Nisan 2026'da Andrej Karpathy bir GitHub Gist'i yazdı. İçinde bir yöntem anlatıyor. Bu yönteme LLM Wiki adını veriyor.
Bunun ardından dört ekip aynı şeyi inşa etti. Cognition, DeepWiki'yi kurdu. Factory, AutoWiki'yi kurdu. LangChain, OpenWiki'yi yayınladı. Garry Tan ise GBrain'i yayınladı.
Yöntem dört sistemde de aynı. Bir LLM, kaynak belgelerinizi bir kere okur. Bilgileri markdown sayfalarına yazar. Kaynaklar değiştiğinde sayfaları güncel tutar. Ajan bu sayfaları okur. Her soru için kaynak belgeleri tekrar okumaz.
İnsanlar bu sistemlere ajan wikileri diyor. Bu makale size bunların ne olduğunu anlatıyor. Her ekibin ne kurduğunu anlatıyor. Yöntemin sınırlarını anlatıyor. Ayrıca çoğu kişinin gözden kaçırdığı önemli bir farkı da anlatıyor.
Fikir: Sorgulamada değil, almada derle
Bir modele geniş bir belge kümesi vermenin olağan yöntemi erişimdir (retrieval). Belgeleri bir veritabanına koyarsınız. Belgeleri parçalara ayırırsınız. Parçalar için gömmeler (embeddings) oluşturursunuz. Her soru için sistem ilgili parçaları bulur.
Bu yöntem işe yarar. Ancak bir sorunu da vardır. Sistem sonuçları saklamaz. Her cevabı ham parçalardan yeniden oluşturur. Onuncu cevap, ilk cevaptan daha iyi değildir. İşin maliyetini on kere ödersiniz.
Bir ajan wiki'si bu maliyeti taşır. Model, işi kaynağı okuduğu bir kerede yapar. Sonuçları sayfalara yazar. Sayfalar kalıcı olur.
Yeni bir kaynak geldiğinde model şu adımları atar: Kaynağı okur. İlgili sayfaları değiştirir. Özetleri düzeltir. Sayfalarla çelişen bilgileri işaretler.
Her iki yöntem de doğrudur. İki şekilde farklılaşırlar. İlk fark, maliyeti ne zaman ödediğinizdir. İkinci fark, sorudan sonra neyin kaldığıdır.
Her sistem aynı üç katmana sahiptir.
Katman 1, kaynak belgelerdir. Bunlar makaleleriniz, makaleleriniz ve depolarınızdır. Model onları okur. Model onları değiştirmez.
Katman 2, wiki'dir. Wiki markdown formatındadır. Model wiki'nin tamamını yazar. Wiki, özetleri, her konu için sayfaları ve sayfalar arasındaki bağlantıları içerir.
Katman 3, şema dosyasıdır. Bu dosya modele wiki'nin yapısını söyler. Ayrıca hangi görevleri yapacağını da söyler. Genellikle bu dosya CLAUDE.md veya AGENTS.md'dir. Bu dosya, modeli wiki'nin doğru bir bakıcısı haline getirir.
Sistem üç işlem yapar.
Alma (Ingest): Model yeni bir kaynağı okur. Ardından verileri ilgili her sayfaya yazar.
Sorgulama (Query): Wiki'ye bir soru sorarsınız. İyi bir cevabı yeni bir sayfa olarak wiki'ye geri yazabilirsiniz.
Denetleme (Lint): Model wiki'yi inceler. Çelişen bilgileri bulur. Çok eski olan bilgileri bulur. Bağlantısı olmayan sayfaları bulur.
Neden işe yarıyor:
İnsan wikileri zamanla hatalı hale gelir. Bunun belirli bir nedeni vardır. Zor olan kısım kaynakları okumak değildir. Zor olan kısım fikirlere sahip olmak değildir. Zor olan kısım bakımdır.
Bakımın şu görevleri vardır: Sayfalar arasındaki bağlantıları düzeltmelisiniz. Özetleri doğru tutmalısınız. Her yeni belgeyi var olan sayfalarla karşılaştırmalısınız.
Bu iş hiç durmaz. İşin karşılığında bir ödül yoktur. Meşgul bir ekip önce bu işi bırakır. Ardından wiki hatalı hale gelir. Ardından insanlar onu kullanmaz.
