Votre agent IA a besoin d'une carte : un Wiki LLM ou un README suffit
OpenAI
Anthropic
L'article explique comment les agents IA peuvent naviguer dans des bases de code complexes en utilisant des bases de connaissances structurées comme un Wiki LLM ou un dépôt orienté README. Il présente le modèle de Wiki LLM d'Andrej Karpathy, qui utilise un LLM pour écrire et maintenir un wiki, et le compare à une approche de documentation comme code où les fichiers README servent de source de connaissances principale. L'auteur partage son implémentation pratique d'un Wiki LLM pour une plateforme de paiement et compare les deux approches en termes de génération et de maintenance des connaissances.
L'article avance que les agents d'IA ont besoin d'une base de connaissances structurée (une « carte ») pour éviter de repartir de zéro à chaque session. Il présente le modèle LLM Wiki d'Andrej Karpathy, qui se compose de trois couches (documents bruts, pages wiki maintenues par un LLM, et fichiers d'index et de logs) et de trois opérations (ingestion, interrogation, vérification). L'auteur a implémenté ce modèle sur une plateforme de paiement avec un wiki de 70 pages couvrant le domaine central des paiements. Il le compare également à son approche précédente, centrée sur les README, où la documentation vit dans des fichiers markdown à côté du code et où un fichier CLAUDE.md oriente l'agent vers la documentation pertinente. La différence clé : dans README, les développeurs écrivent les connaissances par module ; dans LLM Wiki, le LLM synthétise les connaissances à partir de multiples sources. L'auteur note qu'un LLM Wiki n'est pas nécessaire pour tous les projets, surtout si la base de code est simple ou si l'agent fait déjà de bonnes suppositions.
Source: Habr — хаб ИИ —
original