
【Karpathy式】Claude Codeで「忘れないAI」を作る──LLM Wikiセカンドブレイン構築法
以下の記事が面白かったので、簡単にまとめました。
・i turned my brain into a searchable wiki with claude code. here's how.(J.B.)
1. 問題:セッションを閉じると文脈が死ぬ
LLMとの会話を閉じると、それまでの文脈がすべて消える。先週の火曜日に45分かけて練り上げた戦略も、次のセッションではゼロからやり直しになる。
ほとんどの人はAIを検索エンジンのように使っている。質問して、答えをもらって、次に進む。しかし圧倒的な成果を出している人たちは、セッション間で知識を永続化する方法を見つけている。
2. Karpathyが示したパターン
Andrej Karpathyがバイラルな投稿とGitHub gistで共有したのが「LLM Wiki」というパターンだ。
・LLMをステートレスなコード生成器として扱うのをやめる
・代わりに、永続的で自己更新するナレッジベース(Markdownファイルのwiki)を構築・維持させる
・生のソースを投入すると、LLMがコンパイル・要約・リンク・メンテナンスをすべて行う
・使えば使うほどAIが賢くなる
Karpathy自身の検証では、100記事・50万語の規模で、整備されたMarkdownインデックスが問題なく機能したと報告している。RAGが必要になると思っていたが、不要だったという。
3. Vaultの構成
フォルダ構造はシンプルだ。
・raw/:生のソースを放り込むフォルダ。記事、文字起こし、PDF、会議メモなど
・wiki/:Claude Codeが整理した出力を置くフォルダ。概念ページ、人物ページ、テーマページが自動生成される
・index.md:すべてのページへのマップ
・log.md:更新の追跡ログ
・claude.md:Claude Codeにプロジェクトの動作方法を教えるファイル
タグ付けも整理も人間がやる必要はない。LLMが構造を自分で見出す。
4. 5分でセットアップする手順
手順は驚くほど短い。
・Obsidianをダウンロードする(無料。グラフビューが便利だが必須ではない)
・新しいVaultを作成し、フォルダをターミナルで開く
・Claude Codeを起動する
・Karpathyのgist(https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f)の全文をClaude Codeに貼り付ける
・「あなたは私のLLM Wikiエージェントです。これを完全なセカンドブレインとして実装してください。フォルダ構造、claude.mdスキーマ、ソース取り込みの準備をすべて作ってください」と伝える
・Claude Codeがraw/、wiki/、インデックス、ログの構造を自動構築する
・最初のソースをraw/に入れて「これを取り込んで」と言う
これだけだ。Claude Codeがソースを読み、キーコンセプト・人物・組織・テーマのwikiページを作成し、ページ間の関係性を自動で接続する。
5. 関係性 > 検索──RAGとの違い
この記事で最も重要な主張がここにある。
従来のRAG(Retrieval-Augmented Generation)は、クエリに似たテキストチャンクを類似度で見つける。キーワードのパターンマッチングだ。
LLM Wikiアプローチは違う。概念間の実際の構造化リンクをたどる。LLMが質問を受けると、キーワードマッチではなく、アイデア間の接続をトレースして回答する。結果として、より深い回答と、より良い文脈が得られる。
LLMはインデックスを読み、リンクをたどって情報を見つける。類似度検索ではなく、概念間の実際の構造化された関係性によるナビゲーションだ。
6. 知識ベースを「レイヤー」にする
生のソース取り込みは入口に過ぎない。本当の価値はここにある。
知識ベースは他のツールが読めるレイヤーになる。どんなClaude Codeプロジェクトにもwikiフォルダを向けることができる。
・ビジネスの文脈が必要なエグゼクティブアシスタント?→ wikiを読む
・過去のリサーチを参照したいコンテンツ戦略プロジェクト?→ wikiを読む
知識を1回構築すれば、あらゆるAIワークフローが賢くなる。
7. 知識が複利で増える仕組み
ここが最も面白いポイントだ。
・1本目の記事を取り込むと、10個のwikiページが作られる
・2本目の記事を取り込むと、12ページが追加される。そのうちいくつかは1本目の概念にリンクバックする
・20本目の記事を取り込む頃には、手動でノートを検索しても見つけられないような洞察を浮かび上がらせる密なウェブが出来上がっている
知識が孤立した断片ではなく、接続されたネットワークとして蓄積される。これが「複利」の正体だ。
8. スケールのトレードオフ
著者はスケールの限界について正直に述べている。
・数百ページまでは、適切なインデックスがあればMarkdownアプローチで十分に機能する
・数百万ドキュメントのエンタープライズ規模では、エンベディングとベクトルDBを使った本格的なRAGパイプラインが必要になる
しかし個人のリサーチ、セカンドブレイン、小規模チームのナレッジハブであれば、wikiアプローチで対応できる。コストは本質的にトークン代だけだ。
9. 実際に何を入れるか
過去1年間に消費して消えていったものを思い出してみよう。
・読み終えて忘れた本
・考え方を変えてくれたポッドキャスト
・夜11時に保存して二度と開かなかった記事
・どんなコースよりも多くを教えてくれたYouTubeの深掘り
・マークして二度と見なかったKindleのハイライト
・大きな決断の前にやったリサーチ
・過去のプロジェクトノート
・うまくいかなかったことからの教訓
そのすべてがどこかで何もせずに眠っている。それをVaultに入れる。
既存の素材がなければ、Claude Chatを開いて20分話すだけでいい。仕事、目標、構築中のもの、考えていること。その会話をMemoryファイルとして保存すれば、最初のセッションからClaudeが自分を知っているように感じられる。
10. まとめ
Karpathyのgistをきっかけに、LLM Wikiパターンは急速に広がっている。この記事(171K impressions、2.4K bookmarks)をはじめ、同じ元ネタから複数のバイラル記事が生まれている。
背景にある需要は明確だ。AIとの対話は使い捨てではなく、蓄積するものに変わりつつある。セッションを閉じるたびにゼロに戻る現状は、もはや受け入れられない。
著者 Vannevar Bush が1945年に記述した「Memex」──個人のキュレーションされた知識ストアで、文書間の接続が文書自体と同じ価値を持つもの──の実現が、80年を経てようやく手の届くところに来た。彼が解けなかった問題は「誰がメンテナンスするか」だった。その答えがLLMだ。