100K คน บุ๊กมาร์ก @karpathy's โพสต์:
แล้วเขาก็ปล่อย GitHub Gist เต็มรูปแบบ 5,000+ ดาว 1,400+ ฟอร์ก สองวัน
คนส่วนใหญ่ก็จะบุ๊กมาร์กมันเหมือนกัน แล้วก็ไม่ทำอะไรต่อ
ไม่ใช่因为它ยาก แต่เพราะไม่มีใครให้พรอมต์ที่ตรงจุด
ผมจะแก้ไขเรื่องนั้น
ผมจะพาคุณผ่านระบบทั้งหมด มอบพรอมต์แบบ copy-paste สำหรับทุกขั้นตอน และบอกคุณว่าจุดไหนที่ระบบนี้พัง เพื่อที่คุณจะได้ไม่เสียวันหยุดทั้งวันไปกับอะไรที่ใช้ไม่ได้ในระดับใหญ่
"หน้าที่ของมนุษย์คือการคัดเลือกแหล่งข้อมูล กำหนดทิศทางการวิเคราะห์ ตั้งคำถามที่ดี และคิดว่ามันหมายถึงอะไร หน้าที่ของ LLM คือทุกอย่างอื่น" — Andrej Karpathy
แนวคิด (สรุปภายใน 60 วินาที)
คุณมีความรู้กระจายอยู่ทุกหนทุกแห่ง บทความที่เซฟไว้ใน 4 แอป บุ๊กมาร์กจากปี 2023 ที่คุณจะไม่กลับไปดูอีก โน้ตจากการประชุมที่อยู่ในโฟลเดอร์ที่คุณลืมไปแล้ว
ตอนนี้ เมื่อคุณถาม AI เกี่ยวกับสิ่งที่คุณมี มันเริ่มต้นจากศูนย์ทุกครั้ง อัปโหลดเอกสาร ถามคำถาม ได้คำตอบ เซสชั่นถัดไป? มันลืมทุกอย่างแล้ว นั่นคือวิธีการทำงานของ ChatGPT file uploads, NotebookLM, และระบบ RAG ส่วนใหญ่ ไม่มีการสะสม
แนวคิดของ Karpathy พลิกเรื่องนี้
แทนที่ AI จะค้นหาไฟล์ดิบของคุณทุกครั้ง AI จะอ่านแหล่งข้อมูลของคุณครั้งเดียวและรวบรวม wiki ที่มีโครงสร้าง สรุป การอ้างอิงโยง ความเชื่อมโยงระหว่างไอเดีย ข้อขัดแย้งที่ถูกแฟล็ก
ทั้งหมดดูแลโดย AI ทั้งหมดอยู่ในไฟล์ markdown ธรรมดา
ครั้งต่อไปที่คุณถามคำถาม AI จะไม่ขุดคุ้ยเอกสารดิบ มันจะอ่าน wiki ที่มันสร้างไว้แล้ว
การเชื่อมต่อมีอยู่แล้ว
การสังเคราะห์ได้สะท้อนทุกสิ่งที่คุณอ่านแล้ว
ทุกแหล่งข้อมูลใหม่ที่คุณเพิ่มจะทำให้ wiki ยิ่งสมบูรณ์ ทุกคำถามที่คุณถามสามารถเก็บกลับเข้าไปได้ ความรู้ทบต้นแทนที่จะรีเซ็ต
ผลลัพธ์ของเขา: ~100 บทความ, ~400,000 คำในหัวข้อวิจัยเดียว เขาไม่ได้เขียนสักคำ AI เขียน, เชื่อมโยง, จัดหมวดหมู่, และดูแลทั้งหมด
ไม่มีฐานข้อมูล ไม่มี embeddings ไม่มี vector store แค่โฟลเดอร์และไฟล์ข้อความ
ทำไมคุณควรสนใจ?
