llm-wiki

blog-yuimaru

7 min read

ゆいまる: LLM Wiki とは？ Karpathy が提唱した「自分専用AI知識基地」 (2026-04)

note 記事（2026-04-13）。非エンジニア向けの解説記事。andrej-karpathy と karpathy-gist を大枠解説しつつ、著者自身の運用規模（約 100 資料・数 100 ページ） と 英語化 ingest ノウハウが含まれる。「IT 界隈以外で AI を使いまくる 2005 年生まれ」を自称。

このソースの位置付け

  • 日本語圏で最初期の一般向け解説（対象読者が非エンジニア）
  • 実装詳細は薄いが、中規模運用（100 資料 / 数 100 ページ）の一次報告が含まれる
  • **「英語化してから ingest」**という日本語ユーザー特有の運用ノウハウを明記した貴重な記録
  • karpathy-gist だけでなく AutoResearch / Software 3.0 などの Karpathy 関連概念も解説し、Karpathy の思想圏をまとめて紹介する位置づけ

運用規模（一次報告）

中規模（約 100 資料、数 100 ページ程度）まではindex.mdという目次ファイルだけで十分にナビゲーション可能で、重いベクトル検索インフラを必要としません。

  • 規模: 約 100 資料、数 100 ページ
  • インフラ: index.md のみ（ベクトル検索なし）
  • Karpathy 本人の事例として 40 万語規模 も言及

two-layer-index の「100 ページ超で index が肥大化」という taroumegane の観察と規模感が一致。ゆいまるの事例は「まだ 2 層化が必要ない規模」の実運用として貴重。

日本語特有の運用ノウハウ: 英語化 ingest

著者の実践：

英語での運用について：英語がいいらしいので、著者は翻訳しておくようにしているとのこと。

  • ingest 時にソースを英語に翻訳してから投入
  • 理由: 「英語がいいらしい」（LLM の精度差を意識）
  • Wiki 本体は英語で構築、出力時に日本語で呼び出すスタイル

日本語ユーザーの運用選択肢として重要：

方針採用者トレードオフ
全て日本語taroumegane / taichiendo / hayatetakeda / 本 VaultLLM 精度はやや低い・可読性高
ソース英語化ゆいまるLLM 精度高・翻訳コスト

本 Vault は「全て日本語」方針（CLAUDE.md 明記）だが、ingest 時の言語選択は今後議論すべき論点として記録。

使用ツール（具体的な組み合わせ）

  • Claude Code（ingest / query / lint）
  • Obsidian（閲覧 UI、グラフビュー）
  • obsidian Web Clipper（Web 記事を Markdown 化して即投入）
  • Dataview プラグイン（動的にページを集約・可視化）
  • 画像保存（ローカル保存で LLM が参照可能に）
  • qmd（qmd、将来の大規模化に備えた CLI 検索ツールに言及）

obsidian + Claude Code + Web Clipper + Dataview の組み合わせは taroumegane と共通するが、Dataview プラグインの活用は本記事が明示。

知識の複利成長論

著者の主張（Karpathy 論の平易な解説）：

  • RAG は「毎回ゼロから再発見」= ステートレス
  • LLM Wiki は「1 回コンパイル → 以後 wiki 固定化・更新」= 複利成長
  • クロスリファレンスが既に張られ、矛盾はフラグ付け、合成は常に最新

rag / llm-wiki の対比として既に本 Vault で扱われている内容と整合。

類似ツールとの比較（6 種類）

  1. RAG — ステートレス、大規模可、合成精度不安定
  2. Obsidian 単独 + Zettelkasten — 人力メンテ、llm-wiki の「前身」
  3. Notion / Notion AI — クラウド、UI 綺麗、合成はllm-wiki 劣勢
  4. Logseq / Roam — ブロック粒度、日記統合
  5. 専用 AI 知識ツール（Dume / Mem / Read AI） — ノーコード UI、自由度低い
  6. OSS 拡張（LlamaIndex / Fabric / qmd） — llm-wiki の補完

本 Vault 既存ページ rag / obsidian / semantic-graph / qmd と整合。

著者の感想（ガベージイン・ガベージアウト）

「これ使ってから、かなり知識の選定がしやすくなった。渡す知識がゴミすぎるとやっぱり出てくる結果もしょうもない。ガベージいん、ガベージあうと。」

ソース選定の重要性を端的に表現。あーしだよ！ の「合成錬金釜感覚」（順序依存）と呼応する一次教訓。

付随的に解説される Karpathy 他概念

記事後半では andrej-karpathy の他の提唱についても言及：

  • Software 1.0 / 2.0 / 3.0（2025 YC AI Startup School keynote）: プロンプト（英語）がプログラム
  • AutoResearch / Karpathy Loop（2026-03）: AI が自律的に研究・実験ループ
  • nanoGPT / micrograd / char-rnn: 教育用ミニマム実装
  • A Recipe for Training Neural Networks（2019）

本 Vault の andrej-karpathy ページに Software 3.0 / AutoResearch を追補する根拠として使える。

本 Vault との差分メモ

観点本 Vault 現状ゆいまる運用
言語方針全て日本語（CLAUDE.md 明記）ソース英語化 ingest
Dataview未使用活用
規模小（20 ページ規模）中（100 資料・数 100 ページ）
qmdqmd として紹介のみ大規模化候補として言及

関連ページ

グラフビュー

バックリンク