LLM Wiki: ý tưởng của Karpathy biến AI thành “thủ thư riêng” — review và hướng dẫn cho người mới

Bạn đã bao giờ hỏi ChatGPT một câu, được trả lời hay, rồi tuần sau hỏi lại gần như y nguyên — và AI phải “đọc lại từ đầu”? Nguyên nhân: chatbot không tích lũy gì. Ba tháng trước, Andrej Karpathy (người đồng sáng lập OpenAI) đăng một gợi ý đơn giản nhưng thu hút hàng triệu lượt xem: thay vì coi AI là công cụ trả lời theo lượt, hãy để nó tự xây và tự chăm sóc một trang wiki bằng markdown trên chính ổ cứng của bạn. Trên GitHub, topic llm-wiki-personal-knowledge-base đang là nơi tập trung các triển khai của ý tưởng này. Bài viết dưới đây giải thích khái niệm cho người mới, review các repo tiêu biểu, và gợi ý cách áp dụng thực tế.

LLM Wiki hoạt động thế nào? Giải thích cho người mới

Vòng hoạt động gồm ba bước lặp đi lặp lại:

• Nạp nguồn (contribute): bạn ném vào PDF, link bài báo, ghi chú họp, tweet hay, bất cứ thứ gì. Thư mục sources/ là “vùng cấm” — AI chỉ đọc, không bao giờ sửa.
• AI làm vườn wiki: LLM đọc nguồn, rút ra khái niệm, nhận diện mâu thuẫn giữa các nguồn, rồi viết thành các trang wiki có cấu trúc, chèn wikilink nối các khái niệm liên quan. Mọi thay đổi đều phải qua bạn duyệt trước khi ghi — quan trọng.
• Hỏi đáp: khi cần, AI trả lời dựa trên wiki đã tổng hợp sẵn — vì là kiến thức đã được biên tập trước đó, câu trả lời ổn định hơn, có trích dẫn, không phải “đọc lại 50 PDF mỗi câu hỏi”.

Khác gì với các công cụ bạn đang quen?

Điểm khiến cộng đồng hứng thú nhất: toàn bộ wiki là plain markdown trên đĩa — không có cơ sở dữ liệu riêng tư nào. Bạn có thể grep, mở bằng Obsidian, đưa vào git, xoá sạch với rm -rf, hay đưa cho bất kỳ AI nào khác đọc tiếp. Không bị khoá vào một nhà cung cấp.

Các repo tiêu biểu trong topic

Trên topic này hiện có 5 repo, chất lượng khá chênh nhau:

• mindbase-llm-wiki (MIT, 92 commits, 130 sao, vẫn phát triển đều đặn — release mới nhất đầu tháng 10/2026): Karpathy idea “dựa trên sản phẩm”, đó là repo đầy đủ nhất — web UI chạy một lệnh, MCP server, plugin Claude Code, connector Cursor. Đây là lựa chọn đáng thử đầu tiên.
• LLM_Wiki_Layout (GPL-3.0, chỉ 2 commits): không phải phần mềm, chỉ là khung mẫu (template) gồm cấu trúc thư mục Obsidian, schema và bộ prompt dùng cho agent. Phù hợp ai muốn tự dựng quy trình riêng thay vì dùng tool đóng gói sẵn.
• coding-agent-memory: “bộ nhớ kỹ thuật” cho Codex/Claude Code, tất cả là markdown có thể kiểm tra (auditable), tránh vector database. Hướng tới nhóm lập trình viên.
• intern-clawd: biến thể dành cho Claude Code — “trợ lý cá nhân” ghi nhớ dài hạn với wiki hai miền (kỹ thuật / đời sống).
• arkon: định hướng doanh nghiệp — knowledge hub có phân quyền truy cập, MCP server, quản lý khả năng phông (RAG policies). Hơn mức nhu cầu cá nhân.