สามกรณีการใช้งานที่สำคัญตอนนี้:
ถ้าคุณเป็นครีเอเตอร์หรือนักการตลาด นี่คือเครื่องมือวิจัยเนื้อหา ทิ้งบทวิเคราะห์คู่แข่ง บทความเทรนด์ ข้อมูลเชิงลึกของผู้ชมลงใน raw/ wiki จะเผยให้เห็นรูปแบบและมุมที่คุณไม่มีทางหาเจอด้วยตนเอง
ถ้าคุณเป็นผู้ก่อตั้งหรือที่ปรึกษา นี่คือสมองที่สองของคุณสำหรับงานลูกค้า การวิจัยตลาด หรือการวิเคราะห์คู่แข่ง ทุก ๆ รายงานที่คุณสร้างจะป้อนกลับเข้าสู่ระบบ เมื่อถึงเดือนที่ 3 AI ของคุณจะรู้จักโดเมนของคุณดีกว่าพนักงานใหม่ส่วนใหญ่
ถ้าคุณเป็นนักเรียนหรือนักวิจัย นี่คือสิ่งที่ Karpathy สร้างขึ้นมาเพื่อจริง ๆ การวิจัยเชิงลึกในเอกสารหลายสิบฉบับ โดย AI จะติดตามว่าไอเดียเชื่อมโยงกันอย่างไร ผู้เขียนไม่เห็นด้วยกันตรงไหน และยังมีช่องว่างอะไรเหลืออยู่
*สิ่งนี้ยังสามารถใช้สำหรับ workflow ด้าน R&D ของธุรกิจได้อีกมากมาย
ก่อนที่เราจะสร้าง: สิ่งที่คุณต้องมี
→ เครื่องมือ AI coding ใด ๆ ที่อ่านไฟล์ในเครื่องได้ (Claude Code, Cursor, Codex, หรืออะไรที่คล้ายกัน)
→ โปรแกรมแก้ไขข้อความ (แนะนำ Obsidian, แต่ VS Code, Notepad, อะไรก็ได้)
→ เอกสารต้นฉบับ 10+ ชิ้นในหัวข้อที่คุณสนใจ
→ 30 นาทีสำหรับการตั้งค่าเริ่มต้น จากนั้น 10 นาทีต่อแหล่งข้อมูล
แค่นั้น ไม่ต้องใช้ซอฟต์แวร์พิเศษ ไม่ต้องสร้างบัญชี ไม่ต้องติดตั้งปลั๊กอิน
ที่เหลือของบทความนี้คือการสร้าง 7 ขั้นตอน แต่ละขั้นตอนมีพรอมต์ที่แน่นอนที่คุณจะวางลงใน AI ของคุณ ทำตามตามลำดับ
ขั้นตอนที่ 1: สร้างโครงสร้างโฟลเดอร์ (2 นาที)
สร้างสิ่งนี้ที่ใดก็ได้บนเครื่องของคุณ:
1my-knowledge-base/2├── raw/ # เนื้อหาต้นฉบับของคุณ AI อ่านแต่ไม่แก้ไข3│ └── assets/ # รูปภาพ, ภาพหน้าจอ, ไดอะแกรม4├── wiki/ # wiki ที่ AI ดูแล คุณอ่าน AI เขียน5├── outputs/ # รายงาน, การวิเคราะห์, คำตอบจากคำถาม6└── CLAUDE.md # ไฟล์ schema ที่ทำให้ทุกอย่างทำงานได้
สามโฟลเดอร์ หนึ่งไฟล์ ถ้าคุณใช้เวลามากกว่า 2 นาทีตรงนี้ แสดงว่าคุณคิดมากเกินไป
ขั้นตอนที่ 2: เขียนไฟล์ Schema ของคุณ (ขั้นตอนที่ทุกคนข้าม อย่าทำตาม)
Schema คือความแตกต่างระหว่างแชทบอทธรรมดากับผู้ดูแล wiki ที่มีวินัย
มันบอก AI ว่าฐานความรู้เกี่ยวกับอะไร จัดระเบียบอย่างไร และต้องทำอะไรเมื่อคุณเพิ่มแหล่งข้อมูล ถามคำถาม หรือทำการบำรุงรักษา
คู่มืออื่น ๆ ให้เทมเพลต 10 บรรทัด นี่คือ schema ระดับโปรดักชันเต็มรูปแบบ อ้างอิงจาก gist ของ Karpathy ออกแบบมาเพื่อการใช้งานจริง:
