LLM-maintained markdown wiki คือวิธีทำ “Wikipedia ส่วนตัว” ให้ AI…
จุดที่ทำให้เรื่องนี้น่าสนใจมาก คือ Andrej Karpathy ผู้ร่วมก่อตั้ง OpenAI และอดีตDirector of AI ที่ Tesla โดยเป็นผู้นำทีมพัฒนา Autopilot และระบบ Computer Vision ของ Tesla คนที่ทำให้คำว่า Vibe Code เกิดขึ้นมา ไม่ได้พูดถึง AI ในฐานะแชตบอตที่จำเราแบบลึกลับ แต่พูดถึงการสร้าง knowledge base ที่เป็นของเราเอง อยู่บนเครื่องเราเอง และอยู่ในรูปไฟล์ markdown กับรูปภาพ ซึ่งแปลว่าเราเปิดดูเองได้ แก้เองได้ และเอา AI ตัวไหนมาใช้ก็ได้
ตัวอย่างที่ทำให้เห็นภาพชัดคือโปรเจคชื่อ Farzapedia ของ Farza (ของแอคเค้าท์ X ชื่อ @FarzaTV) ที่เอา diary, Apple Notes และ iMessage มารวมกัน แล้วให้ LLM สร้างเป็น personal Wikipedia มีบทความหลายร้อยหน้า มี backlinks เชื่อมโยงกันหมด และที่สำคัญคือมันถูกออกแบบมาให้ agent ใช้ ไม่ใช่แค่มนุษย์อ่าน
แนวคิดนี้เปลี่ยนวิธีมอง “ความจำของ AI” ไปเลย จากเดิมที่เป็นอะไรบางอย่างใน black box กลายเป็น artifact ที่มองเห็นได้ เรารู้ว่า AI รู้อะไรเกี่ยวกับเรา เพราะมันอยู่ในไฟล์ อยู่ในโฟลเดอร์ และเราเข้าไปจัดการมันได้จริง
ถ้าจะทำตาม วิธีนี้มีขั้นตอนหลักๆ ที่เข้าใจได้ไม่ยาก แต่ต้องทำให้ครบระบบ
1. เริ่มจากรวบรวมข้อมูลทั้งหมดลง raw folder
สร้างโฟลเดอร์ raw/ แล้วเอาทุกอย่างที่เกี่ยวกับสิ่งที่คุณสนใจโยนเข้าไป ไม่ว่าจะเป็นบทความ งานวิจัย โน้ต รูปภาพ แชต หรือไอเดียสั้นๆ ยังไม่ต้องจัดให้สวย ขอแค่รวมไว้ที่เดียวก่อน ยิ่งเป็นไฟล์ที่อ่านง่ายอย่าง markdown หรือรูปภาพยิ่งดี เพราะ agent จะทำงานกับมันได้ตรงๆ
Karpathy เองใช้ Obsidian Web Clipper แปลงเว็บเป็น markdown และโหลดรูปมาด้วย เพื่อให้ LLM อ้างอิงได้ง่าย นี่คือการเตรียม “วัตถุดิบ” ให้พร้อมก่อนเริ่มระบบจริง
2. ให้ LLM compile ของดิบให้กลายเป็น wiki
ขั้นนี้คือหัวใจของทั้งหมด ให้ LLM อ่านข้อมูลใน raw แล้วสร้างเป็น wiki ที่มีบทความ มีหมวด มี index และมี backlinks เชื่อมกัน
มันไม่ได้แค่สรุปทีละไฟล์ แต่มันจะสร้างหน้าใหม่ตาม concept เช่น ความคิดหลัก โปรเจกต์ แรงบันดาลใจ หรือ pattern ที่เจอจากข้อมูลหลายแหล่ง แล้วโยงทุกอย่างเข้าหากัน
ผลลัพธ์คือจากกองข้อมูลกระจัดกระจาย จะกลายเป็น “ระบบความรู้” ที่มีโครงสร้างและเดินได้เหมือนเว็บไซต์จริง
