Hầu hết mọi người sử dụng AI như một máy bán hàng tự động để tìm câu trả lời.
Tải lên một tài liệu. Đặt một câu hỏi. Nhận phản hồi. Đóng tab. Ngày hôm sau, lại tải lên cùng một tài liệu. Hỏi một câu hỏi hơi khác một chút. Nhìn mô hình bắt đầu lại từ con số không, như thể ngày hôm qua chưa từng xảy ra.
Đây là mô hình mặc định cho "năng suất AI" ngày nay. Nó có cảm giác kỳ diệu trong vài lần đầu tiên vì hệ thống có thể tóm tắt, giải thích và trích xuất thông tin chi tiết từ hầu hết mọi thứ bạn đưa vào. Nhưng sau một vài tuần, sự kỳ diệu bắt đầu có cảm giác lạ lùng là có thể vứt bỏ được. Bạn không đang xây dựng kiến thức. Bạn đang thuê những đợt bùng nổ thông minh ngắn hạn.
Vấn đề không phải là các mô hình quá yếu. Vấn đề là quy trình làm việc không có bộ nhớ tích lũy.
Andrej Karpathy đã mô tả một mô hình tốt hơn: sử dụng LLM để xây dựng và duy trì cơ sở kiến thức cá nhân. Không chỉ là một thư mục chứa các tệp PDF đã tải lên. Không chỉ là một chatbot trên các tài liệu. Một wiki bền vững, có cấu trúc, được liên kết chéo mà LLM cập nhật theo thời gian.
Phần quan trọng không phải là wiki. Chúng ta đã có wiki trong nhiều thập kỷ.
Phần quan trọng là việc bảo trì.
Đó là mảnh ghép còn thiếu đã giết chết hầu hết mọi hệ thống "bộ não thứ hai" trước thời đại AI. Mọi người yêu thích ý tưởng về một cơ sở kiến thức cá nhân. Họ yêu thích đồ thị Obsidian, sơ đồ Zettelkasten, thư mục PARA, ghi chú có gắn thẻ, liên kết ngược, ghi chú thường xanh, bảng điều khiển và tất cả những thứ còn lại. Nhưng sau đợt nhiệt tình ban đầu, điều tương tự thường xảy ra: hệ thống trở thành một hệ thống khác cần được bảo trì.
Bạn cắt bài báo nhưng không tóm tắt chúng. Bạn tạo ghi chú nhưng không kết nối chúng. Bạn gắn thẻ mọi thứ một cách không nhất quán. Bạn quên cập nhật các tuyên bố cũ khi có thông tin mới. Bạn tạo ra một cấu trúc đẹp đẽ và sau đó dần dần tránh né nó vì mỗi tương tác đều tạo ra nhiều công việc sổ sách hơn.
Bộ não thứ hai thất bại vì nó vẫn cần một bộ não thứ nhất để dọn dẹp sau nó.
Mô hình wiki LLM của Karpathy thay đổi nền kinh tế. Nó coi cơ sở kiến thức ít giống như một cuốn sổ tay cá nhân và giống một cơ sở mã hơn. Các nguồn thô được đưa vào. LLM đọc chúng, trích xuất các phần quan trọng, tạo hoặc cập nhật các trang markdown, duy trì các tham chiếu chéo, theo dõi các mâu thuẫn và giữ cho các chỉ mục luôn cập nhật. Con người không viết wiki bằng tay. Con người quản lý các nguồn, đặt câu hỏi, xem xét đầu ra và quyết định điều gì quan trọng.
Bài đăng của Andrej Karpathy
https://x.com/karpathy/status/2039805659525644595
Đó là một sự phân công lao động thú vị hơn nhiều.
Từ Truy xuất đến Kiến thức Tích lũy
Hầu hết các quy trình làm việc với tài liệu AI ngày nay đều dựa trên truy xuất. Bạn tải tệp lên, hệ thống chia nhỏ chúng, nhúng các phần nhỏ và tìm kiếm các đoạn có liên quan khi bạn đặt câu hỏi. Đây là ý tưởng cơ bản đằng sau nhiều hệ thống RAG và nó rất hữu ích. Nó cho phép mô hình trả lời các câu hỏi về tài liệu không có trong dữ liệu huấn luyện của nó.