Bir model bu işi sorunsuz yapar. Model sıkılmaz. Model bir bağlantıyı unutmaz. Model tek bir işlemde on beş dosyayı değiştirebilir.
Fikir eski bir fikirdir. Vannevar Bush, 1945'te Memex'i tanımlamıştı. Memex, aralarında bağlantılar bulunan kişisel bir belge deposudur. Bush'un bakım için bir cevabı yoktu. Model bu cevaptır.
İsmin nereden geldiği
Karpathy'nin gist'ini doğrudan okuyun. Özetlerinden daha doğrudur.
Olağan yöntem hakkında şöyle yazıyor: "LLM her soruda bilgiyi sıfırdan yeniden keşfediyor. Birikim yok."
Onun yöntemi, bilgiyi derlemek (compile) ve geri getirmemek (retrieve). Ardından "bilgi bir kez derlenir ve sonra güncel tutulur, her sorguda yeniden türetilmez." Sonuç "kalıcı, biriken bir yapıt"tır.
Wiki'yi siz yazmazsınız. Şöyle yazıyor: "Wiki'yi asla (ya da nadiren) kendiniz yazmazsınız, LLM tümünü yazar ve bakımını yapar." Ajan ve Obsidian'ı birlikte kullanıyor. Şöyle yazıyor: "Obsidian IDE'dir; LLM programcıdır; wiki kod tabanıdır."
Gist, boyut için bir sınır veriyor. Birçok özet bu sınırı içermez. Gömme içermeyen yöntem "orta ölçekte (~100 kaynak, ~yüzlerce sayfa) şaşırtıcı derecede iyi çalışır ve gömme tabanlı RAG altyapısı ihtiyacını ortadan kaldırır."
Daha fazla kaynak için gist, arama eklemenizi söylüyor. Örnek olarak qmd'yi veriyor. Gist, qmd'yi "hibrit BM25/vektör araması ve LLM yeniden sıralaması ile markdown dosyaları için yerel bir arama motoru" olarak tanımlıyor.
Dolayısıyla kural boyutla ilgilidir. Kural, değiştirme ile ilgili değildir. Kaynak kümesi küçük olduğunda erişim altyapısı kullanmayın. Kaynak kümesi büyüdüğünde erişim ekleyin.
Laboratuvarların gerçekte inşa ettiği şey
İşte bu noktada model bir fikir olmaktan çıkıp mühendisliğe dönüşüyor ve uygulamalar arasındaki farklar işe yarar kısmı oluşturuyor.
Cognition: DeepWiki, kamusal bir hizmet olarak wiki
Cognition, yöntemi GitHub'daki herkese açık depolara uyguladı. Herkese açık bir deponun URL'sindeki github.com adresini deepwiki.com ile değiştirin. Ardından o kod tabanı için bir wiki elde edersiniz. Wiki, bir mimari özeti, dosya dizini, bağımlılık grafiği ve arama içerir. Wiki'nin kaynağa bağlantıları vardır (Cognition).
En büyük 50.000'den fazla herkese açık deponun bir wiki'si vardır. Liste MCP ve LangChain'i içerir.
İkinci nokta daha önemlidir. Wiki, ürün değildir. Wiki, ajan için erişim altyapısıdır. Devin, bir kod tabanında ilgili kodu bulmak için wiki'yi kullanır. DeepWiki bu nedenle Devin'deki kod aramanın altındaki derlenmiş katmandır (Devin Docs).
Factory: AutoWiki, bir derleme yapıtı olarak dokümantasyon
Factory, yöntemi sürekli entegrasyona uyguladı. Factory, dokümantasyonun ayrı bir proje değil, bir derleme yapıtı olması gerektiğini yazıyor. Dokümantasyon kaynaktan gelir. Kod tabanının yapısına sahiptir. Depo değiştiğinde değişir (Factory).
Wiki'yi oluşturma yöntemi iki geçişlidir. Geçiş 1, yapısal bir taramadır. README dosyasını, paket bildirimlerini, CI yapılandırmasını ve giriş noktalarını okur. Geçiş 2, anlamsal bir taramadır. Rotaları, API uç noktalarını, hizmet sınıflarını, veritabanı şemalarını ve özellik işaretlerini okur.
Factory, işi uzmanlaşmış ajanlar arasında böler. Her ajan, deponun bir bölümünü alır. Her ajan, iyi bir sayfa yazmak için yeterli bağlamı alır. Bu yöntem, bilinen bir sorunu önler: tek bir ajan, büyük bir depo için kötü dokümantasyon yazar.