1# Schema ฐานความรู้23## ตัวตน4นี่คือฐานความรู้ส่วนตัวเกี่ยวกับ [หัวข้อของคุณ]5ดูแลโดย LLM agent มนุษย์คัดเลือกแหล่งข้อมูลและถามคำถาม LLM ทำทุกอย่างอื่น67## สถาปัตยกรรม8- raw/ ประกอบด้วยเอกสารต้นฉบับที่ไม่เปลี่ยนแปลง ห้ามแก้ไขไฟล์ใน raw/ โดยเด็ดขาด9- wiki/ ประกอบด้วย wiki ที่รวบรวมแล้ว LLM เป็นเจ้าของไดเรกทอรีนี้ทั้งหมด10- outputs/ ประกอบด้วยรายงานที่สร้างขึ้น การวิเคราะห์ และคำตอบจากคำถาม1112## ข้อตกลงของ Wiki13- ทุกหัวข้อจะได้ไฟล์ .md ของตัวเองใน wiki/14- ทุกไฟล์ wiki เริ่มต้นด้วย YAML frontmatter:15 ---16 title: [ชื่อหัวข้อ]17 created: [วันที่]18 last_updated: [วันที่]19 source_count: [จำนวนแหล่งข้อมูลดิบที่ให้ข้อมูลในหน้านี้]20 status: [draft | reviewed | needs_update]21 ---22- หลังจาก frontmatter ให้มีสรุปหนึ่งย่อหน้า23- ใช้ [[ชื่อหัวข้อ]] สำหรับลิงก์ภายในระหว่างหน้า wiki24- ทุกข้อเท็จจริงต้องอ้างอิงแหล่งที่มา: [Source: filename.md]25- เมื่อข้อมูลใหม่ขัดแย้งกับเนื้อหาที่มีอยู่ ให้แฟล็กอย่างชัดเจน:26 > CONTRADICTION: [ข้อความเก่า] vs [ข้อความใหม่] จาก [source]2728## ดัชนีและบันทึก29- wiki/index.md แสดงทุกหน้าพร้อมคำอธิบายหนึ่งบรรทัด แยกตามหมวดหมู่30- wiki/log.md เป็นบันทึกตามลำดับเวลาแบบ append-only31- รูปแบบรายการบันทึก: ## [YYYY-MM-DD] action | คำอธิบาย32 (actions: ingest, query, lint, update)3334## Workflow การนำเข้า35เมื่อประมวลผลแหล่งข้อมูลใหม่:361. อ่านเอกสารต้นฉบับทั้งหมด372. หารือประเด็นสำคัญกับผู้ใช้383. สร้างหรืออัปเดตหน้าสรุปใน wiki/394. อัปเดต wiki/index.md405. อัปเดตหน้า entity และ concept ที่เกี่ยวข้องทั้งหมดทั่วทั้ง wiki416. เพิ่ม backlinks จากหน้าที่มีอยู่ไปยังเนื้อหาใหม่427. แฟล็กข้อขัดแย้งใด ๆ กับเนื้อหา wiki ที่มีอยู่438. เพิ่มรายการใน wiki/log.md449. แหล่งข้อมูลเดียวควรแตะ 10-15 หน้า wiki4546## Workflow การสอบถาม47เมื่อตอบคำถาม:481. อ่าน wiki/index.md ก่อนเพื่อหาหน้าที่เกี่ยวข้อง492. อ่านหน้า wiki ที่เกี่ยวข้องทั้งหมด503. สังเคราะห์คำตอบพร้อมการอ้างอิง [Source: page-name]514. ถ้าคำตอบเผยให้เห็นข้อมูลเชิงลึกใหม่ ให้เสนอที่จะเก็บกลับเข้าไปใน wiki/525. บันทึกคำตอบที่มีค่าลงใน outputs/5354## Workflow การตรวจสอบ (รายเดือน)55ตรวจสอบ:56- ข้อขัดแย้งระหว่างหน้า57- ข้อความที่ล้าสมัยซึ่งถูกแทนที่ด้วยแหล่งข้อมูลใหม่58- หน้าที่ไม่มีลิงก์ขาเข้า (orphan pages)59- แนวคิดที่ถูกกล่าวถึงแต่ไม่เคยอธิบาย60- การอ้างอิงโยงที่ขาดหาย61- ข้อความที่ไม่มีการระบุแหล่งที่มา62Output: wiki/lint-report-[date].md พร้อมระดับความรุนแรง6364## จุดเน้น65[ระบุ 3-5 หัวข้อที่ฐานความรู้นี้ครอบคลุม]