Nhưng truy xuất có một giới hạn.
Khi bạn đặt một câu hỏi, hệ thống sẽ tìm kiếm, kéo một vài đoạn vào ngữ cảnh và tạo ra câu trả lời. Câu trả lời có thể tốt, nhưng công việc thường biến mất khi cuộc trò chuyện kết thúc. Sự tổng hợp không tự động trở thành một phần của cấu trúc bền vững. Câu hỏi tiếp theo bắt đầu một chu kỳ truy xuất khác.
Điều đó tốt cho các câu hỏi một lần. Nó yếu cho việc học tập, nghiên cứu, viết lách và chiến lược, nơi mà toàn bộ vấn đề là sự hiểu biết nên được tích lũy.
Một wiki được duy trì bởi LLM hoạt động khác. Nó không đợi đến thời điểm truy vấn để tổng hợp mọi thứ từ đầu. Nó biên dịch kiến thức trước.
Khi bạn thêm một nguồn mới, LLM sẽ đọc nó và tích hợp nó vào hệ thống hiện có. Một bài báo có thể cập nhật một trang khái niệm. Một hồ sơ công ty có thể sửa đổi một trang đối thủ cạnh tranh. Một bản ghi âm có thể thêm bằng chứng vào một vấn đề của khách hàng. Một bài báo mới có thể mâu thuẫn với một bản tóm tắt cũ hơn, vì vậy wiki sẽ đánh dấu sự căng thẳng thay vì lặng lẽ chôn vùi nó trong một đống tài liệu.
Câu hỏi thay đổi từ "Tôi có thể truy xuất đúng đoạn văn không?" thành "Cơ sở kiến thức của tôi có trở nên thông minh hơn vì tôi đã thêm nguồn này không?"
Đó là sự thay đổi thực sự: kiến thức trở nên tích lũy.
Ba Lớp
Kiến trúc đủ đơn giản đến nỗi sự đơn giản của nó rất dễ bị bỏ qua.
Lớp đầu tiên là các nguồn thô. Đây là những tài liệu gốc: bài báo, PDF, ghi chú, bản ghi âm, bài nghiên cứu, clip web, hình ảnh, kho lưu trữ, bộ dữ liệu và bất cứ thứ gì khác bạn muốn hệ thống biết đến. Lớp này nên được coi là bất biến. AI có thể đọc nó, trích dẫn nó và tóm tắt nó, nhưng nó không nên viết lại bằng chứng.
Lớp thứ hai là wiki. Đây là một thư mục chứa các tệp markdown được duy trì bởi LLM. Nó có thể bao gồm các bản tóm tắt nguồn, trang khái niệm, trang thực thể, dòng thời gian, so sánh, câu hỏi mở, chỉ mục và báo cáo nghiên cứu. Đây là lớp đã được biên dịch. Đây là nơi nguyên liệu thô trở thành kiến thức có thể sử dụng được.
Lớp thứ ba là lược đồ. Đây là tập hợp các hướng dẫn cho LLM biết cách hoạt động như một người bảo trì. Những thư mục nào tồn tại? Điều gì được coi là một bản tóm tắt nguồn? Các trích dẫn nên hoạt động như thế nào? Khi nào nó nên tạo một trang khái niệm mới thay vì cập nhật một trang cũ? Các mâu thuẫn nên được ghi lại như thế nào? Một cuộc kiểm tra sức khỏe nên tìm kiếm điều gì?
Lược đồ là thứ biến một chatbot thành một người vận hành.
Nếu không có nó, bạn có một mô hình ứng biến. Với nó, bạn có một thứ gần giống với một nhà nghiên cứu cấp dưới, người biết phong cách của tổ chức, hệ thống lưu trữ và các nghi thức bảo trì.
