El agente Codex creó en Obsidian una base de conocimiento personal a partir de 4 artículos de Habr, en lugar de RAG
RAG, en el que una red neuronal busca fragmentos en los documentos y responde, "responde y olvida": al día siguiente la síntesis de los artículos hay que volver a hacerla desde cero. Ramil probó la idea de Karpathy: el agente Codex mantiene por sí mismo una base de conocimiento formada por archivos markdown en el gestor de notas Obsidian. Con cuatro artículos de Habr se obtuvieron fichas, páginas de conceptos y enlaces entre ellas. Para la investigación personal funciona, pero con 50–100 fuentes cargar los artículos en la base cuesta una cantidad notable de tokens.
Procesado por IA desde Raft; editado por Hamidun News
Ha leído una docena de artículos, ha pedido a una red neuronal que encuentre lo que tienen en común, ha obtenido una respuesta excelente, y al día siguiente esa respuesta ha quedado en una pestaña cerrada del chat. El conocimiento no se ha acumulado. Así suele funcionar RAG: el modelo localiza en los documentos cargados los fragmentos adecuados y responde a partir de ellos.
El ingeniero de calidad Ramil ha probado otra idea, popularizada por Andréi Karpathy: LLM Wiki. En ella, el agente no se limita a responder, sino que mantiene por sí mismo una base de conocimiento personal. El papel de agente lo ha desempeñado Codex, el asistente de OpenAI que puede leer y editar archivos en la carpeta de un proyecto.
La base es Obsidian, una aplicación de notas que guarda todo en archivos markdown normales y muestra las relaciones entre ellos en forma de grafo. El material han sido cuatro artículos de Habr.
En qué se diferencia de RAG
En el esquema habitual, cargas un PDF o unos artículos, haces una pregunta, el sistema extrae fragmentos y genera una respuesta. Para aplicaciones en producción con usuarios, permisos de acceso y SLA, este es el enfoque correcto. Pero para el trabajo personal tiene una desventaja: "responde y olvida". Supongamos que has leído sobre guardrails, evaluación de calidad, OCR y agentes de IA en BI. El modelo puede ofrecer una buena síntesis, pero si esta se queda en el chat, habrá que volver a reunirla desde cero.
LLM Wiki propone compilar el conocimiento en una capa permanente de archivos markdown. El esquema consta de tres partes:
- raw: las fuentes originales, como artículos, PDF, notas y transcripciones. Es la fuente de verdad y el agente no la edita;
- wiki: la capa procesada, con fichas de fuentes, páginas de conceptos, enlaces, síntesis y respuestas guardadas;
- archivo de reglas: las instrucciones para el agente sobre cómo añadir fuentes, cómo nombrar los archivos, cómo separar el hecho de la interpretación y qué actualizar después de cada operación.
El autor lo compara con el desarrollo de software: Obsidian es el IDE del conocimiento, el markdown es la base de código y Codex es el agente de mantenimiento.
Tres operaciones y un experimento real
El trabajo se sostiene en tres comandos. Ingest añade una fuente nueva: Codex lee el artículo, crea una ficha, extrae la idea principal, las tesis, las limitaciones y las técnicas, y actualiza o crea las páginas de conceptos. El autor subraya la diferencia: un resumen común responde a la pregunta "¿de qué trata el artículo?"
, mientras que ingest responde a "¿cómo cambia este artículo mi base de conocimiento?" Query responde a partir de la wiki ya acumulada, y la respuesta valiosa se guarda en la misma wiki, de modo que la pregunta también pasa a formar parte de la base. Lint revisa el estado de la base: busca duplicados, contradicciones, conclusiones obsoletas, conceptos sin página e "islas" en el grafo.
El autor llama a estos problemas knowledge smell, por analogía con el code smell en el código.
Para la prueba se tomaron cuatro artículos de Habr: sobre GLiNER Guard y los guardrails para LLM, sobre la evaluación de un clasificador con DeepEval usando GPT-4o y YandexGPT, sobre HunyuanOCR y el reconocimiento de documentos, y sobre BI potenciado por IA con Apache Superset y MCP. Por separado, son cuatro textos sin relación. Tras el ingest, Codex detectó un tema común: los cuatro tratan sistemas con LLM en producción.
Uno aborda la seguridad, otro las métricas, otro el trabajo con documentos y el cuarto los agentes con herramientas, permisos y auditoría. En la wiki aparecieron páginas de conceptos, entre ellas una sobre seguridad de la información, y la vista de grafo de Obsidian mostró cómo los artículos convergen en nodos comunes.
