Canvas & Ratio
Choose your destination platform format
Layout Template
Choose a content structure for your slides
Preset Themes
Typography & Sizing
Brand Kit Customization
AGENCYConfigure brand assets for headers & footers
Outro Slide CTA
Customize your closing call-to-action slide
Background Pattern
Build Your Carousel
Drag and drop any post card below onto a slide, or use the quick buttons to insert content/images instantly!
Karpathy ha dejado de usar LLMs para escribir código. Ahora la mayor parte de sus tokens van a otra cosa: construir bases de conocimiento personales. Y lo cuenta en un tweet que ya tiene 83K bookmarks. Te explico su sistema 🧵
El proceso: 1. Guarda todo (papers, artículos, repos, imágenes) en un directorio raw/ 2. Un LLM "compila" esos datos en una wiki de archivos .md organizados 3. La wiki genera resúmenes, backlinks, artículos por concepto y enlaces cruzados Él casi no la toca. El LLM la mantiene sola.
Para hacer preguntas no necesita RAG. Con ~100 artículos y ~400K palabras, el LLM lee todo directamente. Mantiene índices y resúmenes automáticamente. Funciona a pequeña escala sin infraestructura compleja.
Las respuestas no van a terminal. El LLM renderiza: - Archivos markdown - Presentaciones (Marp) - Gráficos matplotlib Todo se ve en Obsidian. Y cada output se archiva de vuelta en la wiki. Tus consultas siempre suman al conocimiento.
Lo más interesante: el LLM también lintea la wiki. Busca datos inconsistentes, imputa lo que falta (con web search), descubre conexiones entre documentos y sugiere nuevas preguntas. La base de conocimiento mejora sola.
Karpathy dice que esto merece un producto serio, no una colección de scripts sueltos. Y la extrapolación natural: cada pregunta a un LLM frontier spawna un equipo que construye una wiki efímera entera, la linteada y escribe un reporte completo. <a target="_blank" href="https://x.com/karpathy/status/2039805659525644595" color="blue">x.com/karpathy/statu…</a>