Obsidian phù hợp một cách tự nhiên với quy trình làm việc này vì nó đã là một môi trường markdown cục bộ với các liên kết ngược, chế độ xem đồ thị và điều hướng nhanh. Cách đóng khung của Karpathy rất hữu ích: Obsidian là IDE, LLM là lập trình viên và wiki là cơ sở mã.
Phép ẩn dụ đó rất quan trọng. Cơ sở mã có giá trị không phải vì chúng chứa các tệp. Chúng có giá trị vì các tệp tuân theo các quy ước, tham chiếu lẫn nhau, có thể được tái cấu trúc, có thể được kiểm tra lỗi và có thể được cải thiện mà không cần bắt đầu lại. Một cơ sở kiến thức nghiêm túc nên hoạt động theo cùng một cách.
Con Người Không Nên Là Nhân Viên Văn Thư
Mô hình quản lý kiến thức cá nhân cũ đã âm thầm cho rằng con người sẽ làm mọi thứ.
Bạn đọc nguồn. Bạn đánh dấu. Bạn tóm tắt. Bạn chọn thư mục. Bạn thêm thẻ. Bạn tạo liên kết. Bạn nhớ rằng một ghi chú cũ hơn bây giờ cần được cập nhật. Bạn nhận thấy rằng hai nguồn không đồng ý với nhau. Bạn giữ cho các chỉ mục sạch sẽ. Bạn quyết định xem một ghi chú đơn độc nên bị xóa, hợp nhất hay kết nối.
Đây chính xác là loại công việc có cảm giác hiệu quả trong tuần đầu tiên và không thể chịu đựng nổi trong tháng thứ ba.
Nó cũng chính xác là loại công việc mà LLM giỏi.
Chúng không cảm thấy mệt mỏi với cấu trúc lặp đi lặp lại. Chúng không ngại cập nhật mười lăm tệp trong một lần. Chúng có thể quét để tìm các tuyên bố lỗi thời, liên kết ngược bị thiếu, các khái niệm trùng lặp, đặt tên không nhất quán và các mâu thuẫn chưa được giải quyết. Chúng có thể biến một nguồn lộn xộn thành năm sản phẩm hữu ích: một bản tóm tắt, một danh sách các tuyên bố, một bản cập nhật trang thực thể, một bản cập nhật trang khái niệm và một câu hỏi đáng để điều tra sau này.
Con người nên ở gần hơn với sự phán xét.
Những nguồn nào thuộc về hệ thống? Những tuyên bố nào thực sự quan trọng? Câu hỏi nào đáng để hỏi tiếp theo? Sự tổng hợp nào có cảm giác đúng, hữu ích, đáng ngạc nhiên hoặc sai? Điều gì nên được biến thành một bài báo, bản ghi nhớ, bài thuyết trình, quyết định, ý tưởng sản phẩm hoặc hướng nghiên cứu?
Đó là phần mà gu thẩm mỹ quan trọng.
LLM nên làm công việc hành chính của kiến thức. Con người nên làm công việc biên tập về ý nghĩa.
Điều Này Trông Như Thế Nào Trong Thực Tế
Hãy tưởng tượng bạn đang nghiên cứu một thị trường. Bạn bắt đầu với một vài báo cáo của nhà phân tích, bài đăng trên blog của đối thủ cạnh tranh, phỏng vấn khách hàng, trang sản phẩm và bản ghi âm cuộc gọi bán hàng. Trong quy trình làm việc cũ, những thứ này sẽ trở thành một đống tài liệu. Có thể bạn sẽ hỏi một chatbot về chúng. Có thể bạn sẽ giữ một bảng tính. Có thể cuối cùng bạn sẽ viết một bản ghi nhớ trở nên lỗi thời ngay khi có thông tin mới.
Trong quy trình làm việc wiki LLM, mọi nguồn mới đều cập nhật bản đồ sống.
