Concepts · Knowledge management
Le second brain de Karpathy : un wiki que l'IA écrit et maintient pour toi
7 août 2026 · 6 min de lecture
Un wiki qui s'écrit tout seul, se met à jour tout seul, et vérifie sa propre cohérence. C'est ce qu'Andrej Karpathy a décrit dans un gist publié le 4 avril 2026 : un système où un LLM joue le rôle de bibliothécaire de recherche, lit tes sources, en extrait des articles structurés en markdown, les relie entre eux, et signale les contradictions. Le tweet qui accompagnait le gist a cumulé 16 millions de vues. Plus de 5 000 stars sur le gist, une quinzaine d'implémentations GitHub en quelques semaines. Le pattern a frappé une corde : tout le monde veut un second brain, personne ne veut faire la maintenance.
Le problème que Karpathy résout
Les second brains existent depuis longtemps. Tiago Forte a popularisé le concept avec son livre "Building a Second Brain" en 2022. Obsidian, Notion, Roam, Logseq : des dizaines d'outils te permettent de capturer, organiser et relier tes notes. Le problème n'est pas l'outil, c'est l'entretien. Mettre à jour les renvois, réconcilier les anciennes notes avec les nouvelles sources, créer les entrées manquantes : c'est un travail de bibliothécaire que la plupart des gens abandonnent au bout de trois mois.
Karpathy a simplement remplacé le bibliothécaire par un LLM. L'IA ne se lasse pas de vérifier que l'article A contredit l'article B, que le concept C n'a pas encore sa propre page, que l'index est à jour. Elle fait le travail que personne ne veut faire, à chaque fois que tu ajoutes une source.
Comment ça marche : trois dossiers, un agent
L'architecture tient en trois répertoires.
raw/ : tes sources brutes. Articles de blog, papers en PDF convertis en markdown, transcripts de podcasts, notes de réunion, screenshots. Tu mets tout là, sans trier. Le dossier est append-only : rien ne s'édite, c'est la source de vérité. Karpathy utilise l'Obsidian Web Clipper pour convertir les pages web en fichiers .md, images comprises, pour que le LLM puisse les lire via ses capacités de vision.
wiki/ : la sortie de l'IA. Le LLM lit les sources dans raw/, en extrait les concepts clés, écrit des articles encyclopédiques en markdown, les relie par des backlinks, et maintient un fichier d'index qui résume l'ensemble du wiki. Quand une nouvelle source arrive dans raw/, l'IA ne réécrit pas tout : elle lit l'index, identifie quels articles doivent être mis à jour ou créés, et fait une mise à jour ciblée.
outputs/ : les réponses à tes questions. Quand tu demandes "quelles sont les trois architectures les plus prometteuses pour le long-context ?", le LLM lit l'index, plonge dans les articles pertinents, et écrit la réponse dans outputs/ comme un document markdown. Chaque question laisse une trace auditable.
Le tout est en markdown pur. Pas de base de données vectorielle, pas de schéma propriétaire. Des fichiers que tu peux ouvrir dans n'importe quel éditeur de texte.
La compilation et le linting
L'agent fait deux types de passes.
La compilation se déclenche quand une nouvelle source arrive dans raw/. Le LLM lit la source, extrait les concepts, vérifie s'ils existent déjà dans le wiki, crée ou met à jour les articles, rafraîchit l'index, ajoute les backlinks. Karpathy signale qu'à environ 100 articles et 400 000 mots, l'index complet tient dans le context window d'un LLM moderne. L'agent peut donc vérifier les doublons et les contradictions sans aucun système de retrieval.
Le linting est un contrôle périodique, indépendant des nouvelles sources. L'IA scanne le wiki entier et cherche les incohérences : des articles qui se contredisent, des concepts mentionnés mais sans page dédiée, des index entries périmées, des pages orphelines sans lien entrant. C'est l'équivalent d'un eslint sur du code, mais pour du savoir.
Le fichier de schéma : CLAUDE.md ou AGENTS.md
Le troisième élément, moins visible mais central, est le fichier de consignes que tu donnes à l'agent. Chez Karpathy c'est un CLAUDE.md (pour Claude Code) ou AGENTS.md (pour Codex). Ce fichier définit les règles : comment ingérer différents types de sources, à quoi ressemble l'index, comment générer les backlinks, ce que le linting doit vérifier, comment gérer les informations contradictoires, quelles réponses vont dans outputs/ et lesquelles sont inline.
Karpathy décrit ce fichier comme co-évolué : il l'affine au fil du temps selon la façon dont le wiki se développe. Le rôle principal de l'humain n'est pas d'écrire les articles, c'est d'écrire et d'affiner les consignes qui disent à l'IA comment les écrire. Le wiki est moins un produit du LLM que le produit des instructions de Karpathy, exécutées à l'échelle.
Pourquoi pas RAG ?
Le RAG (retrieval-augmented generation) est le standard pour donner de la mémoire à un LLM sur des données propriétaires. Tu découpes tes documents en morceaux, tu les convertis en vecteurs (embeddings), tu les stockes dans une base vectorielle, et à chaque question tu fais une recherche de similarité pour nourrir les morceaux pertinents au LLM. Le RAG marche, mais chaque question repart de zéro. Rien n'accumule entre les requêtes. Les bonnes réponses disparaissent dans l'historique du chat.
