Karpathy Tarzı AI Bilgi Tabanınızı Kod Yazmadan Oluşturun

FOMO'ya Kapılan Sen, Karpathy Tarafından Yine Ters Köşeye Yatırıldın

Geçen hafta Andrej Karpathy bir tweet atarak, artık büyük miktardaki AI token'larını kod yazmak için değil, kişisel bir bilgi tabanı (knowledge base) oluşturmak için harcadığını söyledi. Bu tweet 17 milyon görüntüleme alarak hem Çince hem de İngilizce konuşan AI çevrelerinde hızla yayıldı.

Üstat yine sahaya inip FOMO (fırsatı kaçırma korkusu) yarattı ve herkesi bu yöntemi denemeye heveslendirdi.

Ancak gerçekten denediğinde göreceksin ki, bu yöntem teoride çok güçlü olsa da uygulama aşamasında pek çok sorun barındırıyor.

Sorun 1: Yüksek Kurulum Bariyeri

Karpathy'nin LLM kullanarak bilgi tabanı oluşturma yöntemi şu: Ham materyalleri LLM'e veriyor; RAG (Geri Getirme Destekli Üretim) yok, vektör veritabanı yok; tamamen LLM'in gücüne dayanarak bunları özetler, ters bağlantılar ve kavram dizinleri içeren bir markdown bilgi tabanına "hard-compile" ediyor (doğrudan derliyor).

Bu tweet 600 kelimeden biraz fazla. Açıkçası, kod yazmayı bilen biri için bu süreç gerçekten karmaşık değil.

Ancak bir mühendis dehası olarak Karpathy'nin birkaç satırda anlattığı ve çok basit görünen bu süreç, aslında büyük miktarda "örtük bilgi" (tacit knowledge) barındırıyor. Aksi takdirde, o bu tweet'i attıktan sonra bu kadar çok insan adım adım kurulum rehberleri yayınlamazdı.

Fakat bu rehberleri açtığınızda, bunların da mühendisler tarafından yazıldığını göreceksiniz. Oldukça detaylı olsalar da — raw/, wiki/, outputs/ şeklinde üç katmanlı klasörlerin nasıl oluşturulacağı, terminalde Claude Code'un nasıl yapılandırılacağı, LLM'in markdown formatında çıktı vermesi için system prompt'un nasıl yazılacağı gibi konular...

Ancak mühendisler azınlıkta. Bilgi işçilerinin büyük çoğunluğu için bu rehberler hala devasa bir öğrenme maliyeti anlamına geliyor; bu da neden bu kadar büyük bir FOMO dalgası oluştuğunu açıklıyor.

Sosyal medya içerik üreticileri, marka pazarlamacıları, tez yazan lisansüstü öğrencileri, ders materyali hazırlayan öğretmenler, sektör trendlerini araştıran yatırımcılar — bu insanlar her gün "bilgi toplama → bilgiyi anlama → içerik üretme" döngüsü içindeler. Bir AI bilgi sistemine belki de mühendislerden daha çok ihtiyaç duyuyorlar. Ama onlardan terminal ortamı kurmalarını, markdown yazmalarını ve prompt ayarlamalarını beklemek?

Gerçekçi değil.

Kod bilmeyen çoğunluk için terminal ve komut satırı korkusunu aşmak hala büyük bir engel.

Araç kullanıcıya hizmet etmelidir, kullanıcı araca boyun eğmemelidir.

Sorun 2: "Bilgi Tabanı" Büyük Bir Tuzaktır

Karpathy, LLM kullanarak "bilgi düzenleme" maliyetini büyük ölçüde düşürdü. Eskiden özetleri kendimiz yazar, etiketleri kendimiz ekler, bağlantıları kendimiz kurardık; şimdi bunu LLM'e yaptırıyoruz. "İkinci Beyin" (Second Brain) oluşturma yöntemi bir adım daha ileri gitti.

Ancak varış noktası değişmedi: Bu bilgi tabanı sadece "okunabilir".

Eğer amacınız sadece araştırma ve öğrenme ise, "otomatik olarak çok iyi düzenlenmiş bir bilgi tabanı" kesinlikle yeterlidir.

