Anderson LimaSoftware Engineer & Consultant
8 de abril de 2026
4 min de leitura
1,857 visualizações
O padrão proposto por Andrej Karpathy que transforma LLMs de motores de busca em curadores de conhecimento persistente
Este post é baseado no artigo de Andrej Karpathy publicado em abril de 2026, onde ele propõe um padrão inovador para gerenciar conhecimento pessoal com o auxílio de LLMs.
A maioria das pessoas que usa LLMs com documentos segue o mesmo padrão: você envia arquivos, o modelo recupera fragmentos relevantes e gera uma resposta. É o que chamamos de RAG (Retrieval-Augmented Generation).
Funciona. Mas tem um problema fundamental que Karpathy identifica com precisão:
"Nada é construído. O LLM redescobre conhecimento do zero a cada pergunta."
Toda vez que você faz uma pergunta, o modelo parte da estaca zero. Não há acúmulo. Não há síntese persistente. Não há memória real — apenas recuperação.
A ideia central do LLM Wiki é simples, mas poderosa: em vez de usar o LLM apenas para recuperar documentos brutos, você o usa para construir e manter um wiki persistente.
Esse wiki é uma coleção estruturada e interligada de arquivos Markdown que fica entre você e suas fontes originais. Quando você adiciona um novo documento, o LLM não apenas o indexa — ele:
A diferença crucial: o wiki é um artefato persistente e composto. As referências cruzadas já existem. As contradições já foram identificadas. O trabalho intelectual de conexão não precisa ser refeito a cada consulta.
O padrão é elegantemente dividido em três camadas:
Seus documentos originais — artigos, papers, notas, dados. São imutáveis. O LLM lê, mas nunca altera.
Um diretório de arquivos Markdown gerados e mantidos pelo LLM. Contém resumos, páginas de entidades, sínteses temáticas, e conexões entre conceitos.
Um documento de configuração que instrui o LLM sobre a estrutura do seu wiki, as convenções de nomenclatura, e os fluxos de trabalho esperados. É aqui que você define as regras do jogo.
Produtos gratuitos e pagos para transformar ideias em uma base que você consegue executar.
13 produtos disponíveis
nextjs · boilerplate
Boilerplate de API em Python com FastAPI, organizado em Clean Architecture (router, service, repository e adapters por módulo). Inclui autenticação JWT com hashing bcrypt, MongoDB, testes com pytest e cobertura, Dockerfile e docker-compose para subir localmente, e documentação Swagger/OpenAPI automática. Repositório de origem privado; snapshot técnico verificado antes da publicação.
Ver produto
react · boilerplate
Base React Native para apps iOS e Android com Expo, Clean Architecture, MVVM, Firebase e módulos nativos. Referência técnica do VaiDeFut, com distribuição pública no Google Play e fluxo de publicação para iOS documentado.
Ver produto
nextjs · boilerplate
Kit gratuito e open source para começar com agentes de código em Claude Code, Codex, Gemini, Copilot e OpenCode. A licença MIT está confirmada no repositório público.
Ver produto
nextjs · boilerplate
Fundação AI-first white-label para lançar produtos SaaS com Next.js, chat, RAG, memória, tenants e documentação. O snapshot verificado documenta Supabase, não MongoDB; essa limitação está explícita. MongoDB, Redis e RabbitMQ exigem integração/configuração compatível.
Ver produto
nextjs · boilerplate
Edição avançada da base white-label e multi-tenant AI-first para acelerar produtos com Next.js, chat, RAG, memória e documentação. O snapshot verificado ainda não comprova uma camada Ultra distinta; a oferta mantém essa limitação transparente e explicita as trocas de provider, cache e filas.
Ver produto
nextjs · boilerplate
Base white-label e multi-tenant para transformar uma ideia em um SaaS AI-first com Next.js, chat, RAG, memória e segurança documentados. O snapshot verificado usa Supabase; o nome identifica o repositório de origem. Provider, cache e filas ficam explícitos; Redis e RabbitMQ são integrações configuráveis.
Ver produto
react · portfolio
Uma contribuição única para apoiar conteúdo técnico gratuito, pesquisa e a continuidade de projetos relevantes publicados por Anderson Lima. Você escolhe o valor; não é uma assinatura.
