AI Agent Anda Butuh Peta: Wiki LLM atau README Sudah Cukup
OpenAI
Anthropic
Artikel ini membahas bagaimana agen AI dapat menavigasi basis kode yang kompleks menggunakan basis pengetahuan terstruktur seperti Wiki LLM atau repositori yang berorientasi README. Artikel ini menyajikan pola Wiki LLM dari Andrej Karpathy, yang menggunakan LLM untuk menulis dan memelihara wiki, dan membandingkannya dengan pendekatan dokumentasi-sebagai-kode di mana file README berfungsi sebagai sumber pengetahuan utama. Penulis berbagi implementasi praktis Wiki LLM untuk platform pembayaran dan membandingkan kedua pendekatan dalam hal pembuatan dan pemeliharaan pengetahuan.
Artikel ini berargumen bahwa agen AI (artificial intelligence) memerlukan basis pengetahuan terstruktur (sebuah 'peta') agar tidak selalu mulai dari nol di setiap sesi. Artikel memperkenalkan pola LLM Wiki (large language model wiki) dari Andrej Karpathy, yang terdiri dari tiga lapisan (dokumen mentah, halaman wiki yang dikelola oleh LLM, serta file indeks/log) dan tiga operasi (ingest/pemasukan data, query/kueri, dan lint/pemeriksaan). Penulis menerapkan pola ini pada sebuah platform pembayaran dengan wiki sepanjang 70 halaman yang mencakup domain inti pembayaran. Ia juga membandingkannya dengan pendekatan sebelumnya yang berorientasi README, di mana dokumentasi disimpan dalam file markdown berdampingan dengan kode, dan sebuah file CLAUDE.md mengarahkan agen ke dokumentasi yang relevan. Perbedaan utamanya: dalam pendekatan README, para pengembang menulis pengetahuan per modul, sedangkan dalam LLM Wiki, LLM-lah yang mensintesis pengetahuan dari berbagai sumber. Penulis mencatat bahwa LLM Wiki tidak diperlukan untuk setiap proyek, terutama jika basis kode (codebase) tergolong sederhana atau agen sudah mampu membuat tebakan yang cukup baik.
Sumber: Habr — хаб ИИ —
asli