100 mil pessoas salvaram o @karpathy nos favoritos do post dele:
Então ele publicou um GitHub Gist completo. Mais de 5.000 estrelas. Mais de 1.400 forks. Dois dias.
A maioria das pessoas também vai salvar isso nos favoritos. E não fazer nada.
Não porque seja difícil. Porque ninguém deu a elas os prompts exatos.
Vou resolver isso.
Vou te guiar por todo o sistema, entregar prompts prontos para copiar e colar em cada etapa, e te contar onde isso falha para você não perder um fim de semana com algo que quebra em escala.
"O trabalho do humano é selecionar fontes, direcionar a análise, fazer boas perguntas e refletir sobre o significado de tudo. O trabalho do LLM é todo o resto." — Andrej Karpathy
O Conceito (Versão de 60 Segundos)
Você tem conhecimento espalhado por toda parte. Artigos salvos em 4 aplicativos. Favoritos de 2023 que você nunca mais vai revisitar. Anotações de reuniões que vivem em uma pasta que você esqueceu que existia.
Agora, quando você pergunta algo à IA sobre suas coisas, ela começa do zero toda vez. Envie documentos, faça uma pergunta, obtenha uma resposta. Próxima sessão? Esqueceu tudo. É assim que os uploads de arquivos do ChatGPT, NotebookLM e a maioria dos sistemas RAG funcionam. Acúmulo zero.
A ideia do Karpathy inverte isso.
Em vez da IA pesquisar seus arquivos brutos toda vez, a IA lê suas fontes uma vez e compila uma wiki estruturada. Resumos, referências cruzadas, conexões entre ideias, contradições sinalizadas.
Tudo mantido pela IA. Tudo em arquivos markdown simples.
Na próxima vez que você fizer uma pergunta, a IA não vasculha documentos brutos. Ela lê a wiki que já construiu.
As conexões já estão lá.
A síntese já reflete tudo que você leu.
Cada nova fonte que você adiciona enriquece a wiki. Cada pergunta que você faz pode ser arquivada de volta. O conhecimento se acumula em vez de ser reiniciado.
O resultado dele: ~100 artigos, ~400.000 palavras sobre um único tópico de pesquisa. Ele não escreveu uma palavra disso. A IA escreveu, vinculou, categorizou e manteve tudo.
Sem banco de dados. Sem embeddings. Sem vector store. Apenas pastas e arquivos de texto.
Por Que Você Deveria se Importar?
Três casos de uso que importam agora:
Se você é um criador ou profissional de marketing, isso é um motor de pesquisa de conteúdo. Jogue análises de concorrentes, artigos em alta, insights do público em raw/. A wiki revela padrões e ângulos que você nunca encontraria manualmente.
Se você é um fundador ou consultor, este é seu segundo cérebro para trabalho com clientes, pesquisa de mercado ou análise competitiva. Cada relatório que você gera alimenta o sistema. No terceiro mês, sua IA conhece seu domínio melhor que a maioria dos contratados.
Se você é um estudante ou pesquisador, é para isso que Karpathy realmente construiu. Pesquisa aprofundada em dezenas de artigos, com a IA rastreando como as ideias se conectam, onde os autores discordam e quais lacunas permanecem.
*Isso também pode ser usado para muitos fluxos de trabalho de P&D empresarial.
Antes de Construirmos: O Que Você Precisa
→ Qualquer ferramenta de codificação de IA que leia arquivos locais (Claude Code, Cursor, Codex ou similar)
→ Um editor de texto (Obsidian recomendado, mas VS Code, Notepad, qualquer um serve)
→ 10+ documentos de origem sobre um tópico que te interessa
→ 30 minutos para configuração inicial, depois 10 minutos por fonte
Só isso. Nenhum software especial. Nenhuma conta para criar. Nenhum plugin para instalar.
O restante deste artigo é a construção. 7 etapas. Cada etapa tem o prompt exato que você vai colar na sua IA. Siga-os em ordem.