Ancak, bilgi işçilerinin özü dosya/belge işçisidir ve belge işçilerinin özü de içerik üreticisidir. Tüm bilgi işçilerinin asıl işi bilgi toplamak değil, bilgiyi kullanarak içerik üretmektir.

Günlük iş akışındaki tüm öğrenme ve araştırmaların nihai amacı içerik üretmektir. Bu da demek oluyor ki, sadece güzel görünümlü bir wiki'ye sahip olmak, nihai işimizi tamamlamamıza yardımcı olmaz.

Bilgi tabanı kavramı, görkemli bir çıkmaz sokaktır. Elde ettiğiniz tek şey "gördüğün şey aldığın şeydir" (WYSIWYG) tarzı sahte bir tatmindir; ancak "üretim ve teslimatın" getirdiği gerçek getiriyi elde edemezsiniz.

Bu yüzden, bilgi tabanının özü "verimlilik pornografisidir" — "kazanım" hazzını mükemmel şekilde simüle eder ama üretken bir sonuç sunmaz.

Bu farkı gerçek bir senaryo ile açıklayayım.

Karpathy'nin bu olayını örnek alalım. Diyelim ki bir AI şirketinde pazarlamacısın, onun tweet'ini gördün ve bu popüler konuyu yakalayıp bu başlık etrafında bir dizi içerik üretmek istiyorsun.

Karpathy'nin yöntemini izlersen şu adımlardan geçmen gerekir:

1. Onun tweet'lerini, fikir dosyalarını (idea files) ve ilgili yorum yazılarını bir script aracılığıyla çekip raw/ klasörüne indirmen gerekir.
1. Node.js kurman, terminalde Claude Code yüklemen, Claude Code'un bu materyalleri birkaç wiki makalesine dönüştürmesi için komut dosyaları yazman gerekir.
1. "LLM Knowledge Base" hakkında yapılandırılmış bir bilgi tabanına ulaşmak için Obsidian veya başka bir markdown editörü indirmen gerekir.
1. Sonra, boş bir belge açıp kendin yazmaya başlarsın.

Nick Spisak, LLM bilgi tabanı kurulumunu gösteriyor

1. adımı bir kenara bırakalım, sadece ilk üç adım için terminal kullanmayı bilmen, Node.js kurman, API anahtarı yapılandırman, prompt komutları yazman ve Obsidian indirmen gerekiyor... Çoğu kişi için, daha bilgi tabanını kurmaya başlamadan araç zinciri (toolchain) caydırıcı hale geliyor.

Her şeyi halletseniz bile, 4. adımda yine en başa dönersiniz. Bilgi tabanı konuyu anlamanıza yardımcı oldu ama yazmak, görsel eklemek, yayınlamak... Bunları yine sıfırdan yapmanız gerekiyor.

Peki, bu iki sorunu aynı anda çözen ve kolayca sonuç odaklı bir "İkinci Beyin" oluşturmanızı sağlayan bir yöntem var mı?

Evet. Şu an okuduğunuz bu yazı, tam da bu yöntemle üretildi. Tüm süreç boyunca sadece tek bir araç kullandım: YouMind. Adımları gösteriyorum:

Tam olarak nasıl yapılır?

Birinci Adım: Materyalleri Topla

Tarayıcıda YouMind'ı aç, yeni bir Board (bunu bir proje alanı olarak düşünebilirsin) oluştur ve ilgili tüm materyalleri içine kaydet:

• Web makaleleri: Bağlantıyı yapıştır, tüm metni otomatik olarak çeksin.
• YouTube videoları: Bağlantıyı yapıştır, altyazıları ve içeriği otomatik olarak alsın.
• PDF makaleleri: Doğrudan yükle.
• Podcast'ler: Bağlantıyı yapıştır, sesi otomatik olarak çözümlesin.
• Kendi fikirlerin: Not olarak hemen yazıver.

Bu, Karpathy'nin raw/ klasörüdür; ancak hiçbir şeyi manuel indirmenize veya dosya sistemiyle uğraşmanıza gerek kalmaz.

