Andrej Karpathy zveřejnil tweetovou myšlenku o tom, jak používá jazykový model ne na kód, ale na budování vlastní znalostní databáze. Za čtyři dny záložkovalo příspěvek přes 82 000 lidí. To není virál – to je kolektivní rozpoznání problému, který každý má, ale nikdo neuměl pojmenovat.
Karpathy je jeden z těch lidí, u jejichž jmen se automaticky zpozorníte. Spoluzakladatel OpenAI, vedoucí AI ve Scale AI, autor Andrej Karpathy YouTube tutoriálů, které sleduje celá generace vývojářů. Když napíše tweet, přečtou ho miliony. Ale 13 milionů zobrazení a 82 tisíc záložek – to je jiná liga. To znamená, že pojmenoval něco, co lidem vrtalo hlavou.
Pointa je prostá: přestal používat AI hlavně na psaní kódu. Místo toho ho zapřáhl na budování osobní znalostní báze z markdown souborů.
Jak to celé funguje
Systém má čtyři pohyblivé části a žádná z nich není složitá.
Karpathy sbírá zdroje – články, vědecké papery, repozitáře, datasety, obrázky – do adresáře raw/. Tam je ukládá tak, jak jsou. Nic nemění, nic neanotuje. To je záměr: raw/ je neměnná vrstva, zdroj pravdy.
Druhá vrstva je wiki/. LLM průběžně zpracovává vše z raw/ a generuje markdown soubory – shrnutí, popisy entit, srovnání konceptů, zpětné odkazy. Tuhle vrstvu plně vlastní LLM. Vytváří stránky, aktualizuje je, udržuje křížové références. Člověk do toho nezasahuje.
Výsledek si Karpathy prohlíží v Obsidianu. Když má otázku, ptá se LLM agenta, který prohledá wiki a odpovídá. Výstupy – analýzy, přehledy, srovnání – se archivují zpět do wiki. Každý dotaz znalostní bázi rozšiřuje, nikdy nezmenšuje.
Třetí vrstvou, která v původním tweetu chyběla a objevila se až v detailním GitHubu gistu, je CLAUDE.md – konfigurační soubor, který říká LLM jak se chovat. Jak pojmenovávat soubory, jaký formát mají mít články, co dělat s protichůdnými informacemi, jak zacházet se zdroji. Tahle vrstva je přitom klíčová. Bez ní máte generického chatbota místo disciplinovaného správce wiki.
Karpathyho wiki na jedno téma obsahuje zhruba sto článků a 400 000 slov. Bez RAG, bez vektorové databáze. Flat adresář .md souborů v Obsidianu. Žádná fancy infrastruktura.
Proč to rezonuje
Problém je starý jako internet: informací přibývá rychleji, než je člověk schopen zpracovat.
Dosavadní řešení bylo spoléhat na vlastní paměť, záložky v prohlížeči, Notion, Roam, Obsidian. Všechny tyhle nástroje ale vyžadují totéž: abyste sami psali, organizovali, propojovali. A to stojí čas, který většina lidí nemá.
Karpathy posunul zodpovědnost za organizaci znalostí na LLM. Člověk přináší zdroje a otázky. LLM kompiluje, organizuje, propojuje, píše. To je zásadní přerod: z AI jako nástroje pro psaní nebo kódování na AI jako osobního analytika a knihovníka.
Rozdíl oproti klasickému RAG přístupu stojí za zmínku. V RAG (retrieval-augmented generation) systémech se znalosti přeodvozují při každém dotazu – LLM pokaždé znovu hledá a skládá fragmenty dokumentů. Nic se nekumuluje. Wiki je naproti tomu to, čemu se říká “persistent, compounding artifact” – znalosti se zkompilují jednou, pak se udržují aktuální. Křížové reference existují. Rozpory jsou označeny. Syntéza odráží vše, co jste kdy přečetli.
Idea file a nový způsob sdílení
Dva dny po původním tweetu Karpathy publikoval detailní gist na GitHubu. Ale zajímavější než obsah je formát.
Označuje ho jako “idea file” – dokument navržený tak, abyste ho zkopírovali přímo do svého LLM agenta a řekli mu: postav mi tohle. Agent si sám vygeneruje implementaci přizpůsobenou vašemu prostředí. To je meta-insight, který si zaslouží pozornost.
V éře agentů nesdílíte kód. Sdílíte myšlenku.
Kód si každý vygeneruje sám, v jazyce, který preferuje, s nástroji, které má. Za den po zveřejnění gistu se v komentářích objevilo přes deset hotových implementací: Go binárka, Claude Code skill, voice-first verze přes Telegram, Python skript pro dávkové zpracování PDF. Komunita si myšlenku přivlastnila a realizovala ji po svém.
Co přidává komunita
Šedesát komentářů pod gistem stojí za přečtení. Část z nich je fanouškovský potlesk, ale dost jich přidává reálnou hodnotu.
Jeden tým, který podobný systém provozuje napříč několika doménami, doporučuje klasifikovat zdroje ještě před zpracováním. Padesátistránková zpráva vyžaduje jiný přístup než dvoustránkový blogpost. Navrhují pravidlo “každý task produkuje dva výstupy” – odpověď pro vás a aktualizaci wiki. Bez tohoto pravidla znalosti mizí do historie chatu a nikdy se do báze nedostanou.