Etapa 1: Criar a Estrutura de Pastas (2 Minutos)
Crie isso em qualquer lugar na sua máquina:
1my-knowledge-base/2├── raw/ # Seu material de origem. A IA lê mas nunca modifica.3│ └── assets/ # Imagens, capturas de tela, diagramas4├── wiki/ # Wiki mantida pela IA. Você lê. A IA escreve.5├── outputs/ # Relatórios, análises, respostas de consultas6└── CLAUDE.md # O arquivo de esquema que faz tudo isso funcionar
Três pastas, um arquivo. Se você está gastando mais de 2 minutos aqui, está pensando demais.
Etapa 2: Escrever Seu Arquivo de Esquema (A Etapa Que Todo Mundo Pula. Não Pule.)
O esquema é a diferença entre um chatbot genérico e um mantenedor de wiki disciplinado.
Ele diz à sua IA sobre o que é a base de conhecimento, como organizá-la e o que fazer quando você adicionar fontes, fizer perguntas ou executar manutenção.
Todo outro guia te dá um template de 10 linhas. Aqui está o esquema de produção completo, baseado no gist do Karpathy, projetado para uso real:
1# Esquema da Base de Conhecimento23## Identidade4Esta é uma base de conhecimento pessoal sobre [SEU TÓPICO].5Mantida por um agente LLM. O humano seleciona fontes e faz perguntas. O LLM faz todo o resto.67## Arquitetura8- raw/ contém documentos de origem imutáveis. NUNCA modifique arquivos em raw/.9- wiki/ contém a wiki compilada. O LLM é dono total deste diretório.10- outputs/ contém relatórios gerados, análises e respostas a consultas.1112## Convenções da Wiki13- Cada tópico tem seu próprio arquivo .md em wiki/14- Todo arquivo da wiki começa com frontmatter YAML:15 ---16 title: [Nome do Tópico]17 created: [Data]18 last_updated: [Data]19 source_count: [Número de fontes brutas que alimentaram esta página]20 status: [rascunho | revisado | precisa_atualizar]21 ---22- Após o frontmatter, um resumo de um parágrafo23- Use [[nome-do-tópico]] para links internos entre páginas da wiki24- Toda afirmação factual cita sua fonte: [Fonte: arquivo.md]25- Quando novas informações contradizem conteúdo existente, sinalize explicitamente:26 > CONTRADIÇÃO: [afirmação antiga] vs [nova afirmação] de [fonte]2728## Índice e Registro29- wiki/index.md lista todas as páginas com uma descrição de uma linha, por categoria30- wiki/log.md é um registro cronológico somente de acréscimos31- Formato da entrada do registro: ## [AAAA-MM-DD] ação | Descrição32 (Ações: ingest, query, lint, update)3334## Fluxo de Ingestão (Ingest Workflow)35Ao processar uma nova fonte:361. Leia o documento de origem completo372. Discuta os principais aprendizados com o usuário383. Crie ou atualize uma página de resumo em wiki/394. Atualize wiki/index.md405. Atualize TODAS as páginas de entidades e conceitos relevantes em toda a wiki416. Adicione backlinks de páginas existentes para o novo conteúdo427. Sinalize quaisquer contradições com o conteúdo existente da wiki438. Acrescente entrada a wiki/log.md449. Uma única fonte deve tocar de 10 a 15 páginas da wiki4546## Fluxo de Consulta (Query Workflow)47Ao responder a uma pergunta:481. Leia wiki/index.md primeiro para encontrar páginas relevantes492. Leia todas as páginas relevantes da wiki503. Sintetize a resposta com citações [Fonte: nome-da-página]514. Se a resposta revelar novos insights, ofereça-se para arquivá-la de volta em wiki/525. Salve respostas valiosas em outputs/5354## Fluxo de Verificação (Lint Workflow) (Mensal)55Verifique:56- Contradições entre páginas57- Afirmações desatualizadas substituídas por fontes mais novas58- Páginas órfãs sem links de entrada59- Conceitos mencionados mas nunca explicados60- Referências cruzadas ausentes61- Afirmações sem atribuição de fonte62Saída: wiki/lint-report-[data].md com níveis de gravidade6364## Áreas de Foco65[Liste de 3 a 5 tópicos que esta base de conhecimento cobre]
Copie isso. Personalize as áreas de foco. Coloque na raiz do seu projeto como CLAUDE.md.
