Andrej Karpathy présente une approche novatrice pour l'utilisation des grands modèles de langage dans la gestion des bases de connaissances, s'éloignant des architectures de recherche classiques. Traditionnellement, ces systèmes traitent chaque requête comme un départ, recalculant les réponses à partir de documents bruts et manquant de cohérence dans le temps. La méthode dite LLM Wiki propose au contraire de confier au modèle la création et l'entretien continus d'une base documentaire persistante structurée en pages interconnectées. Le système s'articule autour d'une architecture simple mais rigoureuse. Un répertoire nommé raw stocke les sources initiales sans modification. Un répertoire wiki héberge le contenu généré et mis à jour par l'intelligence artificielle. Fichier central, un document de règles appelé claude ou CLAUDE, placé à la racine, définit les conventions de nommage, la gestion des contradictions, la structure des pages et les protocoles d'ingestion et de vérification. Un index général et un journal chronologique permettent de suivre l'évolution et les requêtes effectuées. Le fonctionnement repose sur trois phases principales. La phase d'ingestion consiste à placer des documents dans le répertoire brut et à ordonner au modèle de les analyser, de les synthétiser et de les intégrer dans la structure définie, tout en actualisant l'index et le journal. La phase de requête permet aux utilisateurs d'interroger la base. Le modèle consulte d'abord l'index, suit les liens thématiques vers les pages concernées, et produit des réponses contextuelles qui peuvent être converties en nouvelles entrées permanentes. Enfin, des vérifications périodiques, effectuées quelques fois par semaine, permettent au système de détecter les pages orphelines, les informations obsolètes et les incohérences, garantissant ainsi la santé globale de la base. Cette approche diffère fondamentalement des solutions de récupération statique. Là où le RAG reconstruit l'information à chaque interaction, la base de connaissances accumulée et compilée par le modèle devient un actif vivant dont la pertinence croît avec l'utilisation. Les connexions entre les concepts restent synchronisées et les contradictions sont systématiquement signalées. À mesure que le nombre de sources augmente, l'outil se rapproche d'un assistant de recherche persistant, capable de retenir les liens explicites entre les notions traitées. Le paradigme repose sur une division claire des rôles. L'utilisateur se consacre à la sélection des sources et à la formulation de questions pertinentes, tandis que le modèle assure le travail technique de structuration, de liaison et de maintenance. Comme l'illustre l'analogie souvent citée, l'outil de visualisation sert d'environnement de développement, le modèle d'intelligence artificielle en est le programmeur et la base documentaire constitue le code source. L'implémentation initiale ne nécessite que quelques dizaines de minutes et ne demande qu'une source de qualité pour en ressentir les premiers effets. Le véritable changement réside dans l'adoption d'un rythme de travail régulier où la responsabilité de la maintenance est confiée à l'automatisation. Une fois ce rythme installé, la base documentaire cesse d'être un simple archivage pour devenir un environnement de réflexion dynamique qui se construit et s'affine avec l'usage.