Crie sua própria base de conhecimento com IA estilo Karpathy sem escrever código

Sentindo o FOMO? Karpathy te pregou mais uma peça

Na semana passada, Andrej Karpathy postou um tweet dizendo que não gasta mais a maior parte de seus tokens de IA escrevendo código, mas sim construindo sua base de conhecimento pessoal. Esse tweet alcançou 17 milhões de visualizações e viralizou nos círculos de IA, tanto na China quanto no Ocidente.

O mestre entrou em campo novamente para gerar FOMO, deixando todo mundo ansioso para testar.

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

Problema 1: Alta barreira de configuração

A abordagem de Karpathy para construir uma base de conhecimento com LLM é: entregar o material bruto para o LLM e, sem usar RAG ou bancos de dados vetoriais, deixar que o LLM "compile" tudo diretamente em uma base de conhecimento em Markdown com resumos, links bidirecionais e índices de conceitos.

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

No entanto, como Karpathy é um engenheiro brilhante, suas poucas palavras parecem simples, mas escondem uma enorme quantidade de "conhecimento tácito". Não é à toa que tantas pessoas, após o tweet dele, criaram tutoriais de montagem passo a passo.

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

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

Blogueiros de redes sociais, profissionais de marketing de marca, estudantes de pós-graduação escrevendo teses, professores preparando aulas, investidores estudando tendências de mercado — essas pessoas fazem o ciclo "coletar informação → entender informação → produzir conteúdo" todos os dias. Elas talvez precisem de um sistema de conhecimento com IA muito mais do que os engenheiros. Mas pedir que configurem ambientes de terminal, escrevam Markdown e ajustem prompts?

Não é realista.

Como parte da maioria que não entende de código, você ainda precisa superar o medo do terminal e da linha de comando.

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

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

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

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 organizada automaticamente" é absolutamente suficiente.

No entanto, a essência do trabalhador do conhecimento é ser um redator, e a essência do redator é ser um criador. Para todos os trabalhadores do conhecimento, o verdadeiro trabalho não é coletar conhecimento, mas usar o conhecimento para criar conteúdo.

Todo o estudo e pesquisa no trabalho diário visam, ao 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 falsa 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 "produtividade tóxica" (productivity porn) — 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 IA, viu o tweet dele e quer aproveitar o hype para criar uma série de conteúdos sobre o tema.

Seguindo o método de Karpathy, você precisaria passar pelos seguintes passos:

1. Capturar o tweet dele, arquivos de ideias e artigos de comentários relacionados via script e baixar 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 construção de uma base de conhecimento com 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 construir 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 à estaca zero. A base de conhecimento te ajudou a entender o assunto, mas escrever, criar imagens, publicar... tudo isso você ainda terá que fazer do zero.

Então, existe uma maneira de resolver esses dois problemas simultaneamente e 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 relevantes:

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

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

Passo 2: Compreensão e diálogo com IA

Após salvar os materiais, você pode conversar diretamente com a IA dentro do Board. O contexto da IA são os materiais de primeira mão que você selecionou cuidadosamente para este tema, e 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 nestes materiais, me ajude 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 o LLM gerar automaticamente um conjunto completo de wikis; você usa o diálogo para guiar ativamente a direção da sua compreensão.

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 IA a passar da compreensão para a criação:

• Com base nos materiais e no diálogo, gere um rascunho completo de um post para blog
• Extraia do diálogo e da compreensão conteúdos curtos ideais para postar no Twitter
• Transforme os argumentos centrais em infográficos visualizados
• Crie diretamente apresentações de Slides

Todas essas produções ficam 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: O conhecimento continua crescendo

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 ciclo de juros compostos do 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 com IA":

A verdadeira solução para a ansiedade por informação

Para encerrar, um ponto interessante.

Karpathy criou uma wiki de 400 mil palavras. Mas pense bem: o que o mundo inteiro está citando? Não é aquela wiki, são os tweets dele, os vídeos dele, os artigos que ele escreveu. O arquivo Markdown dele só ele vê; o tweet dele 12 milhões de pessoas viram.

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.

Este é o antídoto para a ansiedade por conhecimento. Pessoas ansiosas estão despejando informações no sistema, achando que o sistema entenderá por elas. Mas pessoas realmente influentes estão entregando compreensão para o mundo, tornando-se a fonte de informação para os outros.

As primeiras estarão sempre ansiosas, porque a informação é infinita; as últimas não, porque 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: produção contínua.

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

Este texto e suas ilustrações foram criados em conjunto por editores e pelo YouMind.