Etapa 3: Preencher Sua Pasta Raw (10 Minutos para Despejar, Zero Organização)
Abra raw/ e despeje tudo:
→ Copie e cole artigos em arquivos .md ou .txt
→ Exporte anotações do aplicativo que você está usando agora
→ Salve capturas de tela e diagramas em raw/assets/
→ Cole artigos de pesquisa, PDFs, análises de concorrentes
→ Despeje favoritos que você acumula há meses
Não organize. Não renomeie nada. Não limpe. Esse é o trabalho da IA.
Dica profissional do Karpathy: A extensão de navegador Obsidian Web Clipper converte qualquer artigo da web em markdown com um clique.
Defina uma tecla de atalho (Configurações → Teclas de Atalho → "Baixar anexos") para puxar todas as imagens localmente para que a IA possa referenciá-las.
Se você não usa Obsidian, copiar e colar do seu navegador funciona bem.
O objetivo é volume. Não perfeição.
Etapa 4: Executar Sua Primeira Ingestão
Abra seu agente de IA. Aponte para a pasta do seu projeto. Cole isto:
PROMPT DE INGESTÃO:
1"Leia o esquema em CLAUDE.md. Em seguida, processe [NOME_DO_ARQUIVO] de raw/. Leia completamente, discuta os principais aprendizados comigo, depois: crie uma página de resumo em wiki/, atualize wiki/index.md, atualize todas as páginas de conceitos e entidades relevantes, adicione backlinks, sinalize quaisquer contradições e acrescente a wiki/log.md."
Comece com uma fonte de cada vez. Karpathy faz o mesmo. Leia os resumos. Verifique as atualizações. Guie a IA sobre o que enfatizar. Isso produz resultados dramaticamente melhores do que processar tudo em lote de uma vez.
Após 5 a 10 fontes, sua pasta wiki/ terá um índice, um registro e 15 a 30 páginas interconectadas.
É quando tudo se encaixa.
Etapa 5: Começar a Consultar Sua Base de Conhecimento
Depois que você tiver 10+ páginas na wiki, o sistema se torna genuinamente útil. Cole isto:
PROMPT DE CONSULTA:
1"Leia wiki/index.md. Com base no que está na base de conhecimento, responda: [SUA PERGUNTA]. Cite quais páginas da wiki informaram sua resposta. Se isso revelar novas conexões que valem a pena preservar, crie uma nova página em wiki/ e atualize o índice."
Perguntas que extraem mais valor:
→ "Quais são as três maiores lacunas nesta base de conhecimento?"
→ "Quais fontes discordam entre si, e sobre o quê?"
→ "O que devo pesquisar a seguir com base no que está aqui?"
→ "Escreva um briefing de 500 palavras sobre [tópico] usando apenas conteúdo da wiki"
→ "Que conexões existem entre [conceito A] e [conceito B]?"
O ciclo crítico: boas respostas devem ser arquivadas de volta na wiki.
Uma comparação, uma análise, uma conexão que você descobriu.
Elas se acumulam na base de conhecimento assim como as fontes ingeridas.
Cada pergunta torna a próxima resposta melhor.
Etapa 6: Executar Verificações Mensais de Saúde
Esta é a etapa que ninguém faz. É a etapa que impede todo o sistema de apodrecer lentamente. Cole isto:
PROMPT DE VERIFICAÇÃO (LINT):
1"Execute uma verificação de saúde completa em wiki/ conforme o fluxo de lint em CLAUDE.md. Envie a saída para wiki/lint-report-[data].md com níveis de gravidade (🔴 erros, 🟡 avisos, 🔵 informações). Sugira 3 artigos para preencher as maiores lacunas de conhecimento."
Por que isso importa: quando a IA escreve algo ligeiramente errado e você salva de volta, a próxima resposta se baseia na coisa errada.
Dois meses depois, você tem cinco páginas reforçando o mesmo erro. As verificações de saúde detectam isso antes que vire uma bola de neve.
Uma verificação por mês. Dez minutos do seu tempo. Inegociável se você quiser que o sistema permaneça confiável.