Một thông báo của đối thủ cạnh tranh cập nhật trang của đối thủ cạnh tranh. Một cuộc gọi khách hàng cập nhật một trang về các phản đối, vấn đề, động lực mua hàng và ngôn ngữ mà khách hàng thực sự sử dụng. Một báo cáo thị trường cập nhật các trang khái niệm về giá cả, quy định, áp dụng hoặc phân phối. Một mâu thuẫn mới được ghi lại thay vì bị bỏ qua. Một truy vấn hữu ích có thể trở thành một bản tóm tắt đã lưu mà các truy vấn trong tương lai có thể xây dựng dựa trên đó.
Sau một vài tuần, hệ thống không còn chỉ là một kho tài liệu. Nó là một môi trường nghiên cứu.
Mô hình tương tự cũng hiệu quả cho các nhà văn. Hãy đưa vào các bài luận, ghi chú, phỏng vấn, bài báo đã lưu và bản nháp trong quá khứ của bạn. Wiki có thể theo dõi các lập luận, ví dụ, tuyên bố, tài liệu tham khảo và ý tưởng dang dở lặp đi lặp lại của bạn. Khi bạn ngồi xuống để viết, bạn có thể hỏi những gì bạn đã nói về một chủ đề, ví dụ nào là mạnh nhất, suy nghĩ của bạn đã thay đổi ở đâu và góc nhìn nào bạn chưa khám phá.
Nó hiệu quả cho việc tự học. Hãy đưa vào các bài giảng, bài đọc, bài tập và bài nghiên cứu. Wiki có thể duy trì các trang khái niệm phát triển khi khóa học trở nên khó hơn. Nó có thể giải thích cách tuần thứ bảy sửa đổi tuần thứ hai. Nó có thể tạo ra các bảng ôn tập, xác định các điểm yếu và biến sự nhầm lẫn thành một kế hoạch học tập.
Nó hiệu quả cho các nhóm. Hãy đưa vào ghi chú cuộc họp, luồng Slack, cuộc gọi khách hàng, tài liệu lập kế hoạch, bản ghi nhớ chiến lược, vé hỗ trợ và báo cáo sau sự cố. Wiki có thể duy trì các trang dự án, trang khách hàng, nhật ký quyết định sản phẩm, trang đối thủ cạnh tranh và các chủ đề rủi ro định kỳ. Lợi ích không chỉ là tìm kiếm. Lợi ích là tổ chức ngừng mất bối cảnh trong các khe nứt giữa các công cụ.
Trong mọi trường hợp, mô hình đều giống nhau: các nguồn được thu thập, kiến thức được biên dịch, các câu hỏi tạo ra đầu ra và các đầu ra hữu ích được lưu trữ lại vào hệ thống.
Việc khám phá tích lũy dần.
Kiểm Tra Sức Khỏe Là Sản Phẩm
Một trong những phần bị đánh giá thấp nhất trong mô hình của Karpathy là kiểm tra lỗi.
Một hệ thống ghi chú thông thường sẽ suy giảm một cách âm thầm. Các liên kết bị hỏng. Các trang bị trùng lặp. Các bản tóm tắt trở nên lỗi thời. Các tuyên bố mâu thuẫn với nhau. Các nguồn quan trọng vẫn chưa được xử lý. Bạn không nhận thấy sự suy giảm cho đến khi bạn cần hệ thống cho công việc thực sự và không còn tin tưởng nó nữa.
Một wiki được duy trì bởi LLM có thể được kiểm tra.
Bạn có thể yêu cầu nó tìm các trang đơn độc. Bạn có thể yêu cầu nó xác định các khái niệm trùng lặp. Bạn có thể yêu cầu nó những tuyên bố nào cần trích dẫn. Bạn có thể yêu cầu nó nơi các nguồn mới hơn xung đột với các nguồn cũ hơn. Bạn có thể yêu cầu nó những trang nào quá mơ hồ, quá dài, quá mỏng hoặc thiếu các tham chiếu chéo rõ ràng.
Điều này nghe có vẻ nhỏ nhặt, nhưng đó là sự khác biệt giữa một đống ghi chú và một cơ sở kiến thức đang hoạt động.