Chọn MindBase — repo đáng chú ý nhất

Điểm mạnh thực (trích từ README và log phát triển)

• Local-first triệt để: chạy trên Ollama, hoàn toàn miễn phí phí. Trình cài đặt dò phần cứng máy và gợi ý model theo RAM: llama3.2:3b cho 8GB, qwen3:14b cho 24GB+, Muse Glimmer 30B cho 32GB+ Apple Silicon. Không cần API key nào.
• AI hỏi trước khi ghi: mỗi lần nạp nguồn hiển thị danh sách “tóm tắt + checkbox”. Bạn duyệt cái nào, cái đó mới được ghi vào wiki. Không có chỉnh sửa hộ ai “hộp đen”.
• Tự sức khoẻ wiki (lint): một lệnh re-read toàn bộ wiki và báo cáo mâu thuẫn, trích thẳng câu văn xung đột. Đây là tính năng mà Notion hay NotebookLM không thể có, vì kiến thức của chúng không tồn tại dưới dạng tệp mà bạn có thể rà soát.
• Ba kênh dùng: Web UI chạy bằng npx mindbase-app (cổng localhost:4321); plugin Claude Code với bộ lệnh /mb:contribute, /mb:build, /mb:ask, /mb:lint; MCP server cho Cursor, Windsurf, Cline, Continue.dev, Zed…

Điểm cần cảnh giác

• Vẫn đang beta (đến hết Q4/2026). Tác giả công khai kêu gọi: ai đã thử rồi bỏ cuộc hãy gửi lại lý do — điều đó thân thiện nhưng cũng là tín hiệu dự án chưa ổn định hoàn toàn.
• Không phải phép màu: wiki chỉ tốt khi được “tưới” đều. Còn nếu bạn nạp một đợt 50 PDF rồi bỏ đó, wiki vẫn thiếu sự liên kết mới.
• Tốc độ model local: qwen3:14b trả lời tương tác mất khoảng 30 giây, chế độ lint/build chạy nền còn chậm hơn. Ai cần tốc độ đến tức thời thì phải cân nhắc dùng API chạy cloud (mất tính riêng tư).

Dành cho ai, không dành cho ai

Nên dùng nếu: bạn đọc nhiều (bài blog, paper, tài liệu kỹ thuật), muốn một “bộ nhớ dài hạn” mà chính bạn kiểm soát được, quen với markdown/Obsidian, coi trọng dữ liệu local.

Không nên dùng nếu: bạn muốn “nạp một lần rồi hỏi” kiểu NotebookLM, cần collaborative editing trong team ngay lập tức, hoặc không sẵn lòng duyệt từng thay đổi của AI.

Gợi ý lộ trình áp dụng

1. Cài thử nhỏ: mở terminal, chạy npx mindbase-app. Nó dò lừa RAM, cài Ollama model phù hợp, mở web UI ở localhost:4321. Python/Node 20 trở lên là đủ.
2. Tạo project đầu tiên với một chủ đề nhỏ thật — ví dụ “RAG trong OpenWebUI” hay “Proxmox backup best practice” — đừng tạo “mọi thứ” chung chung. Làm quen 4 thao tác: contribute → build → ask → lint. Duyệt từng lần AI đề xuất.
3. Giữ nhịp 10-15 phút mỗi ngày: nạp 3-5 nguồn, duyệt. Kiên trì 2 tuần wiki sẽ bắt đầu “có giá trị” — các trang kết nối, câu trả lời dựa trên tích luỹ.
4. Nếu bạn dùng agent CLI: cài plugin Claude Code hoặc thêm MCP vào Cursor để research + ghi wiki ngay trong terminal, không cần rời màn hình làm việc.
5. Git-track thư mục dữ liệu (~/mindbase-data/): markdown có snapshot rollback tự nhiên, đồng thời làm backup “miễn phí”.

Ghi chú thực tế: nếu bạn đã có stack RAG hybrid (bge-m3 embedding + BM25 như OpenWebUI thường gắn), LLM Wiki bổ sung một tầng khác: hybrid RAG trả lời tốt cho câu “tìm đoạn nào nói về X”; LLM Wiki mạnh với câu “tổng hợp các quan điểm khác nhau về X trong toàn bộ dữ liệu nạp tới giờ”. Cái này chạy song song được, không thay thế nhau.

Nguồn: GitHub topic llm-wiki-personal-knowledge-base — repo chính: mindbase-llm-wiki (frankchu91) và LLM_Wiki_Layout (MrClanks). Ý tưởng gốc: Andrej Karpathy’s LLM Wiki (gist.github.com/karpathy).