Sun’iy intellekt bilan ishlaganda eng katta muammolardan biri — bilimlarning suhbatlar orasida yo‘qolib ketishi. Bir chatda muhim ma’lumotlar....
Sun’iy intellekt bilan ishlaganda eng katta muammolardan biri — bilimlarning suhbatlar orasida yo‘qolib ketishi. Bir chatda muhim ma’lumotlar yig‘iladi, keyingi safar esa ularni yana qayta tushuntirishga to‘g‘ri keladi. Andrej Karpathy ommalashtirgan LLM Wiki yondashuvi bu muammoni oddiy usulda hal qilishni taklif qiladi: barcha manbalarni Markdown fayllar ko‘rinishida saqlab, LLM yordamida ular orasidagi bog‘lanishlarni avtomatik tashkil qilish.
Videodagi misolda muallif o‘zining 36 ta YouTube videosi transkriptini bitta bilim tizimiga aylantiradi. Har bir video alohida manba sifatida saqlanadi, AI esa undan vositalar, texnikalar, tushunchalar, odamlar va boshqa mavzularni ajratib, teglar hamda ichki havolalar yaratadi. Natijada oddiy fayllar to‘plami emas, balki o‘zaro bog‘langan bilim xaritasi hosil bo‘ladi. Masalan, Claude Code, Perplexity, MCP serverlar, RAG, WAT framework yoki agent jamoalari haqidagi ma’lumotlar turli videolardan kelgan bo‘lsa ham, yagona tizim ichida bir-biri bilan ulanadi.
Buning uchun murakkab vektor bazasi yoki maxsus infratuzilma shart emas. Asosiy tuzilma juda sodda: “raw” papkaga asl materiallar tashlanadi, “wiki” papkaga esa LLM qayta ishlagan bilim sahifalari yoziladi. Bundan tashqari, index fayli asosiy tushuncha va manbalarni topishni osonlashtiradi, log esa tizimga qachon va qanday ma’lumot qo‘shilganini saqlaydi. Claude.md kabi loyiha yo‘riqnomasi esa agentga wiki qanday ishlashi, uni qanday yangilash va qayerdan ma’lumot izlash kerakligini tushuntiradi.
Obsidian bu jarayonda vizual interfeys vazifasini bajaradi. Uning graph view funksiyasi orqali qaysi mavzular markaziy “hub”ga aylangani va qaysi ma’lumotlar o‘zaro bog‘langanini ko‘rish mumkin. Lekin Obsidian majburiy emas: tizimning o‘zi oddiy Markdown fayllardan iborat. Brauzerdagi Obsidian Web Clipper kengaytmasi yordamida maqolani bir tugma bilan “raw” papkaga yuborish, keyin esa Claude Code’dan uni wiki’ga kiritishni so‘rash mumkin.
Videoda AI 2027 maqolasi misol sifatida ishlatiladi. LLM maqolani o‘qib, foydalanuvchidan qaysi jihatlarga ko‘proq e’tibor berish kerakligini so‘raydi va keyin ma’lumotni bitta katta hujjatga emas, bir-biri bilan bog‘langan ko‘plab sahifalarga ajratadi. Shu bitta maqoladan 23 ta wiki sahifasi yaratiladi: odamlar, tashkilotlar, AI tizimlari, texnik tushunchalar, alignment, geopolitika va tahlil kabi bo‘limlar shakllanadi. Muhimi, yangi maqolalar qo‘shilganda AI eski sahifalar bilan yangi bog‘lanishlarni ham topadi.
Bu yondashuvning katta afzalligi — bilim vaqt o‘tishi bilan “jamg‘arilib” boradi. Oddiy AI chatida kontekst ko‘pincha vaqtinchalik bo‘lsa, LLM Wiki’da har bir yangi manba oldingi ma’lumotlar ustiga qo‘shiladi. Natijada tizim asta-sekin foydalanuvchining shaxsiy tadqiqot bazasi yoki “ikkinchi miyasi”ga aylanadi. Uni YouTube kontentlari, biznes uchrashuvlari, xodimlar haqidagi ma’lumotlar, kompaniya rejasi yoki shaxsiy tadqiqotlarni tartibga solish uchun alohida vaultlarda yuritish mumkin.
Muallif bunday wiki’ni boshqa AI agentlariga ham ulaydi. Masalan, executive assistant kerakli ma’lumotni o‘z loyihasida doim saqlab turmaydi. Zarurat tug‘ilganda wiki indexini ochib, tegishli sahifalarni o‘qiydi. Bu token sarfini kamaytirishga yordam beradi. Videoda keltirilgan misollardan birida 383 ta tarqoq fayl va 100 dan ortiq uchrashuv transkripti ixcham wiki’ga aylantirilgach, Claude bilan so‘rovlar paytidagi token ishlatilishi 95 foizga kamaygani aytiladi.
Tizimni muntazam “lint” qilish ham mumkin. AI wiki ichidagi zid ma’lumotlarni, yetishmayotgan bog‘lanishlarni yoki to‘ldirilishi kerak bo‘lgan mavzularni topadi. Hatto qaysi yo‘nalishda yangi maqola yoki tadqiqot kerakligini tavsiya qilishi mumkin. Bu bilim bazasini oddiy arxivdan faol rivojlanadigan tizimga aylantiradi.
Shunga qaramay, LLM Wiki klassik RAG’ni to‘liq almashtirmaydi. Yuzlab yaxshi tartiblangan sahifalar uchun Markdown, index va havolalar yetarli bo‘lishi mumkin. Ammo millionlab hujjatli yirik korporativ tizimlarda semantic search, embedding modeli va vector database kabi an’anaviy RAG infratuzilmasi samaraliroq bo‘lib qoladi. Demak, asosiy g‘oya RAG’dan voz kechish emas, balki kichik va o‘rta hajmdagi shaxsiy bilim bazalari uchun keraksiz murakkablikdan qochishdir.
Eng qiziq tomoni shundaki, bunday tizimni yaratish uchun tayyor murakkab dastur yozish shart emas. LLM’ga yuqori darajadagi g‘oya va loyiha kontekstini berish kifoya; agent papkalar, index, log va wiki tuzilmasini yaratib, keyingi materiallarni ham o‘zi tartibga sola boshlaydi. AI’ning haqiqiy kuchi faqat savolga javob berishda emas, balki vaqt o‘tishi bilan yig‘iladigan, bog‘lanadigan va boshqa agentlar foydalana oladigan doimiy bilim tizimini yaratishda namoyon bo‘ladi.