Crie seu próprio banco de conhecimento com IA, estilo Karpathy, sem precisar de código

Você com FOMO foi passado para trás pelo Karpathy de novo

Na semana passada, Andrej Karpathy postou um tweet dizendo que não gasta mais tantos tokens de AI escrevendo código, mas sim construindo sua base de conhecimento pessoal. Esse tweet teve 17 milhões de visualizações e viralizou nos círculos de AI, tanto em chinês quanto em inglês.

O mestre apareceu novamente para gerar FOMO, fazendo com que todos quisessem testar a novidade.

Mas, se você realmente tentar, verá que, embora esse método seja teoricamente muito forte, ele apresenta muitos problemas na execução.

Problema 1: Alta barreira de configuração

A abordagem de Karpathy para criar uma base de conhecimento com LLM é: enviar o material bruto para o LLM, sem usar RAG, sem banco de dados vetoriais, contando apenas com a "compilação bruta" do LLM para gerar uma base de conhecimento em Markdown com resumos, links bidirecionais e índices de conceitos.

Esse tweet tem pouco mais de 600 caracteres. Sinceramente, para quem sabe programar, esse processo não é complexo.

No entanto, como Karpathy é um mestre da engenharia, suas poucas palavras parecem simples, mas escondem uma enorme quantidade de "conhecimento tácito". Caso contrário, não haveria tantas pessoas criando tutoriais passo a passo logo após o tweet dele.

Mas, se você abrir esses tutoriais, verá que também foram escritos por engenheiros. Embora detalhados — como criar as pastas raw/, wiki/, outputs/, como configurar o Claude Code no terminal, como escrever o system prompt para o LLM formatar o Markdown...

Mas os engenheiros são a minoria. A grande maioria dos trabalhadores do conhecimento ainda enfrenta uma enorme curva de aprendizado com esses tutoriais, o que explica por que isso causou tanto FOMO.

Blogueiros, profissionais de marketing, estudantes de pós-graduação escrevendo teses, professores preparando aulas, investidores analisando tendências do setor — essas pessoas passam o dia no ciclo "coletar informações → entender informações → produzir conteúdo". Elas talvez precisem de um sistema de conhecimento de AI ainda mais do que os engenheiros. Mas pedir para que configurem ambientes de terminal, escrevam Markdown e ajustem prompts?

Não é realista.

Como a maioria que não entende de código, eles ainda precisam superar o medo do terminal e da linha de comando.

As ferramentas devem servir ao usuário, e não o usuário se comprometer pela ferramenta.

Problema 2: A "Base de Conhecimento" é uma armadilha

Karpathy usou LLMs para reduzir drasticamente o custo da "organização de informações". Antes, precisávamos escrever resumos, criar tags e links manualmente; agora, deixamos o LLM fazer isso, e a forma de criar um "Segundo Cérebro" evoluiu.

Mas o destino final não mudou: essa base de conhecimento serve apenas para "ler".

Se for usada apenas para pesquisa e estudo, uma "base de conhecimento automaticamente bem organizada" é absolutamente suficiente.

No entanto, a essência do trabalhador do conhecimento é ser um produtor de documentos, e a essência do produtor de documentos é ser um criador. O verdadeiro trabalho de todo trabalhador do conhecimento não é coletar saber, mas usar o saber para criar conteúdo.

Todo o estudo e pesquisa no trabalho diário têm como objetivo final a produção de conteúdo. Isso significa que apenas ter uma wiki bonita não nos ajuda a concluir o trabalho final.

O conceito de base de conhecimento é um beco sem saída luxuoso; você obtém apenas a satisfação ilusória do "o que você vê é o que você tem", mas não colhe o retorno real trazido pela "produção e entrega".

Portanto, a essência da base de conhecimento é a "pornografia de produtividade" — ela simula perfeitamente o prazer da "colheita", mas não entrega resultados de produtividade.

Vou ilustrar a diferença com um cenário real.

Tomemos o caso do Karpathy como exemplo. Suponha que você seja do marketing de uma empresa de AI, viu o tweet dele e quer aproveitar o hype para criar uma série de conteúdos sobre o tema.

Se seguir o método de Karpathy, você precisará passar pelos seguintes passos:

1. Capturar o tweet dele, arquivos de ideias e artigos de comentários relacionados via script e baixá-los na pasta raw/.
1. Instalar o Node.js, instalar o Claude Code no terminal e escrever arquivos de instrução para que o Claude Code compile esses materiais em alguns artigos de wiki.
1. Baixar o Obsidian ou outro editor de Markdown para finalmente ter uma base de conhecimento estruturada sobre "LLM Knowledge Base".
1. Então, você abre um documento em branco e começa a escrever por conta própria.