Kiểm tra sức khỏe không phải là một tính năng phụ. Nó là cơ chế giữ cho niềm tin tồn tại.
Một cơ sở kiến thức mà bạn không tin tưởng chỉ là một kho lưu trữ khác. Một cơ sở kiến thức có thể tự kiểm tra, giải thích điểm yếu của nó và đề xuất sửa chữa bắt đầu có cảm giác như cơ sở hạ tầng.
Tại Sao Markdown Lại Quan Trọng
Sự lựa chọn khiêm tốn về markdown quan trọng hơn vẻ bề ngoài của nó.
Các tệp markdown có tính di động. Chúng có thể sống trong một thư mục bình thường. Chúng có thể được mở trong Obsidian, chỉnh sửa bằng bất kỳ trình soạn thảo văn bản nào, quản lý phiên bản bằng git, tìm kiếm bằng các công cụ dòng lệnh, kết xuất thành trang web, chuyển đổi thành slide hoặc xử lý bằng các tập lệnh.
Điều này giúp hệ thống không trở thành một hộp đen.
Nhiều sản phẩm AI muốn hấp thụ kiến thức của bạn vào một giao diện độc quyền. Điều đó có thể thuận tiện, nhưng nó cũng làm cho sự hiểu biết của bạn phụ thuộc vào cơ sở dữ liệu, giá cả, lộ trình và nút xuất của người khác.
Một wiki markdown cục bộ là nhàm chán theo cách tốt nhất có thể. Nó có thể được kiểm tra. Nó bền vững. Nó có thể được sao lưu. Nó có thể được so sánh. Bạn có thể thấy những gì mô hình đã thay đổi. Bạn có thể hoàn tác các chỉnh sửa xấu. Bạn có thể xây dựng các công cụ nhỏ xung quanh nó.
Đối với công việc kiến thức nghiêm túc, cơ sở hạ tầng nhàm chán sẽ chiến thắng.
Sản Phẩm Muốn Tồn Tại
Karpathy đã mô tả điều này như một bộ sưu tập các tập lệnh tạm bợ, nhưng nó chỉ ra một danh mục sản phẩm lớn hơn nhiều.
Công cụ kiến thức vĩ đại tiếp theo có lẽ sẽ không trông giống như một chatbot với nút tải lên. Nó sẽ trông giống một môi trường nghiên cứu bản địa AI hơn: lưu trữ cục bộ trước tiên, tiếp nhận có cấu trúc, tổng hợp nhận biết trích dẫn, bảo trì tự động, đầu ra trực quan, kiểm tra sức khỏe, lịch sử phiên bản và quy trình làm việc tác nhân có thể hoạt động trên toàn bộ cơ sở kiến thức.
Nó sẽ không chỉ trả lời các câu hỏi. Nó sẽ duy trì bối cảnh giúp cho các câu hỏi tốt hơn trở nên khả thi.
Sự khác biệt đó rất quan trọng. Một chatbot là phản ứng. Một cơ sở kiến thức được duy trì là tích lũy. Một chatbot cung cấp cho bạn một phản hồi. Một wiki cung cấp cho bạn trong tương lai một điểm khởi đầu tốt hơn.
Đây cũng là lý do tại sao cụm từ "bộ não thứ hai" cuối cùng có thể trở nên bớt đáng xấu hổ hơn. Trong nhiều năm, nó thường có nghĩa là một tủ hồ sơ đầy khát vọng: một nơi bạn đặt mọi thứ với hy vọng rằng bạn trong tương lai sẽ sắp xếp chúng. Nhưng một bộ não thứ hai thực sự không chỉ nên lưu trữ ký ức. Nó nên bảo tồn cấu trúc, cập nhật niềm tin, làm nổi bật các kết nối và làm cho tư duy tích lũy dễ dàng tái sử dụng hơn.
Cho đến bây giờ, điều đó đòi hỏi quá nhiều kỷ luật của con người.
Bây giờ việc bảo trì có thể được ủy thác.
Quy Trình Làm Việc Thực Sự
Quy trình làm việc thực tế gần như đơn giản một cách đáng thất vọng.