คัดลอกสิ่งนี้ ปรับแต่งจุดเน้น วางไว้ใน root ของโปรเจกต์ของคุณเป็น CLAUDE.md
ขั้นตอนที่ 3: เติมโฟลเดอร์ raw ของคุณ (10 นาทีของการทิ้งข้อมูล ไม่ต้องจัดระเบียบ)
เปิด raw/ แล้วทิ้งทุกอย่างลงไป:
→ คัดลอก-วางบทความเป็นไฟล์ .md หรือ .txt
→ ส่งออกโน้ตจากแอปที่คุณใช้อยู่ตอนนี้
→ เซฟภาพหน้าจอและไดอะแกรมไปที่ raw/assets/
→ วางเอกสารวิจัย, PDF, บทวิเคราะห์คู่แข่ง
→ ทิ้งบุ๊กมาร์กที่คุณกักตุนไว้เป็นเดือน
ไม่ต้องจัดระเบียบ ไม่ต้องเปลี่ยนชื่ออะไร ไม่ต้องทำความสะอาด นั่นคืองานของ AI
เคล็ดลับจาก Karpathy: ส่วนขยายเบราว์เซอร์ Obsidian Web Clipper จะแปลงบทความเว็บใด ๆ เป็น markdown ได้ในคลิกเดียว
ตั้งค่าปุ่มลัด (Settings → Hotkeys → "Download attachments") เพื่อดึงรูปภาพทั้งหมดมาไว้ในเครื่องเพื่อให้ AI สามารถอ้างอิงได้
ถ้าคุณไม่ใช้ Obsidian การคัดลอก-วางจากเบราว์เซอร์ก็ใช้ได้ดี
เป้าหมายคือปริมาณ ไม่ใช่ความสมบูรณ์แบบ
ขั้นตอนที่ 4: รันการนำเข้าครั้งแรกของคุณ
เปิด AI agent ของคุณ ชี้ไปที่โฟลเดอร์โปรเจกต์ของคุณ วางสิ่งนี้:
พรอมต์การนำเข้า:
1"อ่าน schema ใน CLAUDE.md จากนั้นประมวลผล [ชื่อไฟล์] จาก raw/ อ่านทั้งหมด หารือประเด็นสำคัญกับฉัน จากนั้น: สร้างหน้าสรุปใน wiki/, อัปเดต wiki/index.md, อัปเดตหน้า concept และ entity ที่เกี่ยวข้องทั้งหมด, เพิ่ม backlinks, แฟล็กข้อขัดแย้งใด ๆ, และเพิ่มใน wiki/log.md"
เริ่มต้นด้วยทีละแหล่ง Karpathy ก็ทำแบบเดียวกัน อ่านสรุป ตรวจสอบการอัปเดต แนะนำ AI ว่าควรเน้นอะไร สิ่งนี้ให้ผลลัพธ์ที่ดีกว่าการประมวลผลเป็นชุดทั้งหมดในครั้งเดียวอย่างเห็นได้ชัด
หลังจาก 5-10 แหล่ง โฟลเดอร์ wiki/ ของคุณจะมี index, log, และ 15-30 หน้าที่เชื่อมโยงถึงกัน
นั่นคือเวลาที่ทุกอย่างเริ่มคลิก
ขั้นตอนที่ 5: เริ่มสอบถามฐานความรู้ของคุณ
เมื่อคุณมี 10 หน้า wiki ขึ้นไป ระบบก็จะมีประโยชน์อย่างแท้จริง วางสิ่งนี้:
พรอมต์การสอบถาม:
1"อ่าน wiki/index.md จากสิ่งที่อยู่ในฐานความรู้ จงตอบ: [คำถามของคุณ] อ้างอิงว่าหน้า wiki ใดให้ข้อมูลแก่คำตอบของคุณ ถ้าสิ่งนี้เผยให้เห็นความเชื่อมโยงใหม่ที่ควรเก็บรักษาไว้ ให้สร้างหน้าใหม่ใน wiki/ และอัปเดต index"
คำถามที่ดึงคุณค่าสูงสุด:
→ "ช่องว่างที่ใหญ่ที่สุดสามประการในฐานความรู้นี้คืออะไร?"
