10 fonti, la tua cartella wiki/ avrà un indice, un log e 15-30 pagine interconnesse.
È allora che le cose si mettono in moto.
Passaggio 5: inizia a interrogare la tua knowledge base
Una volta che hai 10+ pagine wiki, il sistema diventa veramente utile. Incolla questo:
PROMPT DI QUERY:
1"Leggi wiki/index.md. Basandoti su ciò che è nella knowledge base, rispondi a: [TUA DOMANDA]. Cita quali pagine wiki hanno informato la tua risposta. Se questo rivela nuove connessioni che vale la pena preservare, crea una nuova pagina in wiki/ e aggiorna l'indice."
Domande che estraggono il massimo valore:
→ "Quali sono i tre maggiori gap in questa knowledge base?"
→ "Quali fonti sono in disaccordo tra loro e su cosa?"
→ "Cosa dovrei ricercare dopo basandomi su ciò che c'è qui?"
→ "Scrivi un briefing di 500 parole su [argomento] usando solo i contenuti del wiki"
→ "Quali connessioni esistono tra [concetto A] e [concetto B]?"
Il ciclo critico: le buone risposte dovrebbero essere archiviate di nuovo nel wiki.
Un confronto, un'analisi, una connessione che hai scoperto.
Queste si accumulano nella knowledge base proprio come le fonti ingerite.
Ogni domanda migliora la risposta successiva.
Passaggio 6: esegui controlli mensili di salute
Questo è il passaggio che nessuno fa. È il passaggio che impedisce all'intero sistema di marcire lentamente. Incolla questo:
PROMPT DI LINT:
1"Esegui un controllo completo della salute su wiki/ secondo il flusso di lavoro di lint in CLAUDE.md. Output in wiki/lint-report-[data].md con livelli di gravità (🔴 errori, 🟡 avvisi, 🔵 info). Suggerisci 3 articoli per colmare i maggiori gap di conoscenza."
Perché è importante: quando l'AI scrive qualcosa di leggermente sbagliato e tu lo salvi, la risposta successiva si basa su quella cosa sbagliata.
Due mesi dopo, hai cinque pagine che rafforzano lo stesso errore. I controlli di salute lo intercettano prima che si ingigantisca.
Un controllo al mese. Dieci minuti del tuo tempo. Non negoziabile se vuoi che il sistema rimanga affidabile.
Passaggio 7: lascia che si accumuli
È qui che il sistema dà il meglio.
Dopo 4-6 settimane di uso costante, non stai solo cercando note.
Stai interrogando un sistema di conoscenza strutturato che capisce le connessioni tra le tue fonti meglio di te.
Tre modi per accelerare l'accumulo:
Archivia i risultati delle esplorazioni: Quando l'AI genera un confronto o un'analisi che trovi preziosa, salvala in wiki/ o outputs/.
Karpathy dice che le sue stesse esplorazioni e query "si sommano sempre" nella knowledge base.
Aggiungi output visivi: Fai sì che l'AI renda le risposte come tabelle markdown, grafici o presentazioni (formato Marp).
Questi diventano risorse riutilizzabili, non messaggi chat usa e getta.
Metti tutto sotto controllo versione: Il tuo wiki è solo file markdown.
Inizializza un repository git. Hai cronologia completa, branching e la possibilità di annullare qualsiasi pasticcio dell'AI.
Ok. Questa è la costruzione. Ora ecco la parte che nessun altro ti dirà.
Dove questo sistema si rompe (la versione onesta)
Questo è un pattern nascente, non un prodotto finito. Karpathy stesso l'ha definito "una raccotta di script raffazzonati" e ha detto che c'è spazio per un vero prodotto.
Ecco cosa devi sapere prima di affidargli la tua conoscenza:
Limite della finestra di contesto.
Il wiki di Karpathy funziona con ~100 articoli e ~400K parole. Ma anche le finestre di contesto da 128K token contengono solo ~96K parole. L'AI legge selettivamente attraverso l'indice, il che significa che può perdersi delle cose. La ricerca mostra che gli LLM soffrono di effetti "persi nel mezzo" in cui le informazioni al centro di input lunghi vengono depriorizzate. I risultati delle tue query avranno punti ciechi. Accettalo.
Compounding degli errori.
L'AI scrive una pagina wiki con un sottile errore. Tu interroghi contro di essa. L'errore entra nella tua risposta. Archivi quella risposta. Ora due pagine rafforzano lo stesso errore. Il linting mensile aiuta, ma l'AI che fa il linting ha gli stessi punti ciechi dell'AI che ha commesso l'errore. Questo è il rischio più grande. Un commentatore sul gist di Karpathy ha azzeccato: "Quando gli output vengono archiviati, anche gli errori si accumulano."
L'allucinazione non scompare.
L'approccio wiki riduce l'allucinazione perché l'AI basa le risposte sulle tue fonti. Ma non la elimina. L'AI può ancora sintetizzare connessioni che non esistono nel materiale sorgente. E poiché il wiki ha un aspetto autorevole (markdown pulito, riferimenti incrociati, citazioni), è più probabile che ti fidi di informazioni errate. Non farlo.
Il costo non è zero.
Ogni ingest, ogni query, ogni controllo lint costa token. Una singola fonte che tocca 10-15 pagine può costare $2-5 in chiamate API con modelli di frontiera. 50 fonti sono $100-250 solo per l'ingest. Più economico di un assistente di ricerca. Non gratuito.