Le LLM wiki inverse la logique. La synthèse se fait au moment de l'ingestion, pas au moment de la question. Quand une source arrive, l'IA l'intègre immédiatement dans un réseau de pages existantes. Les contradictions sont signalées dès l'ingestion, pas découvertes (ou ratées) au moment de la question. Les bonnes réponses sont rangées dans le wiki comme de nouvelles pages.
Pour un projet de recherche personnel ou un wiki de département, Karpathy estime que l'infrastructure RAG ajoute plus de latence et de bruit de retrieval qu'elle n'en résout. Le contexte direct suffit tant que le wiki tient dans le context window.
Un exemple chez Maisons&Mobilia
Sophie, responsable e-commerce chez Maisons&Mobilia (M&M, enseigne de meubles fictive), lit beaucoup : rapports fournisseurs, études de marché, analyses concurrentielles, newsletters sectorielles. Tout va dans un dossier Notion ou un Obsidian, et rien n'en ressort parce que personne n'a le temps de faire les synthèses.
Elle monte un LLM wiki. raw/ : les rapports fournisseurs en PDF, les articles concurrents clippés via Obsidian Web Clipper, les notes de ses réunions hebdo avec l'équipe. wiki/ : l'agent écrit des pages sur chaque fournisseur, chaque catégorie de produit, chaque tendance de marché détectée. Quand un nouveau rapport arrive, l'IA met à jour la page du fournisseur concerné, ajoute les chiffres nouveaux, signale si un prix a changé par rapport au rapport précédent.
Sophie demande : "quels fournisseurs ont augmenté leurs prix de plus de 5% sur le dernier trimestre ?" L'agent lit l'index, plonge dans les pages fournisseurs, écrit la réponse dans outputs/. La prochaine fois qu'elle pose une question sur les prix, l'IA part de la page déjà synthétisée, pas des PDF bruts. Le wiki grossit, mais le travail de maintenance est fait par l'agent.
La limite : si Sophie arrête de vérifier ce que l'IA écrit, les erreurs s'accumulent. Une hallucination sur un chiffre de prix se propage aux pages liées. Le linting limite le dégât, mais ne le supprime pas. Comme pour tout outil IA, l'humain reste le contrôleur final.
Ce que ça change pour toi
Si tu as déjà essayé de tenir un second brain et que tu as abandonné au bout de quelques semaines (la plupart des gens), le pattern de Karpathy change l'équation. Tu continues de choisir les sources et de poser les questions. La différence, c'est que le livre de bord se tient tout seul.
Si tu utilises déjà un RAG sur tes données personnelles et que ton volume reste modeste (quelques centaines de documents, pas des millions), l'LLM wiki est plus simple, plus lisible, et plus auditable. Chaque affirmation de l'IA peut être tracée à un fichier markdown que tu peux ouvrir, lire, et corriger.
Si tu cherches à comprendre comment un agent IA peut maintenir un état de connaissance persistant, c'est aussi un cas d'école de ce que les agents font de mieux : des tâches répétitives, structurées, avec des règles claires, sur un domaine borné.
Aller plus loin
Pour comprendre comment un LLM peut ingérer, compiler et raisonner sur des documents structurés, notre article sur comment fonctionne un LLM pose les bases de l'attention et du context window. Pour voir comment les agents utilisent des outils et maintiennent un état, le guide sur les agents IA t'aide à y voir clair. Et pour t'entraîner à ces notions en 5 minutes par jour, l'app saisir.ai propose des modules interactifs sur les LLM, le raisonnement et le tool use, en français, sans coder.
Sources
Questions fréquentes
- C'est quoi le second brain de Karpathy ?
- C'est un système de wiki personnel maintenu par un LLM. Tu mets tes sources (articles, notes, transcripts) dans un dossier raw/, l'IA les lit, écrit des articles structurés en markdown dans un dossier wiki/, et fait des passages de vérification pour garder le tout cohérent. Karpathy a décrit ce système dans un gist publié en avril 2026.
- Faut-il savoir coder pour utiliser un LLM wiki ?
- Non. Le gist de Karpathy est un fichier de consignes que tu donnes à un agent IA (Claude Code, Codex). Tu lui décris tes règles dans un fichier AGENTS.md ou CLAUDE.md, et l'agent fait le travail d'écriture, de liage et de vérification. Tu choisis les sources et tu poses les questions, l'IA fait le reste.
- LLM wiki ou RAG, quelle différence ?
- Le RAG cherche des morceaux de documents à chaque question, sans rien accumuler entre les requêtes. Le LLM wiki compile les sources une fois au moment de l'ingestion, intègre le contenu dans des pages reliées, et garde tout à jour. Chaque réponse part d'une vue déjà synthétisée au lieu de fragments bruts.
- Quels outils utiliser pour monter un LLM wiki ?
- Le setup de Karpathy utilise Obsidian comme éditeur markdown, un agent LLM (Claude Code ou équivalent) pour la compilation et la maintenance, et trois dossiers : raw/ pour les sources, wiki/ pour les articles, outputs/ pour les réponses. Des implémentations communautaires existent sur GitHub (NicholasSpisak/second-brain, ScrapingArt/Karpathy-LLM-Wiki-Stack).
- Est-ce que ça scale à gros volume ?
- Karpathy signale qu'à environ 100 articles et 400 000 mots, l'index du wiki tient dans le context window d'un LLM moderne, donc l'agent peut vérifier les doublons et contradictions sans système de retrieval. Au-delà, il faudra ajouter une étape de retrieval ou travailler par sous-dossiers thématiques.