Андрей Карпати, бывший директор по искусственному интеллекту Tesla и сооснователь OpenAI, представил новый подход к управлению знаниями, который может изменить методику исследовательских проектов. Метод, названный LLM Knowledge Bases, предлагает задействовать большие языковые модели (LLM) для создания и поддержки структурированных баз знаний в формате Markdown (.md). По словам автора, это помогает бороться с потерей контекста в ИИ-проектах и делает рабочие процессы более прозрачными и эффективными.
Карпати описывает систему как решение проблемы «статичности», когда контекст работы исчезает после окончания сессии. В отличие от векторных баз данных и подхода Retrieval-Augmented Generation (RAG), его концепция ставит во главу угла простоту и прозрачность. Вместо сложных алгоритмов поиска LLM генерирует, редактирует и поддерживает базу знаний; исходные материалы — научные статьи, репозитории и веб-контент — сохраняются в Markdown. Для преобразования веб-страниц в локальные файлы, включая изображения, Карпати использует инструмент Obsidian Web Clipper.

Модель анализирует собранные данные, формирует структурированные статьи, создаёт ссылки между связанными понятиями и пишет энциклопедические заметки. Так разрозненные фрагменты превращаются в связную базу знаний. Система регулярно проводит «проверки здоровья» (linting), исправляет несоответствия, добавляет новые связи и обновляет сведения — это делает базу «живой» и самовосстанавливающейся.
Карпати подчёркивает, что использование Markdown обеспечивает понятность и доступность: каждый файл можно прочитать, отредактировать или удалить вручную. По его оценке, это устраняет проблему «чёрного ящика», присущую векторным базам данных и «скиллам», где трудно проследить источник информации или её применение. Кроме того, система экономит ресурсы LLM: модель работает с уже структурированной информацией, а не обрабатывает большие объёмы данных в реальном времени, что снижает нагрузку и повышает точность.

Хотя проект изначально задумывался для личных исследовательских нужд, по мнению автора, у него большой потенциал для корпоративного применения. Компании могли бы создать «корпоративную библию», автоматически обновляющуюся и синхронизируемую с внутренними данными — актуально для организаций с большим объёмом неструктурированных материалов, таких как отчёты, логи и внутренние вики.
Дальнейшее развитие Карпати видит в генерации синтетических данных и дообучении моделей: по мере роста базы знаний она может стать источником тренировочных наборов для специализированных ИИ, которые будут интегрировать знания напрямую в свои веса. Его подход уже привлёк внимание сообщества — например, Лекс Фридман использует похожую систему для создания временных баз знаний, помогающих в работе.
Я часто использую систему для генерации динамического HTML (с JavaScript), что позволяет мне сортировать/фильтровать данные и интерактивно работать с визуализациями. Еще одна полезная функция — система генерирует временную, узкоспециализированную мини-базу знаний, которую я затем загружаю в LLM для голосового взаимодействия во время длительной пробежки на 7-10 миль
Лекс Фридман
Другие эксперты отмечают, что метод Карпати может лечь в основу новых продуктов и изменить подход к управлению знаниями как в личных, так и в корпоративных масштабах.





