Andrej Karpathy ทวีตไอเดียหนึ่งที่ทำให้ผมหยุดอ่านกลางทาง — “ให้ LLM สร้างและดูแลwiki ให้คุณ ไม่ต้องเขียนเอง”
ฟังดูเหมือน buzzword อีกตัว แต่พอลองขุดลึก concept มันตรงข้ามกับสิ่งที่คนส่วนใหญ่ทำกับAI ตอนนี้เลย. ปกติเราทำยังไง? เปิด ChatGPT โยนไฟล์เข้าไป ถามคำถาม ได้คำตอบ แล้วก็…หายไป. ทุกอย่างเริ่มนับหนึ่งใหม่ทุกครั้ง.
Karpathy เรียกปัญหานี้ตรงๆ — RAG (Retrieval Augmented Generation)ที่ทุกคนใช้อยู่มัน “ลืม” ทุกครั้งที่ถามจบ.
wiki ที่ AI เป็นคนเขียน
แนวคิด LLM Wiki มี 3 ชั้น ง่ายมาก.
ชั้นแรก: Raw Sources — ไฟล์ดิบทุกอย่างที่คุณเก็บ บทความ วิดีโอทวีต PDF. ห้ามแก้ไข ห้ามลบ. มันคือ source of truth.
ชั้นสอง: Wiki — โฟลเดอร์ markdown ที่ AI เป็นเจ้าของทั้งหมด.AI อ่าน raw แล้วสังเคราะห์เป็น page สรุป เชื่อมโยง จัดหมวด อัปเดต —คุณไม่ต้องเขียนเอง.
ชั้นสาม: Schema — กฎว่า wiki ต้องมีโครงสร้างยังไง ตั้งชื่อยังไงformat แบบไหน. เหมือน style guide ที่คนกับ AI ช่วยกันปรับ.
Karpathy เปรียบว่า “wiki คือ codebase, Obsidian คือ IDE, LLM คือprogrammer, schema คือ style guide.”
ทำไม AI ทำสิ่งนี้ได้ดีกว่ามนุษย์
ถ้าเคยสร้าง wiki — ไม่ว่าจะ Notion Confluence หรือ Obsidian —คุณรู้ว่ามันจะตายภายใน 3 เดือน. เขียนวันแรกสนุก. วันที่ร้อยยี่สิบมันกลายเป็นสุสาน.
แต่ AI ไม่เบื่อ. มันอัปเดต cross-reference ได้ 15 ไฟล์ในรอบเดียว.มันจำได้ว่าหน้าไหนต้องเชื่อมกับหน้าไหน. ต้นทุนในการ maintain wikiลดเหลือเกือบศูนย์.
สิ่งที่น่าสนใจคือ operation หลักมีแค่ 3 อย่าง:
Ingest — โยน source ใหม่เข้ามา AI อ่าน สังเคราะห์อัปเดตทุกหน้าที่เกี่ยวข้อง. source เดียวอาจแตะ 10-15 หน้า.
Query — ถามคำถาม AI ค้น wiki ตอบ. แต่จุดสำคัญคือ —คำตอบที่ดีถูกเก็บกลับเข้า wiki เป็น page ใหม่. ความรู้สะสมไม่หายไป.
Lint — AI ตรวจสุขภาพ wiki เอง. หา contradictionหาหน้ากำพร้า หาข้อมูลเก่า. เหมือน linter ตรวจโค้ด แต่ตรวจความรู้.
ผมลองสร้างจริง — ใช้ Telegrambot + Claude
ไม่ได้แค่อ่านแล้วพยักหน้า. ผมสร้าง pipeline นี้ขึ้นมาจริงๆ บน VPS ราคา$5/เดือน.
ทำงานแบบนี้: ผมเจอลิงก์น่าสนใจ ส่งเข้า Telegram bot ชื่อ
ตัวเลขจริง: 42 captures ที่ส่งเข้า bot กลายเป็น 17 wiki pages. บาง pageถูกอัปเดตหลายรอบจากหลาย source — เหมือนที่ Karpathy บอกว่า knowledgecompounds.
แต่มันไม่ perfect. ปัญหาหลักคือ YouTube video ที่ปิด subtitle — bot ดึงtranscript ไม่ได้ กลายเป็น stub เปล่าๆ 13 ตัวจาก 25. เกินครึ่ง. ต้องใช้ yt-dlplocal ดึง auto-generated subs มา unlock ทีละตัว.
อีกปัญหาคือ wiki โตแล้วไม่มีใครตรวจ. ข้อมูลเก่าก็ยังอยู่ ข้อมูลใหม่ก็เข้ามา ไม่มี decaymechanism — เหมือน wiki ของมนุษย์ที่กลายเป็นสุสานพอดี. ผมต้องสร้าง synthesisengine แยกมา scan ให้คะแนน หาของเน่าทุกวัน.
สิ่งที่ Karpathy ไม่ได้บอก
concept ของ Karpathy สวย. แต่มีช่องว่างที่เจอตอนทำจริง.
ไม่มี decay — wiki ของ Karpathy ไม่มีแนวคิดว่าข้อมูลหมดอายุ.ในโลก AI ที่ tool เปลี่ยนทุกสัปดาห์ ข้อมูลอายุ 30 วันอาจผิดไปแล้ว. ต้องเพิ่ม TTL (timeto live) เอง — ข่าว 14 วัน tool 30 วัน concept 90 วัน.
ไม่มี curation criteria — ทุกอย่างที่โยนเข้ามากลายเป็น wikipage หมด. ไม่มีเกณฑ์ว่าอะไรควรเก็บ อะไรควรทิ้ง. ผมต้องสร้าง scoring rubricขึ้นมาเอง — ให้คะแนน relevance, substance, actionability, freshnessแล้วตัดสินว่า promote, keep, park, หรือ archive.
ไม่มี output layer — wiki สะสมความรู้ได้ดี แต่ไม่มีกลไกบอกว่า“ตอนนี้ knowledge cluster นี้พร้อมจะกลายเป็น blog post แล้วนะ”. ต้องสร้างsynthesis engine ที่ตรวจจับ pattern นี้เอง.
มันคุ้มไหม
คำตอบตรงๆ — สำหรับคนที่เสพ content เยอะแล้วอยากให้ความรู้สะสม ไม่ใช่หายไปกับลมระบบแบบนี้เปลี่ยนเกมจริง.
ผมส่งลิงก์เข้า Telegram ใช้เวลา 5 วินาที. Claude ทำที่เหลือให้หมด — อ่าน สรุปจัดหมวด เชื่อมโยง. ตื่นเช้ามาเปิด wiki เห็นว่าเมื่อคืนมีอะไรใหม่. มันเหมือนมี researchassistant ที่ไม่เคยหลับ.
แต่ถ้าคุณส่งลิงก์วันละ 1-2 ตัว RAG ธรรมดาก็พอ. LLM Wiki คุ้มตอนที่ volume เยอะพอให้cross-reference มี value — ผมเริ่มรู้สึกว่ามัน click ตอนหน้าที่ 15.
ลองคิดดูว่าคุณ “ลืม” สิ่งที่อ่านไปเท่าไหร่ในเดือนที่ผ่านมา. ถ้าคำตอบทำให้เจ็บใจ LLM Wikiอาจเป็นสิ่งที่คุณต้องการ.