Seu Agente de IA Precisa de um Mapa: LLM Wiki ou README é Suficiente
OpenAI
Anthropic
O artigo discute como agentes de IA podem navegar por bases de código complexas usando bases de conhecimento estruturadas, como um LLM Wiki ou um repositório orientado por README. Ele apresenta o padrão LLM Wiki de Andrej Karpathy, que usa um LLM para escrever e manter um wiki, e o contrasta com uma abordagem de documentação como código, onde arquivos README servem como fonte primária de conhecimento. O autor compartilha sua implementação prática de um LLM Wiki para uma plataforma de pagamento e compara ambas as abordagens em termos de geração e manutenção de conhecimento.
O artigo argumenta que agentes de IA precisam de uma base de conhecimento estruturada (um 'mapa') para evitar recomeçar do zero a cada sessão. Ele apresenta o padrão LLM Wiki de Andrej Karpathy, que consiste em três camadas (documentos brutos, páginas wiki mantidas pelo LLM e arquivos de índice/log) e três operações (ingestão, consulta e lint). O autor implementou esse padrão em uma plataforma de pagamentos com um wiki de 70 páginas cobrindo o domínio central de pagamentos. Ele também o contrasta com sua abordagem anterior orientada a README, onde a documentação reside em arquivos markdown ao lado do código, e um arquivo CLAUDE.md direciona o agente para a documentação relevante. A diferença fundamental: no README, os desenvolvedores escrevem conhecimento por módulo; no LLM Wiki, o LLM sintetiza conhecimento de múltiplas fontes. O autor observa que um LLM Wiki não é necessário para todos os projetos, especialmente se a base de código for simples ou se o agente já fizer boas suposições.
Fonte: Habr — хаб ИИ —
original