Ver produto
react · boilerplate
Starter React gratuito para criar uma suíte de testes confiável desde o primeiro commit, com Vitest, Testing Library, Playwright, Vite, TypeScript, Zustand, React Query, MirageJS e PWA. O repositório não declara uma licença SPDX; revise os termos antes de uso comercial.
Ver produto
react · portfolio
Monorepo público em React, TypeScript e Vite para explorar uma biblioteca de componentes com linguagem visual inspirada em interfaces nativas. O README atual é enxuto e não declara uma licença SPDX; trate como preview gratuito.
Ver produto
nextjs · saas
Boilerplate SaaS AI-first com Next.js, Supabase, Stripe e provider routing para começar do primeiro prompt e acelerar o caminho até um deploy real. As adaptações de IA, banco, e-mail, cache e filas ficam explícitas; Redis e RabbitMQ são integrações configuráveis.
Ver produto
react · saas
Starter kit React + TypeScript para SaaS multi-tenant com Firebase, Atomic Design, temas, PWA, telas de produto, MirageJS e chat com Gemini extensível a outros providers. Valide requisitos de produção, custos e integrações antes de publicar.
Ver produto
react · boilerplate
Starter React público com TypeScript, Zustand, React Query, Tailwind CSS, PWA e integrações de IA documentadas. O repositório não declara uma licença SPDX; revise os termos antes de uso comercial.
Ver produto
nextjs · saas
Landing page SaaS para Next.js, TypeScript e Tailwind CSS com SEO, temas, i18n, PWA e pontos de integração para auth, Stripe e IA. Uma base clara para sair da tela vazia e adaptar sua proposta.
Ver produtoContinue explorando tópicos similares
Fine-tuning learns behavior; RAG provides context. In 2026, the choice isn't binary—it's architectural. Explore deep metrics, PEFT/LoRA code, and hybrid patterns.
Com 1,05M de tokens de janela, a tentação é óbvia: joga tudo dentro. A conta de custo, a curva de atenção e a pergunta “de onde veio essa informação?” explicam por que isso raramente funciona.
A telemetria do meu agente vem desligada, aponta para localhost e não exporta nenhum prompt. Mesmo assim ela responde quanto custou cada turno e por que um modelo foi escolhido.
Checklist prático para validar segurança, custos, avaliações e observabilidade antes de colocar seu app com IA em produção.
Templates testados em produção, usados por desenvolvedores. Economize semanas de setup no seu próximo projeto.
Quando uma nova fonte entra, o LLM a processa completamente: cria uma página de resumo, atualiza o índice, e modifica 10 a 15 páginas correlatas do wiki. O trabalho que levaria horas para um humano acontece em minutos.
Ao fazer uma pergunta, o LLM busca páginas relevantes do wiki (não os documentos brutos), sintetiza uma resposta com citações, e pode opcionalmente arquivar os achados como novas páginas — fazendo o conhecimento crescer por exploração, não apenas por ingestão.
Uma verificação periódica de saúde do wiki: contradições entre fontes, claims desatualizados, páginas órfãs sem referências, lacunas de cobertura. Como um compilador, mas para conhecimento.
O padrão define dois arquivos de controle:
Karpathy sugere vários contextos práticos:
A ideia remete ao conceito de Memex de Vannevar Bush (1945) — uma máquina para estender a memória humana através de associações. A diferença é que, em 1945, manter essas associações seria trabalho humano intenso. Hoje, os LLMs resolvem exatamente essa parte.
Como Karpathy coloca:
"O LLM não se entedia, não esquece de atualizar referências cruzadas e toca 15 arquivos de uma vez."
O humano continua no papel que faz sentido: curar fontes e fazer as perguntas certas. O LLM executa o trabalho de síntese, arquivamento e manutenção de consistência.
O que me chama atenção nesse padrão é o compounding. Conhecimento que cresce por uso, não apenas por acumulação. Cada consulta bem respondida pode se tornar uma nova entrada no wiki. Cada nova fonte processada enriquece as conexões existentes.
É uma mudança de paradigma sobre o que significa "usar um LLM": de uma ferramenta de consulta pontual para um parceiro de curadoria intelectual contínua.
Se você trabalha com pesquisa, escrita, ou qualquer domínio onde o acúmulo de conhecimento importa, vale experimentar esse padrão.
Leia o artigo original de Andrej Karpathy no GitHub Gist.
https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f