Factory, wiki'yi disiplinle değil, altyapıyla güncel tutar. /wiki komutu wiki'yi yeniden oluşturur. /install-wiki komutu bir CI iş akışı yazar. Bu iş akışı, varsayılan dala her gönderimde wiki'yi yeniden oluşturur. GitHub için wiki, deponun wiki sekmesine gider (Factory Docs).
LangChain: OpenWiki ve koddan her şeye sıçrama
LangChain, OpenWiki'yi açık kaynaklı yazılım olarak yayınladı. OpenWiki bir CLI aracıdır. Bir kod tabanı için ajan dokümantasyonu yazar ve bakımını yapar. LangChain daha sonra iki modu olan OpenWiki Brains'i yayınladı. Code Brain, bir depo için olan ilk moddur. Personal Brain, kendi kaynaklarınız için olan ikinci moddur (LangChain).
Personal Brain önemli değişikliktir. Gmail, Notion, git depoları, X, Hacker News ve web aramasından veri okur. Tüm bu verileri yerel bir markdown wiki'sine yazar. Ajan bu wiki'yi okur. Yöntem, bir deponun dokümantasyonundan, işinizin dokümantasyonuna dönüştü.
Her ekip çıktı hakkında aynı kararı verdi. Çıktı, bir kişinin okuması için metin değildir. Çıktı, LLM bağlamı için yapılandırılmış markdown'dur. Başlıkları, sayfalar arası bağlantıları ve özetleri vardır. Yapı, bir ajanın ilgili bilgiyi hızlıca bulmasını sağlar. Wiki'nin okuyucusu bir modeldir.
GBrain: kişisel ölçekte açık kaynak sürümü
GBrain, yöntemi bir kod tabanına değil, kişisel bir bilgi deposuna uygular. GBrain, bir git deposunda markdown kullanır. Bir şema dosyası vardır. Konular arasında otomatik olarak bir bağlantı grafiği oluşturur.
GBrain, yöntemin çok az altyapı gerektirdiğini gösterir. Vektör veritabanı yoktur. Hizmet yoktur. Dosyalar vardır. Bir model dosyaların bakımını yapar. Bir kişi dosyaları okuyabilir.
Teknik matris
Dört sistem aynı yapıya sahiptir. Git'te markdown kullanırlar. Bir şema dosyası kullanırlar. Alımda derlerler. Kaynaklar değiştiğinde wiki'yi yeniden oluştururlar. Sayfaları bir ajanın okuması için yazarlar. Dört ekip dört farklı problemi çözdü ve aynı yapıyı oluşturdu. Bu uyum, yapının doğru olduğuna dair güçlü bir kanıttır.
Sistemler bakım açısından farklılık gösterir. Factory bakımı CI'da yapar. Diğer üç sistem, bir kişi bir komut çalıştırdığında bakımı yapar. Bu nedenle wikileri yalnızca son komut kadar doğrudur.
Nerede durduğu
Sınır 1, boyuttur. Karpathy bu sınırı verir. Gömmesiz yöntem yaklaşık 100 kaynak için doğrudur. Daha fazla sayfa için bir arama motoru eklemelisiniz. Gist, size BM25 araması ve vektör aramasını birlikte kullanmanızı söyler.
Sınır 2, doğruluktur. Model bilgiyi alımda derler. Erken bir özet, kaynaktan bir ayrıntıyı kaldırabilir. Sonraki her cevap bu hatayı içerir. Ham parçalardan erişim bu soruna sahip değildir. Tekrarlanan işin maliyetini, veri kaybı riskiyle değiştirirsiniz.
Sınır 3, eski bilgidir. Bir sayfa yalnızca son güncelleme kadar doğrudur. Factory yönteminin önemli olmasının nedeni budur. Hatalı bir wiki, hiç wikisiz olmaktan daha kötüdür. Hatalı bilgi, doğru bilginin formatına sahiptir.
Sınır 4, maliyettir. Sayfalar oluşturmak için token ödersiniz. Kimsenin okumadığı sayfalar oluşturabilirsiniz. Ayrıca değişmeyen sayfaları denetlemek için token ödersiniz.
Bir wiki bellek değildir
Bilmeniz gereken bir fark vardır. Bu alandaki kelimeler henüz kesin değildir.