→ "แหล่งข้อมูลใดไม่เห็นด้วยกัน และในประเด็นใด?"
→ "ฉันควรค้นคว้าอะไรต่อจากสิ่งที่อยู่ที่นี่?"
→ "เขียนรายงานสรุป 500 คำเกี่ยวกับ [หัวข้อ] โดยใช้เฉพาะเนื้อหาใน wiki"
→ "มีความเชื่อมโยงอะไรระหว่าง [แนวคิด A] และ [แนวคิด B]?"
วงจรสำคัญ: คำตอบที่ดีควรถูกเก็บกลับเข้าไปใน wiki
การเปรียบเทียบ การวิเคราะห์ ความเชื่อมโยงที่คุณค้นพบ
สิ่งเหล่านี้ทบต้นในฐานความรู้เช่นเดียวกับแหล่งข้อมูลที่นำเข้า
ทุกคำถามทำให้คำตอบถัดไปดีขึ้น
ขั้นตอนที่ 6: ตรวจสอบสุขภาพรายเดือน
นี่คือขั้นตอนที่ไม่มีใครทำ มันเป็นขั้นตอนที่ป้องกันไม่ให้ระบบทั้งหมดค่อย ๆ เสื่อมลง วางสิ่งนี้:
พรอมต์การตรวจสอบ:
1"รันการตรวจสอบสุขภาพเต็มรูปแบบของ wiki/ ตาม workflow การตรวจสอบใน CLAUDE.md ส่งออกไปที่ wiki/lint-report-[date].md พร้อมระดับความรุนแรง (🔴 ข้อผิดพลาด, 🟡 คำเตือน, 🔵 ข้อมูล) แนะนำบทความ 3 บทความเพื่อเติมเต็มช่องว่างความรู้ที่ใหญ่ที่สุด"
ทำไมสิ่งนี้ถึงสำคัญ: เมื่อ AI เขียนอะไรผิดเล็กน้อยแล้วคุณบันทึกมันกลับไป คำตอบถัดไปจะสร้างต่อจากสิ่งที่ผิดนั้น
สองเดือนต่อมา คุณจะมีห้าหน้าที่เสริมข้อผิดพลาดเดียวกัน การตรวจสอบสุขภาพจะจับสิ่งนี้ก่อนที่มันจะบานปลาย
ตรวจสอบเดือนละครั้ง ใช้เวลาสิบนาทีของคุณ ไม่มีข้อต่อรองถ้าคุณต้องการให้ระบบน่าเชื่อถือ
ขั้นตอนที่ 7: ปล่อยให้มันทบต้น
นี่คือจุดที่ระบบสร้างคุณค่าให้คุณ
หลังจากใช้งานสม่ำเสมอ 4-6 สัปดาห์ คุณไม่ได้แค่ค้นหาโน้ตอีกต่อไป
คุณกำลังสอบถามระบบความรู้ที่มีโครงสร้างซึ่งเข้าใจความเชื่อมโยงระหว่างแหล่งข้อมูลของคุณดีกว่าคุณ
สามวิธีในการเร่งการทบต้น:
เก็บผลลัพธ์จากการสำรวจกลับเข้าไป: เมื่อ AI สร้างการเปรียบเทียบหรือการวิเคราะห์ที่คุณเห็นว่ามีค่า ให้บันทึกมันเข้าไปใน wiki/ หรือ outputs/
Karpathy บอกว่าการสำรวจและคำถามของเขา "เพิ่มขึ้นเสมอ" ในฐานความรู้
เพิ่มผลลัพธ์ที่เป็นภาพ: ให้ AI แสดงคำตอบเป็นตาราง markdown, แผนภูมิ, หรือชุดสไลด์ (รูปแบบ Marp)
สิ่งเหล่านี้กลายเป็นสินทรัพย์ที่นำกลับมาใช้ใหม่ได้ ไม่ใช่แค่ข้อความแชทที่ใช้แล้วทิ้ง
ควบคุมเวอร์ชันทุกอย่าง: wiki ของคุณเป็นแค่ไฟล์ markdown