Etapa 7: Deixe o Conhecimento se Acumular
É aqui que o sistema mostra seu valor.
Após 4 a 6 semanas de uso consistente, você não está apenas pesquisando anotações.
Você está consultando um sistema de conhecimento estruturado que entende as conexões entre suas fontes melhor do que você.
Três maneiras de acelerar o acúmulo:
Arquive de volta os resultados de explorações: Quando a IA gera uma comparação ou análise que você considera valiosa, salve-a em wiki/ ou outputs/.
Karpathy diz que suas próprias explorações e consultas "sempre se somam" na base de conhecimento.
Adicione saídas visuais: Peça à IA para renderizar respostas como tabelas markdown, gráficos ou decks de slides (formato Marp).
Isso se torna ativos reutilizáveis, não mensagens de chat descartáveis.
Versionamento de tudo: Sua wiki são apenas arquivos markdown.
Inicialize um repositório git. Você tem histórico completo, ramificações e a capacidade de desfazer qualquer coisa que a IA estrague.
Ok. Essa é a construção. Agora, aqui está a parte que ninguém mais vai te contar.
Onde Este Sistema Quebra (A Versão Honesta)
Este é um padrão nascente, não um produto acabado. O próprio Karpathy chamou de "uma coleção improvisada de scripts" e disse que há espaço para um produto real.
Aqui está o que você precisa saber antes de confiar seu conhecimento a ele:
Teto da Janela de Contexto.
A wiki do Karpathy funciona com ~100 artigos e ~400K palavras. Mas mesmo janelas de contexto de 128K tokens só seguram ~96K palavras. A IA lê seletivamente através do índice, o que significa que pode perder coisas. Pesquisas mostram que LLMs sofrem de efeitos "perdidos no meio", onde informações no centro de entradas longas são despriorizadas. Seus resultados de consulta terão pontos cegos. Aceite isso.
Compensação de Erros.
A IA escreve uma página da wiki com um erro sutil. Você consulta contra ela. O erro entra na sua resposta. Você arquiva essa resposta de volta. Agora, duas páginas reforçam o mesmo erro. A verificação mensal ajuda, mas a IA que faz a verificação tem os mesmos pontos cegos que a IA que cometeu o erro. Este é o maior risco isolado. Um comentarista no gist do Karpathy acertou em cheio: "Quando as saídas são arquivadas de volta, os erros também se acumulam."
Alucinação Não Desaparece.
A abordagem da wiki reduz a alucinação porque a IA fundamenta as respostas em suas fontes. Mas não a elimina. A IA ainda pode sintetizar conexões que não existem no material de origem. E porque a wiki parece autoritária (markdown limpo, referências cruzadas, citações), você é mais propenso a confiar em informações incorretas. Não confie.
Custo Não é Zero.
Cada ingestão, cada consulta, cada verificação custa tokens. Uma única fonte que toca de 10 a 15 páginas pode custar de $2 a $5 em chamadas de API com modelos de ponta. 50 fontes são de $100 a $250 só para ingestão. Mais barato que um assistente de pesquisa. Não é grátis.
Não Escala para Empresas.
Karpathy diz que a abordagem de arquivo de índice funciona sem RAG em ~100 artigos. Com 10.000+ fontes, esse padrão quebra. O índice cresce demais. A consistência em milhares de páginas se torna impossível. Você vai precisar da infraestrutura que este sistema foi projetado para evitar. Conheça o teto.
Pontos Cegos de Modelo Único.
Sua wiki inteira é a interpretação de um único modelo de suas fontes. Esse modelo tem vieses e tendências. Para decisões de alto risco, um comentarista do gist sugeriu executar consultas através de 4+ modelos de forma independente e depois comparar a concordância. Mais robusto. Também 4x o custo.
O Que Fazer Sobre Isso
→ Compensação de erros: Verificações mensais de lint. Verifique cruzadamente afirmações críticas manualmente. Nunca confie cegamente na wiki para decisões de alto risco.
→ Limites de contexto: Mantenha cada wiki focada em um domínio. Múltiplos domínios? Múltiplas bases de conhecimento.