Técnicamente, todo es sencillo: Codex se ejecuta en la carpeta del proyecto, lee el archivo de reglas, revisa la estructura y edita los markdown. La diferencia está en cómo se plantea la tarea. Una petición del tipo "haz un resumen bonito" da un resultado aleatorio, mientras que una instrucción precisa ("no tocar raw, hacer la ficha según la plantilla, actualizar conceptos, index, relations y log, registrar las limitaciones") da un resultado predecible. El autor lo compara con la diferencia entre hacerle una pregunta a un becario y darle a un ingeniero un repositorio con sus normas.
Cuánto cuesta y dónde están los límites
La advertencia principal del autor es que ingest no es un resumen gratuito, sino una operación costosa de lectura, análisis y escritura. Cinco fuentes se pueden procesar casi sin problemas. Con 50–100 fuentes, sobre todo PDF de muchas páginas, cualquier etiqueta mal puesta, una entidad de más o una sección defectuosa encarece el proceso: el modelo vuelve a leer grandes bloques de texto, reescribe decenas de páginas y puede replicar la estructura errónea por toda la wiki. En la nube, eso se traduce en una factura directa por tokens. Un modelo local no factura, pero exige una máquina potente; de lo contrario, la calidad de las relaciones en grandes volúmenes de datos cae o hay que esperar mucho.
Para estimar el presupuesto, el autor calcula el coste con Yandex Foundation Models para su vault de demostración a fecha de 29 de junio de 2026, teniendo en cuenta solo lo que realmente interviene en el proceso: las cuatro fuentes originales en raw y la capa de wiki generada (sources, concepts, synthesis, index, relations, log).
Codex se eligió por comodidad. El mismo proceso puede montarse con scripts: un observador de la carpeta raw envía los archivos nuevos a un modelo local o en la nube, recibe una respuesta estructurada y regenera las fichas y los índices. Después conviene incorporar una revisión humana: el agente propone un diff y la persona lo acepta o lo corrige.
Por dónde empezar
Se puede empezar a pequeña escala: una carpeta, markdown, Obsidian, un agente y tres comandos. Primero hay que ajustar el archivo de reglas con 3–5 fuentes y solo después escalar. Conviene calcular de antemano los tokens del ingest y dejar la revisión de los cambios en manos de una persona, de lo contrario el agente consolidará sus propios errores en la estructura.
La limitación es evidente: se trata de una herramienta personal para la investigación y la preparación de materiales, no de un sustituto de un RAG de producción con permisos de acceso y SLA. El experimento es pequeño, solo cuatro artículos, así que el comportamiento con cientos de documentos solo puede valorarse a partir de las advertencias del propio autor.
- 21 nov 2026Las vacantes de FDE se multiplicaron por 4,6 en un año: qué hace un ingeniero en el cliente
- 21 nov 2026Capitana de un equipo de natación automatizó con ChatGPT tres tareas programadas y recortó la rutina varias veces
- 21 nov 2026GPT-6 Cyber encontró unos 35 fallos en iPhone, Mac y otros dispositivos de Apple
- 21 nov 202622 agentes de Claude pasaron seis semanas buscando respuestas sobre agujeros negros, y resolvieron dos problemas
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre En qué se diferencia de RAG?
En el esquema habitual, cargas un PDF o unos artículos, haces una pregunta, el sistema extrae fragmentos y genera una respuesta. Para aplicaciones en producción con usuarios, permisos de acceso y SLA, este es el enfoque correcto. Pero para el trabajo personal tiene una desventaja: "responde y olvida". Supongamos que has leído sobre guardrails, evaluación de calidad, OCR y agentes de IA en BI. El modelo puede ofrecer una buena síntesis, pero si esta se queda en el chat, habrá que volver a reunirla desde cero.
¿Qué se sabe sobre Tres operaciones y un experimento real?
El trabajo se sostiene en tres comandos. Ingest añade una fuente nueva: Codex lee el artículo, crea una ficha, extrae la idea principal, las tesis, las limitaciones y las técnicas, y actualiza o crea las páginas de conceptos. El autor subraya la diferencia: un resumen común responde a la pregunta "¿de qué trata el artículo?", mientras que ingest responde a "¿cómo cambia este artículo mi base de conocimiento?".
¿Qué se sabe sobre Cuánto cuesta y dónde están los límites?
La advertencia principal del autor es que ingest no es un resumen gratuito, sino una operación costosa de lectura, análisis y escritura. Cinco fuentes se pueden procesar casi sin problemas. Con 50–100 fuentes, sobre todo PDF de muchas páginas, cualquier etiqueta mal puesta, una entidad de más o una sección defectuosa encarece el proceso: el modelo vuelve a leer grandes bloques de texto, reescribe decenas de páginas y puede replicar la estructura errónea por toda la wiki.
Build & Ship Production AI Agents Without Boilerplate Code
Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.