Non scala a livello aziendale.
Karpathy dice che l'approccio del file indice funziona senza RAG a ~100 articoli. Con 10.000+ fonti, questo pattern si rompe. L'indice diventa troppo grande. La coerenza su migliaia di pagine diventa impossibile. Avrai bisogno dell'infrastruttura che questo sistema era progettato per evitare. Conosci il limite.
Punti ciechi di un singolo modello.
L'intero tuo wiki è l'interpretazione di un singolo modello delle tue fonti. Quel modello ha pregiudizi e tendenze. Per decisioni ad alto rischio, un commentatore del gist ha suggerito di eseguire le query attraverso 4+ modelli indipendentemente, quindi confrontare la concordanza. Più robusto. Anche 4 volte il costo.
Cosa fare al riguardo
→ Compounding degli errori: Controlli lint mensili. Verifica manualmente le affermazioni critiche. Non fidarti mai ciecamente del wiki per decisioni ad alto rischio.
→ Limiti di contesto: Mantieni ogni wiki focalizzato su un dominio. Più domini? Più knowledge base.
→ Costo: Usa modelli di frontiera per ingest e query complesse. Modelli più economici per aggiornamenti semplici.
→ Allucinazione: Lo schema sopra richiede citazioni della fonte su ogni affermazione. Se una pagina fa un'affermazione senza [Fonte: nomefile], il linting la segnalerà.
→ Scala: Accetta che questo è uno strumento personale, non un'infrastruttura aziendale. Se lo superi, è un buon problema.
Perché conta comunque
Nonostante tutto quanto sopra, questo è il sistema di conoscenza personale più pratico disponibile ora.
La ragione è semplicissima: gli umani abbandonano i wiki perché la manutenzione cresce più velocemente del valore.
Inizi a organizzare, ti senti bene per due settimane, poi la manutenzione uccide la motivazione e non lo tocchi mai più.
Gli LLM non si annoiano. Non si dimenticano di aggiornare un riferimento incrociato. Possono toccare 15 file in un colpo solo senza lamentarsi.
Lex Fridman ha confermato di usare una configurazione simile.
Genera visualizzazioni HTML interattive e crea "mini-knowledge-base" che carica in modalità vocale per corse di 7-10 miglia.
Elvis Saravia di DAIR.AI ha costruito knowledge base LLM per la curation di ricerca AI.
Multiple implementazioni open source sono apparse su GitHub entro 48 ore dal gist di Karpathy.
Non è più un esperimento.
Sta diventando una pratica standard per chiunque faccia ricerca seria.
La tua libreria completa di prompt (copia tutto)
Ogni prompt di questo articolo, raccolto in un unico posto:
SCHEMA: Copia il template completo di CLAUDE.md dal Passaggio 2.
INGEST (una fonte):
1"Leggi lo schema in CLAUDE.md. Elabora [NOMEFILE] da raw/. Leggilo completamente, discuti i punti chiave con me, quindi: crea una pagina di riepilogo, aggiorna l'indice, aggiorna tutte le pagine pertinenti, aggiungi backlink, segnala contraddizioni, registra l'ingest."
INGEST (batch, meno supervisionato):
1"Leggi CLAUDE.md. Elabora in sequenza tutti i file non elaborati in raw/. Per ciascuno: crea un riepilogo, aggiorna l'indice, aggiorna le pagine pertinenti, registra l'ingest. Procedi automaticamente."
QUERY:
1"Leggi wiki/index.md. Rispondi a: [DOMANDA]. Cita le pagine wiki. Se questa risposta merita di essere preservata, offriti di archiviarla come nuova pagina wiki."
LINT:
1"Esegui un controllo completo della salute su wiki/ secondo il flusso di lavoro di lint in CLAUDE.md. Output in wiki/lint-report-[data].md con gravità 🔴/🟡/🔵. Suggerisci 3 articoli per colmare i gap."
ESPLORA:
1"Leggi wiki/index.md e identifica le 5 connessioni inesplorate più interessanti tra gli argomenti esistenti. Per ciascuna, spiega quale intuizione potrebbe rivelare e quale fonte aiuterebbe a confermarla."
BRIEF:
1"Basandoti su tutto ciò che è in wiki/, scrivi un briefing esecutivo di 500 parole su [ARGOMENTO]. Cita le fonti. Strutturalo come: stato attuale, tensioni chiave, domande aperte, passi successivi raccomandati."
Vai e costruiscilo
La differenza tra mettere nei segnalibri il gist di Karpathy e trarne beneficio è un pomeriggio.
Scegli il tuo argomento. Crea le cartelle. Copia lo schema.
Inserisci ciò che già hai. Esegui il tuo primo ingest.
Poi fallo di nuovo domani con un'altra fonte.
E la prossima settimana con altre cinque.
Il wiki diventa più intelligente ogni volta. Questo è il punto.
Tre cartelle. Uno schema.
Un'AI che fa il lavoro sporco che tu non faresti mai.
Smetti di collezionare segnalibri. Inizia a compilare conoscenza.
Trasforma Claude in 20+ specialisti diversi per marketing e business.
Installa competenza reale, non solo prompt.
Ottieni il mio pacchetto di skill per Claude 👇