เริ่มต้น git repo คุณจะได้ประวัติเต็ม, การแตกกิ่ง, และความสามารถในการเลิกทำอะไรก็ตามที่ AI ทำผิด
โอเค นี่คือการสร้าง ทีนี้ นี่คือส่วนที่ไม่มีใครบอกคุณ
จุดที่ระบบนี้พัง (เวอร์ชันตรงไปตรงมา)
นี่เป็นรูปแบบที่เพิ่งเกิดใหม่ ไม่ใช่ผลิตภัณฑ์สำเร็จรูป Karpathy เองเรียกมันว่า "ชุดสคริปต์ที่งุ่มง่าม" และบอกว่ายังมีที่ว่างสำหรับผลิตภัณฑ์จริง
นี่คือสิ่งที่คุณต้องรู้ก่อนที่จะมอบความไว้วางใจให้ความรู้ของคุณกับมัน:
เพดานหน้าต่างบริบท (Context Window Ceiling).
wiki ของ Karpathy ทำงานที่ ~100 บทความและ ~400,000 คำ แต่หน้าต่างบริบท 128K โทเค็นก็เก็บได้แค่ ~96,000 คำ AI อ่านผ่านดัชนีแบบเลือกได้ ซึ่งหมายความว่ามันอาจพลาดบางสิ่ง งานวิจัยแสดงให้เห็นว่า LLM มีผลกระทบ "lost in the middle" ซึ่งข้อมูลที่อยู่ตรงกลางของอินพุตยาว ๆ จะถูกลดความสำคัญ ผลลัพธ์การสอบถามของคุณจะมีจุดบอด ยอมรับสิ่งนี้
การทบต้นของข้อผิดพลาด (Error Compounding).
AI เขียนหน้า wiki ที่มีข้อผิดพลาดเล็กน้อย คุณสอบถามกับมัน ข้อผิดพลาดเข้าสู่คำตอบของคุณ คุณเก็บคำตอบนั้นกลับไป ตอนนี้สองหน้าตอกย้ำข้อผิดพลาดเดียวกัน การตรวจสอบรายเดือนช่วยได้ แต่ AI ที่ทำการตรวจสอบก็มีจุดบอดเดียวกันกับ AI ที่ทำผิดพลาด นี่คือความเสี่ยงที่ใหญ่ที่สุด ผู้แสดงความเห็นคนหนึ่งใน gist ของ Karpathy พูดถูก: "เมื่อผลลัพธ์ถูกเก็บกลับไป ข้อผิดพลาดก็ทบต้นเช่นกัน"
ภาพหลอน (Hallucination) ไม่ได้หายไป.
แนวทาง wiki ช่วยลดภาพหลอนเพราะ AI ยึดคำตอบกับแหล่งข้อมูลของคุณ แต่มันไม่ได้กำจัดมัน AI ยังสามารถสังเคราะห์ความเชื่อมโยงที่ไม่มีอยู่ในเนื้อหาต้นฉบับได้ และเพราะ wiki ดูน่าเชื่อถือ (markdown ที่สะอาด, การอ้างอิงโยง, การอ้างอิง) คุณจึงมีแนวโน้มที่จะเชื่อถือข้อมูลที่ไม่ถูกต้อง อย่าทำ
ต้นทุนไม่ใช่ศูนย์.
ทุกการนำเข้า ทุกการสอบถาม ทุกการตรวจสอบ ใช้โทเค็น แหล่งข้อมูลเดียวที่แตะ 10-15 หน้าอาจมีค่าใช้จ่าย $2-5 ในการเรียก API ด้วยโมเดลระดับแนวหน้า 50 แหล่งคือ $100-250 สำหรับการนำเข้าเท่านั้น ถูกกว่าผู้ช่วยวิจัย แต่ไม่ฟรี
มันไม่สามารถปรับขนาดให้กับองค์กรได้.