→ Custo: Use modelos de ponta para ingestão e consultas complexas. Modelos mais baratos para atualizações simples.
→ Alucinação: O esquema acima exige citações de fonte em cada afirmação. Se uma página fizer uma afirmação sem [Fonte: arquivo], a verificação sinalizará.
→ Escala: Aceite que esta é uma ferramenta pessoal, não infraestrutura empresarial. Se você superá-la, esse é um bom problema.
Por Que Ainda Importa
Apesar de tudo acima, este é o sistema de conhecimento pessoal mais prático disponível agora.
A razão é muito simples: humanos abandonam wikis porque a manutenção cresce mais rápido que o valor.
Você começa a organizar, parece ótimo por duas semanas, então o esforço de manutenção mata a motivação e você nunca mais mexe nisso.
LLMs não ficam entediados. Eles não esquecem de atualizar uma referência cruzada. Eles podem tocar 15 arquivos em uma única passagem sem reclamar.
Lex Fridman confirmou que usa uma configuração semelhante.
Ele gera visualizações HTML interativas e cria "minibases de conhecimento" que carrega no modo de voz para corridas de 7 a 10 milhas.
Elvis Saravia, do DAIR.AI, vem construindo bases de conhecimento de LLM para curadoria de pesquisa em IA.
Múltiplas implementações de código aberto chegaram ao GitHub em 48 horas após o gist do Karpathy.
Isso não é mais um experimento.
Está se tornando uma prática padrão para qualquer pessoa que faça pesquisa séria.
Sua Biblioteca Completa de Prompts (Copie Tudo)
Todos os prompts deste artigo, coletados em um só lugar:
ESQUEMA: Copie o template completo de CLAUDE.md da Etapa 2.
INGESTÃO (uma fonte):
1"Leia o esquema em CLAUDE.md. Processe [NOME_DO_ARQUIVO] de raw/. Leia completamente, discuta os principais aprendizados comigo, depois: crie uma página de resumo, atualize o índice, atualize todas as páginas relevantes, adicione backlinks, sinalize contradições, registre a ingestão."
INGESTÃO (lote, menos supervisionada):
1"Leia CLAUDE.md. Processe todos os arquivos não processados em raw/ sequencialmente. Para cada um: crie resumo, atualize índice, atualize páginas relevantes, registre a ingestão. Proceda automaticamente."
CONSULTA:
1"Leia wiki/index.md. Responda: [PERGUNTA]. Cite páginas da wiki. Se esta resposta valer a pena ser preservada, ofereça-se para arquivá-la como uma nova página da wiki."
VERIFICAÇÃO (LINT):
1"Execute uma verificação de saúde completa em wiki/ conforme o fluxo de lint em CLAUDE.md. Envie a saída para wiki/lint-report-[data].md com gravidade 🔴/🟡/🔵. Sugira 3 artigos para preencher lacunas."
EXPLORE:
1"Leia wiki/index.md e identifique as 5 conexões inexploradas mais interessantes entre tópicos existentes. Para cada uma, explique que insight ela pode revelar e que fonte ajudaria a confirmá-la."
BRIEFING:
1"Com base em tudo em wiki/, escreva um briefing executivo de 500 palavras sobre [TÓPICO]. Cite fontes. Estruture como: estado atual, tensões principais, questões em aberto, próximos passos recomendados."
Vá Construir
A diferença entre salvar o gist do Karpathy nos favoritos e se beneficiar dele é uma tarde.
Escolha seu tópico. Crie as pastas. Copie o esquema.
Jogue o que você já tem. Execute sua primeira ingestão.
Depois faça de novo amanhã com outra fonte.
E na próxima semana com mais cinco.
A wiki fica mais inteligente a cada vez. Esse é o ponto principal.
Três pastas. Um esquema.
Uma IA que faz o trabalho pesado que você nunca faria.
Pare de colecionar favoritos. Comece a compilar conhecimento.
Transforme o Claude em mais de 20 especialistas diferentes para marketing e negócios.
Instale expertise real, não apenas prompts.
Obtenha meu pacote de habilidades para Claude 👇
