Je AI-agent heeft een kaart nodig: LLM-wiki of README is voldoende
OpenAI
Anthropic
Het artikel bespreekt hoe AI-agenten complexe codebases kunnen navigeren met behulp van gestructureerde kennisbanken zoals een LLM-wiki of een op README gerichte repository. Het presenteert Andrej Karpathy's LLM-wiki-patroon, waarbij een LLM wordt gebruikt om een wiki te schrijven en te onderhouden, en contrasteert dit met een documentatie-als-code-benadering waarbij README-bestanden dienen als primaire kennisbron. De auteur deelt zijn praktische implementatie van een LLM-wiki voor een betaalplatform en vergelijkt beide benaderingen op het gebied van kennisgeneratie en -onderhoud.
Het artikel stelt dat AI-agenten een gestructureerde kennisbank (een 'kaart') nodig hebben om te voorkomen dat ze elke sessie opnieuw moeten beginnen. Het introduceert Andrej Karpathy's LLM Wiki-patroon, dat bestaat uit drie lagen (ruwe documenten, wikipagina's onderhouden door de LLM, en index-/logbestanden) en drie bewerkingen (ingest, query, lint). De auteur implementeerde dit patroon op een betalingsplatform met een 70 pagina's tellende wiki die het kernbetalingdomein beslaat. Hij vergelijkt het ook met zijn eerdere README-gerichte aanpak, waarbij documentatie in Markdown-bestanden naast de code staat en een CLAUDE.md-bestand de agent naar relevante documentatie leidt. Het belangrijkste verschil: bij README schrijven ontwikkelaars kennis per module; bij LLM Wiki synthetiseert de LLM kennis uit meerdere bronnen. De auteur merkt op dat een LLM Wiki niet voor elk project nodig is, vooral niet als de codebase eenvoudig is of de agent al goede gissingen maakt.
Bron: Habr — хаб ИИ —
origineel