Thu thập các nguồn thô. Để LLM biên dịch chúng thành một wiki markdown có cấu trúc. Sử dụng Obsidian hoặc một giao diện markdown khác để duyệt kết quả. Đặt câu hỏi dựa trên wiki. Lưu các câu trả lời quan trọng trở lại wiki. Chạy kiểm tra sức khỏe định kỳ. Lặp lại.
Bánh đà là thứ quan trọng.
Mọi nguồn đều làm cho wiki tốt hơn. Mọi câu hỏi hay đều tạo ra một sản phẩm. Mọi sản phẩm đều trở thành bối cảnh trong tương lai. Mọi kiểm tra sức khỏe đều cải thiện độ tin cậy. Theo thời gian, hệ thống phát triển một hình dạng phản ánh những gì bạn thực sự nghiên cứu, viết, xây dựng và quyết định.
Điều này rất khác so với việc yêu cầu AI tóm tắt một PDF.
Nó gần giống với việc có một trợ lý nghiên cứu mà công việc chính không phải là tạo ra các câu trả lời cuối cùng, mà là giữ cho không gian làm việc trí tuệ của bạn mạch lạc.
Đó có thể là một trong những cách sử dụng có đòn bẩy cao nhất của các LLM hiện tại. Không phải thay thế suy nghĩ của bạn. Không phải giả vờ biết mọi thứ. Không phải tạo ra văn bản dùng một lần vô hạn. Chỉ đơn giản là làm công việc bảo trì giúp cho tư duy nghiêm túc tích lũy.
Bài Học Rút Ra
Bộ não thứ hai cũ là một hệ thống lưu trữ với một vấn đề về kỷ luật. Nó cung cấp cho bạn một nơi để đặt mọi thứ, nhưng nó vẫn phụ thuộc vào bạn trong tương lai để sắp xếp, kết nối, cập nhật và dọn dẹp nó. Đó là lý do tại sao rất nhiều hệ thống ghi chú bắt đầu như những bản đồ đẹp đẽ và kết thúc như những kho lưu trữ im lặng.
Wiki LLM lật ngược mô hình. Các nguồn thô vẫn là lớp bằng chứng. Wiki markdown trở thành lớp đã được biên dịch. Lược đồ cung cấp cho AI các quy tắc về cách duy trì nó. Kiểm tra sức khỏe giữ cho hệ thống đáng tin cậy. Obsidian hoặc bất kỳ giao diện markdown nào khác trở thành nơi bạn kiểm tra, đặt câu hỏi và tái sử dụng công việc.
RAG có thể giúp bạn trả lời một câu hỏi từ một đống tài liệu. Một wiki được duy trì bởi LLM thay đổi điểm khởi đầu cho mọi câu hỏi trong tương lai.
Đó là ý tưởng cốt lõi. Giá trị không chỉ là các bản tóm tắt nhanh hơn, ghi chú sạch hơn hay đồ thị đẹp hơn. Giá trị là bối cảnh tích lũy. Mọi nguồn, mọi truy vấn, mọi mâu thuẫn và mọi đầu ra hữu ích đều có thể củng cố hệ thống thay vì biến mất vào một luồng trò chuyện khác.
Vai trò của con người trở nên hẹp hơn và có giá trị hơn: chọn đầu vào tốt hơn, đặt câu hỏi sắc bén hơn, thách thức sự tổng hợp yếu và quyết định điều gì quan trọng. Vai trò của AI trở nên lặp đi lặp lại và có cấu trúc: tóm tắt, liên kết, sửa đổi, trích dẫn, kiểm tra lỗi và bảo trì.
Đó là cách công việc tri thức bắt đầu tích lũy.
Bộ não thứ hai của bạn không cần thêm thư mục.
Nó cần ai đó để duy trì nó.
Và lần đầu tiên, người đó không nhất thiết phải là bạn.
Nếu bạn thích bài viết này, hãy theo dõi tôi để biết thêm lời khuyên về AI và Obsidian: @Degen_calls_sol