Brazilský vývojář Paulo Souza zprovoznil verzi přes Telegram a Whisper. Nahrává hlasové poznámky za chůze, Whisper přepisuje, LLM klasifikuje a směruje do wiki. Přes 70 hlasových záznamů zkompiloval do 100 wiki uzlů. Solve capture bottlenecku: nemusíte sedět u počítače, abyste přidávali zdroje. Jeho pravidlo je přísné: LLM je stenograf, ne ghostwriter. Každá věta musí být odvoditelná z toho, co člověk skutečně řekl.
Polský vývojář upozorňuje na limity flat souborů. Jakmile máte stovky stránek a chcete se ptát “co jsem přidal minulý týden o X”, soubor s indexem přestane stačit. Jeho projekt Binder ukládá data do transakčního logu v SQLite a markdown soubory generuje jako view. Index není soubor, je to dotaz.
Kde to začne drncat
Systém je elegantní. Ale má problémy, o kterých se méně mluví.
Ruční přidávání zdrojů. Karpathy přiznává, že každý zdroj přidává ručně. Při sto článcích to zvládnete. Při tisíci začínáte mít problém. Voice-first varianta přes Telegram je zatím nejpřesvědčivější řešení, ale i ta vyžaduje disciplínu a fungující návyk.
Škálování. 400 000 slov bez RAG zatím funguje. Karpathy sám píše “při této malé škále”. Při milionech slov context window prostě nestačí a budete potřebovat přesně tu infrastrukturu, které jste se chtěli vyhnout. Karpathy v gistu doporučuje qmd – lokální vyhledávací nástroj pro markdown s hybridním BM25 a vektorovým vyhledáváním.
Kumulace nepřesností. LLM při kompilaci rozhoduje, co je důležité a co ne. Bez pravidelného dozoru se drobné chyby sčítají. Japonský komentátor pod gistem varuje, že hlavní příčinou degradace kvality wiki nebývá objem dat, ale kumulace rozporů, které nikdo neřeší. Pravidlo “cituj zdroj u každého tvrzení” patří přímo do schema souboru.
Verzování. V tweetu o tom nebyla zmínka, v gistu ano: wiki má být git repozitář. Po každém LLM průchodu commitnete. Diff vám ukáže co se změnilo. Namátkový pohled jednou za čas ochrání před tichým šířením halucinací.
Jeden z nejzajímavějších komentářů přišel od esejisty, který srovnává Karpathyho systém s Luhmannovou kartotékou – Zettelkasten metodou. Argument je podnětný: Karpathyho systém řeší údržbu znalostní báze, ale ne syntézu. Osobní reformulace, přepsání cizí myšlenky vlastními slovy, je mechanismus porozumění, ne neefektivita. Doporučení: LLM wiki používejte na průzkum a mapování terénu. Vlastní závěry a argumentaci pište sami.
Jak to rozjet dnes odpoledne
Nejrychlejší cesta: zkopírujte Karpathyho idea file z GitHubu, vložte do Claude Code nebo Cursoru a řekněte “postav mi znalostní wiki na téma X”. Agent se postará.
Pokud chcete víc kontroly, ruční postup vypadá takto:
Vytvořte adresářovou strukturu:
~/knowledge/
├── raw/ # zdrojové materiály - nikdy neměňte
├── wiki/ # LLM-generované markdown soubory
├── output/ # analýzy, srovnání, reporty
└── CLAUDE.md # instrukce pro LLMNa přidávání zdrojů funguje rozšíření MarkDownload pro Chrome nebo Firefox – uloží webovou stránku jako markdown jedním kliknutím. Obsidian Web Clipper dělá totéž přímo do vaultu.
Kompilace přes Claude Code je pak triviální:
claude "Zpracuj nové soubory v raw/, aktualizuj wiki a index"Klíčové je napsat kvalitní CLAUDE.md. Definujte formát článků, jak pojmenovávat soubory, jak propojovat koncepty, co dělat s protichůdnými informacemi. Tohle je 80 % hodnoty celého systému – ne technologie, ale instrukce.
A pravidelný health check nepřeskakujte:
claude "Projdi wiki/, najdi články bez zdrojů, protichůdná tvrzení
a témata zmíněná bez vlastního článku.
Výstup ulož do output/health-report.md"Jeden z uživatelů v komentářích to celé automatizoval přes naplánovaný noční prompt. Wiki se tak opravuje téměř sama.
Proč na tom záleží
Karpathy nepopsal nový nástroj. Popsal jiný způsob myšlení o tom, k čemu AI je.
Dosud jsme AI používali reaktivně: přijde problém, AI pomůže vyřešit. Karpathy navrhuje proaktivní přístup: nechte AI průběžně budovat vaši znalostní infrastrukturu tak, abyste byli připravení na otázky, které ještě nemáte.
Sám přirovnává myšlenku k Vannevaru Bushovi a jeho konceptu Memex z roku 1945 – osobnímu kurátorovanému úložišti znalostí s asociativními stezkami mezi dokumenty. Bush svou vizi popsal osmdesát let před tím, než měl svět nástroje na její realizaci. Část, kterou nedokázal vyřešit, byl čas a práce na údržbu. LLM to řeší.
82 000 záložek za čtyři dny říká jedno: lidé tuhle myšlenku chtějí. Zatím jen nevědí, jak začít.
Karpathyho idea file je dostupný na gist.github.com/karpathy. Zkopírujte, vložte do agenta, řekněte mu téma. Zbytek si poradí sám.
