LLM-шаблоны Карпаты получили формальную логику: выводы ИИ теперь можно проверить

Андрей Карпаты, один из ключевых исследователей в области нейросетей, предложил паттерн LLM Wiki, а два открытых проекта превратили его в готовые шаблоны: один для повседневных задач, второй для областей, где цена ошибки слишком высока.

Суть подхода: ИИ-агент (программа, которая сама выполняет цепочку действий по заданным правилам) больше не ищет информацию заново при каждом вопросе. Вместо этого он постоянно ведёт собственную вики: дополняет страницы, связывает их ссылками, отмечает противоречия и поддерживает общий обзор. Два репозитория на GitHub, llm-wiki-baseline и llm-wiki-kbt, реализуют этот паттерн с разной глубиной.

Что умеют LLM-шаблоны и чем различаются два проекта?

llm-wiki-baseline даёт шесть готовых стартовых наборов:

• Управление работой. Задачи, проекты, заметки по рабочим процессам.
• Личная и семейная жизнь. Медицинские анализы, интересы членов семьи, инвентаризация техники в доме, задания на выполнение.
• Управление проектом. Планы, роли, ресурсы.
• Управление небольшой компанией. Процессы, документы, контакты.
• Инструменты для частных инвестиций. Портфели, аналитика.
• Исследования. Источники, гипотезы, выводы.

Три слоя внутри каждого шаблона: папка raw/ хранит неизменяемые источники, wiki/ содержит страницы, которыми управляет агент, а файл AGENTS.md задаёт регламент работы.

Агент выполняет три операции: ingest (один новый источник каскадно обновляет от 10 до 15 страниц), query (ответ на вопрос по вики) и lint (периодическая проверка на противоречия, устаревшие утверждения и страницы без связей).

llm-wiki-kbt решает конкретные проблемы базовой версии:

• В baseline знание хранится как связанные текстовые страницы без формальной онтологии (строгого описания понятий и их отношений). Агент может «загаллюцинировать» (галлюцинация, когда ИИ уверенно выдумывает то, чего не было), и ложная информация попадёт в вики без способа это обнаружить.
• Все связи в baseline одного типа. В kbt появляются типизированные отношения: subclassOf (подкласс), partOf (часть целого), instanceOf (экземпляр класса), disjointWith (несовместимость) и другие.
• Каждая вики в kbt получает явно заданную перспективу рассмотрения: цель, правила, объём и точку зрения. Физик и системный администратор описывают один предмет по-разному, и это фиксируется в настройках.
• Консистентность (непротиворечивость данных) проверяют программные зонды lint, а не сама языковая модель.

Рабочая цель kbt: описать каждую сущность через существенные атрибуты, то есть свойства, без которых она перестаёт быть собой. Когда область описана так, агент способен делать дедуктивные выводы (от общего правила к частному случаю) с проверяемым основанием.

Как попробовать?

1. Откройте GitHub-репозиторий llm-wiki-baseline (или llm-wiki-kbt, если нужна строгая логика). Скопируйте себе нужную папку с шаблоном вики.
2. Откройте скопированную папку через OpenCode. Программа подхватит системный промпт (системный промпт, базовая инструкция, которая задаёт поведение модели) из файла AGENTS.md и начнёт управлять вики по правилам паттерна.
3. Добавьте документ в папку raw/ (заметки, статьи, официальные документы, информацию из браузера) и дайте агенту команду ingest. Агент сам создаст нужные записи и выстроит связи. Файлы не в формате .md агент попробует преобразовать автоматически.
4. Откройте эту же папку в Obsidian как vault (хранилище заметок): graph view покажет связи между страницами, а плагин Dataview прочитает метаданные из заголовков файлов.

Есть ли аналоги в России?

Прямого аналога LLM Wiki среди российских инструментов пока нет. YandexGPT и GigaChat умеют отвечать на вопросы по загруженным документам, но не ведут постоянную структурированную вики с проверкой противоречий. Для базовых задач (собрать заметки, задать вопрос по контексту) можно использовать эти модели. Для полноценной работы по паттерну LLM Wiki понадобится доступ к OpenCode или совместимому инструменту с поддержкой файла AGENTS.md.

Что делать с этим прямо сейчас, по ролям?

Автору Дзена. Шаблон «исследования» из baseline может стать вашим рабочим архивом: складываете в raw/ источники по теме канала, агент сам выстраивает структуру и находит пересечения между темами. Черновики статей получают фактическую базу, а не пересказ по памяти.

Маркетологу. Шаблон «управление проектом» или «небольшая компания» подходит для ведения базы знаний команды. Вместо разрозненных гугл-документов появляется единое место, где агент сам отслеживает устаревшие данные.

Предпринимателю в РФ. Шаблон «частные инвестиции» или «компания» позволяет вести структурированный учёт. Если работаете в области с высокой ценой ошибки (медицина, финансы, инженерия), берите llm-wiki-kbt: формальная логика не даст агенту подставить непроверенный вывод.

Частые вопросы

Нужно ли платить за использование LLM-шаблонов?

Оба репозитория, llm-wiki-baseline и llm-wiki-kbt, распространяются бесплатно как открытые проекты. Расходы возможны только на саму языковую модель, которую вы подключите через OpenCode: если используете платный API (интерфейс для программного доступа к модели), оплата идёт по тарифам провайдера.

Чем kbt лучше baseline для обычного пользователя?

Если вы ведёте заметки о хобби или домашних делах, baseline достаточно. Kbt нужен там, где ошибка дорого стоит: медицинские данные, финансовые расчёты, инженерная документация. Разница в том, что kbt проверяет логическую непротиворечивость программными средствами, а не полагается на «здравый смысл» модели.

Можно ли использовать эти шаблоны с российскими моделями?

Паттерн LLM Wiki опирается на файл AGENTS.md с системным промптом. Теоретически его можно адаптировать под любую модель, которая умеет работать с файлами и выполнять инструкции. На практике автор проекта описывает работу через OpenCode, и совместимость с YandexGPT или GigaChat потребует ручной адаптации промптов и проверки, корректно ли модель выполняет операции ingest и lint.

Два открытых проекта дают конкретный инструмент: базовый для жизни и работы, строгий для областей, где нельзя ошибаться. Начните с пяти документов в папке raw/ и команды ingest, через час станет ясно, стоит ли перестраивать под это свою систему знаний.