Karpathy บอกว่าแนวทางไฟล์ดัชนีทำงานได้โดยไม่ต้องใช้ RAG ที่ ~100 บทความ ที่ 10,000+ แหล่ง รูปแบบนี้พัง ดัชนีใหญ่เกินไป ความสอดคล้องกันในหลายพันหน้าเป็นไปไม่ได้ คุณจะต้องมีโครงสร้างพื้นฐานที่ระบบนี้ออกแบบมาเพื่อหลีกเลี่ยง รู้ขีดจำกัด
จุดบอดของโมเดลเดียว.
wiki ทั้งหมดของคุณคือการตีความแหล่งข้อมูลของคุณของโมเดลเดียว โมเดลนั้นมีอคติและแนวโน้ม สำหรับการตัดสินใจที่มีความเสี่ยงสูง ผู้แสดงความเห็นใน gist คนหนึ่งแนะนำให้รันคำถามผ่าน 4+ โมเดลอย่างอิสระ แล้วเปรียบเทียบความสอดคล้อง แข็งแกร่งกว่า แต่ต้นทุนก็ 4 เท่าเช่นกัน
สิ่งที่ควรทำเกี่ยวกับเรื่องนี้
→ การทบต้นของข้อผิดพลาด: ตรวจสอบรายเดือน ตรวจสอบข้อเรียกร้องสำคัญด้วยตนเอง อย่าเชื่อถือ wiki อย่างสุ่มสี่สุ่มห้าในการตัดสินใจที่มีความเสี่ยงสูง
→ ข้อจำกัดบริบท: ให้แต่ละ wiki เน้นที่โดเมนเดียว มีหลายโดเมน? มีหลายฐานความรู้
→ ต้นทุน: ใช้โมเดลระดับแนวหน้าสำหรับการนำเข้าและการสอบถามที่ซับซ้อน โมเดลที่ถูกกว่าสำหรับการอัปเดตธรรมดา
→ ภาพหลอน: schema ด้านบนกำหนดให้ต้องมีการอ้างอิงแหล่งที่มาสำหรับทุกข้อความ ถ้าหน้าใดไม่มี [Source: filename] การตรวจสอบจะแฟล็กมัน
→ ขนาด: ยอมรับว่านี่เป็นเครื่องมือส่วนตัว ไม่ใช่โครงสร้างพื้นฐานขององค์กร ถ้าคุณโตเกินมัน นั่นเป็นปัญหาที่ดี
ทำไมมันถึงยังสำคัญ
แม้จะมีทั้งหมดข้างต้น นี่คือระบบความรู้ส่วนตัวที่ใช้งานได้จริงที่สุดที่มีอยู่ในตอนนี้
เหตุผลง่ายมาก: มนุษย์ละทิ้ง wiki เพราะการบำรุงรักษาเติบโตเร็วกว่าคุณค่า
คุณเริ่มจัดระเบียบ มันรู้สึกดีสองสัปดาห์ แล้วการดูแลรักษาก็ฆ่าแรงจูงใจ และคุณไม่เคยแตะมันอีกเลย
LLM ไม่เบื่อ พวกมันไม่ลืมอัปเดตการอ้างอิงโยง พวกมันสามารถแตะ 15 ไฟล์ในครั้งเดียวโดยไม่บ่น
Lex Fridman ยืนยันว่าเขามีการตั้งค่าที่คล้ายกัน
เขาสร้าง interactive HTML visualizations และสร้าง "ฐานความรู้ขนาดเล็ก" ที่เขาโหลดเข้าโหมดเสียงเพื่อวิ่ง 7-10 ไมล์
Elvis Saravia จาก DAIR.AI สร้างฐานความรู้ LLM สำหรับการดูแลการวิจัย AI มาสักพักแล้ว
มีโอเพนซอร์สหลายตัวที่ปรากฏบน GitHub ภายใน 48 ชั่วโมงหลังจาก gist ของ Karpathy
นี่ไม่ใช่การทดลองอีกต่อไป
มันกำลังกลายเป็นแนวปฏิบัติมาตรฐานสำหรับทุกคนที่ทำงานวิจัยอย่างจริงจัง
