Transforme fontes salvas em conhecimento com Karpathy LLM Wiki

Preserve os originais e mantenha interpretações, atualizações e respostas rastreáveis.

Buda Team
← Voltar ao Blog
Transforme fontes salvas em conhecimento com Karpathy LLM Wiki

Você pergunta sobre os mesmos documentos e, dias depois, recebe outra explicação. Precisa reabrir o PDF, localizar o trecho e descobrir qual versão sustenta a afirmação. Os arquivos foram preservados, mas o trabalho de verificação precisa começar de novo.

O Karpathy LLM Wiki, mantido no repositório de Astro-Han, torna essa manutenção explícita: conservar originais, atualizar conhecimento compilado, verificar conclusões relacionadas quando a evidência muda e responder perguntas sem reescrever silenciosamente o acervo. Entender a entrada de uma fonte e o efeito de uma mudança é o primeiro passo para manter esse conhecimento útil.

Entenda os arquivos antes de começar

raw/ guarda material original imutável. wiki/ contém artigos de conhecimento que podem ser atualizados. Cada fonte conserva texto, URL, data de coleta e publicação. Os artigos se organizam por conceito, sem exigir uma página para cada arquivo recebido. wiki/index.md orienta a navegação; wiki/log.md recebe registros sem reescrever o histórico. Isso cria um acervo persistente, não treinamento automático dos pesos do modelo.

Quando uma conclusão muda, a interpretação pode ser revista sem apagar o material que sustentava a versão anterior. Não altere uma fonte antiga para fazê-la concordar com a nova resposta.

Passo 1: Instale o Skill e incorpore uma fonte real

No Marketplace do Buda AI, procure Karpathy LLM Wiki, confira o mantenedor e a origem e instale o Skill. Escolha um projeto dedicado e forneça material legível pelo Agent. PDFs sem texto extraível e páginas privadas exigem preparação própria; instalar o Skill não concede acesso a contas externas.

Uma instrução adaptável: “Incorpore esta fonte ao projeto. Preserve texto e metadados em raw, pesquise os artigos existentes e decida entre criar, atualizar ou registrar divergência. Retorne os arquivos afetados e as passagens que sustentam as afirmações principais.” A primeira ingestão cria apenas a estrutura ausente. Query e Lint não inicializam uma wiki vazia.

Preservar fontes; manter conhecimento

Passo 2: Decida o que a fonte acrescenta

Depois de salvar o original, procure entidades e sinônimos. New cria conteúdo, Update integra ao artigo existente e Disputed explicita contradições. Esses destinos podem coexistir. No material é exclusivo: se não houver conhecimento novo, preserve a fonte e registre a decisão, sem fabricar outra página.

Antes de escrever números, datas e citações, localize-os literalmente no original vinculado. Preserve a forma encontrada; cálculos precisam mostrar seus componentes. Essa regra reduz precisão sem apoio, mas não comprova a veracidade da própria fonte.

Passo 3: Atualize as conclusões relacionadas

A atualização em cascata pesquisa o texto completo, não apenas o índice. Marque como Outdated uma afirmação superada e como Disputed uma divergência entre fontes, mantendo o histórico e os vínculos entre artigos. Arquivos de arquivo histórico não entram nessa atualização. Atualize as datas de conhecimento no índice e acrescente a operação ao log.

Ao revisar, procure os arquivos afetados, as passagens de apoio e possíveis repetições de conclusões antigas. Contar páginas novas não basta para avaliar qualidade.

Uma fonte, decisões diferentes

Passo 4: Consulte e arquive de forma explícita

Query consulta o índice, pesquisa sinônimos no texto e responde com links para os artigos. Perguntas comuns não escrevem arquivos. Salvar uma resposta exige um pedido explícito: cria-se uma nova página de arquivo que cita os artigos usados, atualizando índice e log. A síntese de uma conversa permanece distinta de um artigo compilado diretamente das fontes.

Lint pode corrigir omissões no índice e links cujo destino movido seja único. Ambiguidades precisam de decisão. check_evidence.py procura literais relevantes nos originais vinculados; os suspeitos exigem leitura contextual. Contradições e lacunas factuais são relatadas, não corrigidas silenciosamente. Correspondência textual demonstra rastreabilidade, não confiabilidade independente.

Um ciclo útil entrega fonte preservada, triagem explicada, artigos sustentados, índice atualizado e log acrescentado. Use Drive e ferramentas de arquivo para construir esse processo no Buda. Confira o ambiente e os arquivos completos do Skill antes de executar seus scripts. Comece com um tema e revise o resultado antes de ampliar a coleção; os formatos estão no repositório.

Comece com uma fonte que você vai consultar de novo

Abra a página do Skill Karpathy LLM Wiki, encontre-o no Marketplace do Buda AI e instale em um Agent. Entregue uma fonte real e confira original, artigo compilado e links antes de incorporar a próxima. Assim, a rastreabilidade começa na primeira entrada.