今日已更新 262 条资讯 | 累计 34546 条内容
关于我们

¿La IA está sobrescribiendo tus notas? Tres capas de ownership para proteger tu conocimiento

Miller Correa 2026年08月22日 08:46 2 次阅读 来源:Dev.to

¿Alguna vez refinaste una nota durante horas — redactando, puliendo, dándole estructura — y un ingest posterior la sobrescribió silenciosamente, como si tus horas nunca hubieran existido? Si usas LLMs para mantener una base de conocimiento, probablemente ya sentiste ese dolor: la IA genera contenido excelente, pero cuando tú lo mejoras a mano, no siempre respeta tus ediciones. Este artículo te muestra cómo resolvimos ese problema en agnosticBrain , un vault de conocimiento basado en el patrón LLM Wiki de Andrej Karpathy, al que agregamos tres capas de ownership en lugar de las dos originales. El contexto: LLM Wiki, la propuesta de Karpathy En abril de 2026, Andrej Karpathy publicó su gist sobre LLM Wiki , una idea elegante para bases de conocimiento personales: The wiki is a persistent, compounding artifact. The cross-references are already there. The contradictions have already been flagged. The synthesis already reflects everything you've read. La idea: en lugar de RAG clásico (recuperar fragmentos crudos en cada consulta), el LLM compila y mantiene una wiki persistente — un conjunto de notas markdown interconectadas que vive entre tú y tus fuentes. Obsidian es el IDE, el LLM es el programador, y la wiki es el código. La arquitectura tiene dos capas : raw/ — Tus fuentes crudas. Inmutables. El LLM solo lee. wiki/ — Conocimiento compilado. El LLM lo escribe y mantiene todo. Tú lo lees. Suena perfecto, ¿no? El LLM hace todo el trabajo pesado. Pero hay un punto ciego. El GAP: el conocimiento refinado a mano no estaba protegido El patrón de Karpathy asume que tú nunca escribes en la wiki — el LLM la mantiene por completo. En la práctica, eso no se sostiene. Eventualmente quieres intervenir: corregir una síntesis, afinar una conclusión, documentar algo que aprendiste por experiencia y que ninguna fuente captura. ¿Y qué pasa entonces? Los sistemas de conocimiento con IA tienen un punto ciego: no distinguen entre conocimiento generado automáticamente y conocimiento refina

本文内容来源于互联网,版权归原作者所有
查看原文