คลังพรอมต์ที่สมบูรณ์ของคุณ (คัดลอกทั้งหมด)
ทุกพรอมต์จากบทความนี้ รวมอยู่ในที่เดียว:
SCHEMA: คัดลอกเทมเพลต CLAUDE.md เต็มรูปแบบจากขั้นตอนที่ 2
นำเข้า (ทีละแหล่ง):
1"อ่าน schema ใน CLAUDE.md ประมวลผล [ชื่อไฟล์] จาก raw/ อ่านทั้งหมด หารือประเด็นสำคัญกับฉัน จากนั้น: สร้างหน้าสรุป, อัปเดต index, อัปเดตหน้าที่เกี่ยวข้องทั้งหมด, เพิ่ม backlinks, แฟล็กข้อขัดแย้ง, บันทึกการนำเข้า"
นำเข้า (เป็นชุด, ควบคุมน้อยกว่า):
1"อ่าน CLAUDE.md ประมวลผลไฟล์ที่ยังไม่ได้ประมวลผลทั้งหมดใน raw/ ตามลำดับ สำหรับแต่ละไฟล์: สร้างสรุป, อัปเดต index, อัปเดตหน้าที่เกี่ยวข้อง, บันทึกการนำเข้า ดำเนินการโดยอัตโนมัติ"
สอบถาม:
1"อ่าน wiki/index.md ตอบ: [คำถาม] อ้างอิงหน้า wiki ถ้าคำตอบนี้คุ้มค่าที่จะเก็บไว้ ให้เสนอที่จะเก็บเป็นหน้า wiki ใหม่"
ตรวจสอบ:
1"รันการตรวจสอบสุขภาพเต็มรูปแบบของ wiki/ ตาม workflow การตรวจสอบใน CLAUDE.md ส่งออกไปที่ wiki/lint-report-[date].md ด้วยระดับความรุนแรง 🔴/🟡/🔵 แนะนำบทความ 3 บทความเพื่อเติมช่องว่าง"
สำรวจ:
1"อ่าน wiki/index.md และระบุความเชื่อมโยงที่ยังไม่ได้สำรวจที่น่าสนใจที่สุด 5 รายการระหว่างหัวข้อที่มีอยู่ สำหรับแต่ละรายการ อธิบายว่ามันอาจเผยให้เห็นข้อมูลเชิงลึกอะไร และแหล่งข้อมูลใดจะช่วยยืนยันมัน"
รายงานสรุป:
1"จากทุกอย่างใน wiki/ เขียนรายงานสรุปสำหรับผู้บริหาร 500 คำเกี่ยวกับ [หัวข้อ] อ้างอิงแหล่งที่มา โครงสร้างเป็น: สถานะปัจจุบัน, ประเด็นขัดแย้งสำคัญ, คำถามที่ยังเปิดอยู่, ขั้นตอนต่อไปที่แนะนำ"
ลงมือสร้างเลย
ความแตกต่างระหว่างการบุ๊กมาร์ก gist ของ Karpathy กับการได้รับประโยชน์จากมันคือช่วงบ่ายวันเดียว
เลือกหัวข้อของคุณ สร้างโฟลเดอร์ คัดลอก schema
ใส่สิ่งที่คุณมีอยู่แล้ว รันการนำเข้าครั้งแรกของคุณ
แล้วทำอีกครั้งในวันพรุ่งนี้ด้วยแหล่งข้อมูลอื่น
และสัปดาห์หน้าด้วยอีกห้าแหล่ง
wiki จะฉลาดขึ้นทุกครั้ง นั่นคือประเด็นทั้งหมด
สามโฟลเดอร์ หนึ่ง schema
AI ที่ทำงานหนักที่คุณจะไม่ทำเอง
หยุดสะสมบุ๊กมาร์ก เริ่มรวบรวมความรู้
เปลี่ยน Claude ให้เป็นผู้เชี่ยวชาญมากกว่า 20 คนสำหรับการตลาดและธุรกิจ
ติดตั้งความเชี่ยวชาญจริง ไม่ใช่แค่พรอมต์
รับชุดทักษะ Claude ของฉัน 👇