Nick Spisak demonstra a configuração de uma base de conhecimento de LLM

Sem falar no passo 4, só nos três primeiros você já precisaria saber usar o terminal, instalar Node.js, configurar chaves de API, escrever instruções de prompt, baixar o Obsidian... Para a maioria das pessoas, antes mesmo de começar a criar a base de conhecimento, a complexidade das ferramentas já as faria desistir.

E mesmo que você consiga fazer tudo isso, no passo 4, você volta ao ponto de partida. A base de conhecimento te ajudou a entender o assunto, mas escrever, escolher imagens, publicar... tudo isso você ainda terá que fazer do zero.

Então, existe um método que resolva esses dois problemas simultaneamente e permita construir facilmente um "Segundo Cérebro" focado em resultados?

Sim. Este artigo que você está lendo agora foi produzido dessa forma. Usei apenas uma ferramenta durante todo o processo: YouMind. Vou demonstrar os passos específicos:

Como fazer na prática?

Passo 1: Coletar materiais

Abra o YouMind no navegador, crie um novo Board (você pode entender como um espaço de projeto) e salve todos os materiais relacionados:

• Artigos da web: cole o link e o conteúdo é capturado automaticamente.
• Vídeos do YouTube: cole o link e obtenha legendas e conteúdo automaticamente.
• Teses em PDF: faça o upload direto.
• Podcasts: cole o link e o áudio é analisado automaticamente.
• Suas próprias ideias: escreva notas rapidamente.

Esta é a pasta raw/ do Karpathy, mas sem a necessidade de baixar nada manualmente ou operar sistemas de arquivos.

Passo 2: Compreensão e diálogo com AI

Após salvar os materiais, você pode conversar diretamente com a AI dentro do Board. O contexto da AI são os materiais de primeira mão que você selecionou e que são relevantes para o tema, não informações genéricas da internet.

Você pode perguntar:

• "Quais são as semelhanças e diferenças entre os pontos de vista centrais destes artigos?"
• "Qual é a diferença essencial entre o método de Karpathy e a metodologia PARA de Tiago Forte?"
• "Com base nesses materiais, ajude-me a extrair três ângulos de pauta que mais valem a pena escrever."

Isso corresponde ao processo de compilação da wiki de Karpathy. Mas a diferença é: você não precisa esperar que o LLM gere automaticamente uma wiki completa; você guia ativamente a direção da compreensão através do diálogo.

Passo 3: Da compreensão à criação

Este passo é o divisor de águas. O fluxo de trabalho de Karpathy termina no passo anterior. No YouMind, você pode usar linguagem natural para comandar a AI a passar da compreensão para a criação:

• Com base nos materiais e no diálogo, gere um rascunho estruturado para um blog.
• Extraia do diálogo e da compreensão conteúdos curtos ideais para postar no Twitter.
• Transforme os argumentos centrais em infográficos visuais.
• Crie diretamente uma apresentação de Slides.

Todas essas produções são salvas no mesmo Board, junto com seus materiais e registros de diálogo. Elas não são arquivos isolados, mas diferentes nós na mesma cadeia de conhecimento.

Passo 4: Crescimento contínuo do conhecimento

Um Board não é descartável. Você pode configurar tarefas agendadas para que o YouMind capture regularmente as atualizações do Twitter de Karpathy para você e as salve no mesmo Board, completando o acúmulo de conhecimento.

É assim que um "Segundo Cérebro" deve ser: não apenas acumular, mas também produzir.

Comparando o método de Karpathy com o YouMind, vemos duas filosofias diferentes de "Segundo Cérebro de AI":

A verdadeira solução para a ansiedade de informação

Por fim, um ponto interessante.

Karpathy criou uma wiki de 400 mil palavras. Mas pense bem: o que o mundo inteiro cita? Não é aquela wiki, são os tweets dele, os vídeos dele, os artigos que ele escreve. Seus arquivos Markdown só ele vê; seus tweets são vistos por 12 milhões de pessoas.

A verdadeira base de conhecimento não é um sistema, é uma pessoa.

Se você escreve um artigo explicando algo a fundo e as pessoas salvam seu artigo ou citam sua opinião — você se torna a base de conhecimento delas.

Esse é o remédio para a ansiedade de conhecimento. Pessoas ansiosas despejam informações no sistema, achando que o sistema entenderá por elas. Mas pessoas influentes entregam compreensão, tornando-se a fonte de informação para os outros.

As primeiras estarão sempre ansiosas, pois a informação é infinita; as últimas não, pois já completaram a compreensão através da expressão.

Portanto, a questão nunca foi "como construir uma base de conhecimento melhor", mas sim "como se tornar uma base de conhecimento". A resposta é simples: produza continuamente.

O que o YouMind faz é ajudar você a deixar de ser um consumidor de informações para se tornar a fonte delas.

Este artigo e suas ilustrações foram criados em conjunto pelo editor e pela YouMind.