Birçok kişi bu sistemlere bellek diyor. LangChain, OpenWiki'yi AI ajanları için bir wiki bellek katmanı olarak adlandırıyor. Diğer insanlar bir wiki'nin bir ajana bellek verdiğini söylüyor. Bellek kelimesinin burada iki farklı anlamı vardır.
İlk anlam, bir belge kümesinin bilgisidir. Bir wiki bunu yapar. Belgelerinizdeki, deponuzdaki veya Gmail'inizdeki verileri derler. Size belgelerin ne içerdiğini söyler.
İkinci anlam, bir kullanıcının belleğidir. Bu farklı bir veridir. Bir kişinin tercihlerini içerir. Bir kişinin kararlarını içerir. Bir ekibin reddettiği yöntemleri içerir. Bir ajanın farklı bir uygulamada bir yöntemi denediğinde ortaya çıkan sonucu içerir.
Bir kullanıcının belleği farklı bir yapıya sahiptir. Bir belge kümesiyle değil, bir kişiyle ilgilidir. Almadan değil, etkileşimden gelir. Ayrıca her kullanıcı için şu görevleri yapmalıdır: çelişen bilgileri düzeltmek, çok eski olan bilgileri kaldırmak, her öğenin kaynağını tutmak ve talep üzerine verileri silmek.
Bir wiki ilk görevi doğru bir şekilde yapar. Bir wiki ikinci görevi yapmaz. Gmail wiki'niz, ajana Gmail'inizde ne olduğunu söyler. Ajana Salı günü bir konuşmada bir kararı değiştirdiğinizi söylemez. Ajana bir yöntemin sizin için zaten başarısız olduğunu söylemez.
Bir bellek katmanı ikinci görevi yapar. Mem0 bir örnektir. Her belleği bir user_id ile tutar. Bellek bu nedenle kişiyle birlikte oturumlar, uygulamalar ve ajanlar arasında hareket eder. Bir gerçek değiştiğinde, o gerçeği günceller. Her seferinde yeni bir kayıt eklemez.
İki sistem alternatif değildir. İkisini de kullanın. Hata, bir wiki kullanmamak değildir. Hata, bir wiki'nin size bir kullanıcının belleğini verdiğini düşünmektir.
Özet
Ajan wikilerindeki fikir doğrudur. Bilgiyi bir kez derleyin. Ardından doğru tutun. Her soru için yeniden oluşturmayın. Bakım, insan wikilerini durdurdu ve bir model bakımı hiçbir maliyet olmadan yapıyor. Dört ekip, birkaç ay içinde aynı yapıyı kurdu. Bu güçlü bir kanıttır.
Şu üç şeyi yapın. Belge kümesi sabit olduğunda ve onu sık sık okuduğunuzda belgelerinizi sayfalara derleyin. Gist'in size söylediği gibi, belge kümesi büyüdüğünde erişim ekleyin. Bir belge kümesinin bilgisi ile bir kullanıcının belleği arasındaki farkı koruyun. Bir wiki size ilkini verir. Bir wiki size ikincisini vermez.
In Context #17
Bu blog, AI ajan belleği ve bağlam mühendisliğini kapsayan bir [@mem0ai](https://x.com/@mem0ai) blog serisi olan In Context'in bir parçasıdır.
Mem0, LLM'ler ve AI ajanları için oturumlar arasında uzun vadeli, kişiselleştirilmiş ve bağlam farkında etkileşimler sağlamak üzere tasarlanmış, akıllı, açık kaynaklı bir bellek katmanıdır.
- Ücretsiz API Anahtarınızı buradan alın: app.mem0.ai
- veya mem0'ı açık kaynak github depomuzdan kendi kendinize barındırın
Referanslar
- Andrej Karpathy, LLM Wiki (GitHub Gist, Nisan 2026)
- qmd: markdown için yerel hibrit BM25/vektör araması
- Cognition, DeepWiki: Her depo için AI dokümantasyonu
- Devin Docs, DeepWiki
- Factory, AutoWiki'yi Tanıtıyoruz
- Factory Dokümantasyonu, AutoWiki genel bakış
- langchain-ai/openwiki (GitHub)
- LangChain, Wiki Belleği
- garrytan/gbrain (GitHub)
- Vannevar Bush, Nasıl Düşünebiliriz (The Atlantic, 1945)
- Mem0