İkinci Adım: AI ile Anlama ve Diyalog

Materyaller kaydedildikten sonra, Board içinde doğrudan AI ile konuşabilirsin. AI'nın bağlamı, internetteki genel bilgiler değil, senin bizzat seçtiğin ve bu konuyla ilgili olan birinci el kaynaklardır.

Ona şunları sorabilirsin:

• "Bu birkaç makalenin temel görüşleri arasındaki benzerlikler ve farklar neler?"
• "Karpathy'nin yöntemi ile Tiago Forte'nin PARA metodolojisi arasındaki temel fark nedir?"
• "Bu materyallere dayanarak, yazmaya en değer üç farklı konu açısı belirlememe yardımcı ol."

Bu, Karpathy'nin wiki derleme sürecine karşılık gelir. Ancak fark şudur: LLM'in otomatik olarak koca bir wiki seti oluşturmasını beklemezsin, diyalog yoluyla anlama sürecini aktif olarak yönlendirirsin.

Üçüncü Adım: Anlamadan Üretime Geçiş

Bu adım kritik ayrım noktasıdır. Karpathy'nin iş akışı bir önceki adımda biter. YouMind'da ise doğrudan doğal dille AI'ya anlamadan üretime geçmesini emredebilirsin:

• Materyallere ve diyaloglara dayanarak, yapısı tam bir blog taslağı oluştur.
• Diyalog ve anlamadan yola çıkarak, Twitter'da paylaşmaya uygun kısa içerikler çıkar.
• Temel argümanları görselleştirilmiş bir infografiğe dönüştür.
• Doğrudan bir sunum (Slides) hazırla.

Tüm bu çıktılar, materyallerin ve diyalog kayıtlarınla birlikte aynı Board içinde saklanır. Bunlar izole dosyalar değil, aynı bilgi zinciri üzerindeki farklı düğümlerdir.

Dördüncü Adım: Bilginin Sürekli Büyümesi

Board, kullanılıp atılan bir şey değildir. Zamanlanmış görevler ayarlayarak YouMind'ın Karpathy'nin tweet güncellemelerini senin için düzenli olarak çekmesini ve aynı Board'a kaydetmesini sağlayabilirsin; böylece bilginin bileşik getiriyle büyümesini tamamlarsın.

İşte "İkinci Beyin" böyle olmalıdır; sadece biriktirmekle kalmaz, aynı zamanda çıktı da üretir.

Karpathy'nin yöntemi ile YouMind'ı yan yana getirdiğimizde, iki farklı "AI İkinci Beyin" felsefesini temsil ettiklerini görürüz:

##

Bilgi Kaygısının Gerçek Çözümü

Son olarak ilginç bir noktaya değinelim.

Karpathy 400 bin kelimelik bir wiki oluşturdu. Ama bir düşünün, tüm dünya neyi referans alıyor? O wiki'yi değil; onun tweet'lerini, videolarını ve yazdığı makaleleri. Onun markdown dosyalarını sadece kendisi görüyor, tweet'lerini ise 12 milyon kişi okuyor.

Gerçek bilgi tabanı bir sistem değil, bir insandır.

Bir konuyu derinlemesine anlatan bir yazı yazarsın, başkaları senin yazını kaydeder, senin görüşlerini alıntılar — işte o zaman sen onların bilgi tabanı olursun.

Bilgi kaygısının ilacı budur. Kaygılı insanlar sisteme bilgi pompalar ve sistemin onların yerine anlamasını beklerler. Ancak gerçekten etkili olan insanlar, kendi anlayışlarını dışarıya aktarır ve kendilerini başkalarının bilgi kaynağı haline getirirler.

İlki her zaman kaygılıdır çünkü bilgi sonsuzdur; ikincisi ise kaygılı değildir çünkü ifade yoluyla anlama sürecini tamamlamıştır.

Bu yüzden mesele hiçbir zaman "nasıl daha iyi bir bilgi tabanı kurarım" değil, "nasıl kendimi bir bilgi tabanı haline getiririm" meselesidir. Cevap basit: Sürekli üretim.

YouMind'ın yaptığı şey, senin bilginin tüketicisinden bilginin kaynağına dönüşmene yardımcı olmaktır.

Bu metin ve görseller, editör ve YouMind tarafından ortaklaşa oluşturulmuştur.