3. ใช้ Obsidian หรือ editor เป็นหน้าบ้าน แล้วให้ AI ดูแลเนื้อหา
ใช้เครื่องมืออย่าง Obsidian เป็น frontend สำหรับเปิดดู wiki ทั้งหมด ดูได้ทั้ง raw data และบทความที่ถูก compile แล้ว
สิ่งสำคัญคือ Karpathy บอกว่าเขาแทบไม่ได้เขียนหรือแก้ wiki เอง เพราะปล่อยให้ LLM เป็นคน maintain ให้ เราเปลี่ยนบทบาทจากคนเขียนทุกอย่างเอง มาเป็นคนดูภาพรวมและคุมทิศทางแทน
ข้อดีคือระบบนี้ไม่ตาย เพราะมี agent คอยจัดระเบียบ อัปเดต และเชื่อมโยงข้อมูลให้ตลอด
4. ใช้ agent ถามคำถามและทำงานบน wiki
เมื่อ wiki โตพอแล้ว เราสามารถให้ agent เข้าไปค้นคว้าในนั้นได้โดยตรง มันจะเริ่มจาก index แล้วไล่ไปหน้าที่เกี่ยวข้อง อ่านสรุป อ่าน source แล้วค่อยสร้างคำตอบ
จุดสำคัญคือคำตอบจะมี “บริบทของเรา” อยู่ในนั้นจริง เช่น Farza ใช้ระบบนี้ช่วยคิด landing page โดย agent ไปดึงแรงบันดาลใจจากหนัง ภาพ reference และคู่แข่งที่เขาเคยเก็บไว้
นี่ไม่ใช่แค่ถาม AI ทั่วไป แต่มันคือการให้ AI ทำงานบน “ความคิดสะสมของเรา”
5. เอาผลลัพธ์กลับมาเก็บใน wiki เพื่อให้มันเก่งขึ้นเรื่อยๆ
Karpathy แนะนำว่าอย่าให้คำตอบหายไป แต่ให้ render เป็น markdown หรือไฟล์ต่างๆ แล้วเก็บกลับเข้า wiki
ทุกครั้งที่ถาม ระบบจะไม่ได้แค่ตอบ แต่จะ “โตขึ้น” เพราะมีความรู้ใหม่เพิ่มเข้าไป ทำให้ครั้งต่อไปตอบได้ดีขึ้นอีก
นี่คือจุดที่ทำให้ระบบนี้มีลักษณะ compounding ยิ่งใช้ยิ่งมีมูลค่า
6. ใช้ LLM ช่วยตรวจและพัฒนาคุณภาพของ wiki
สามารถให้ AI ตรวจ wiki ได้ เช่น หาข้อมูลที่ขัดกัน เติมข้อมูลที่ขาด หรือแนะนำว่าควรมีบทความใหม่อะไรเพิ่ม
มันเหมือนมีบรรณารักษ์ที่ไม่เคยเหนื่อย คอยจัดระเบียบความรู้ให้เราอยู่ตลอดเวลา
สิ่งที่ Karpathy ชอบมากในแนวทางนี้ คือมันให้ control กับผู้ใช้เต็มที่ ข้อมูลเป็นของเรา อยู่ในรูปแบบไฟล์ที่ใช้กับเครื่องมือไหนก็ได้ และสามารถเลือกใช้ AI ตัวไหนมาทำงานกับมันก็ได้
เขาไม่ได้บอกว่าวิธีนี้จะมาแทนทุกอย่าง หรือทำให้ระบบเดิมหายไป แต่เขาชี้ให้เห็นว่ามันเป็นอีกแนวทางหนึ่งที่เรียบง่าย โปร่งใส และทรงพลังมากในการจัดการความรู้ส่วนตัว
และสุดท้ายเขาพูดชัดมากว่า “agent proficiency” คือทักษะสำคัญของศตวรรษนี้ เพราะเครื่องมือพวกนี้สามารถทำงานแทนเราได้เยอะมาก คนที่ได้เปรียบคือคนที่รู้วิธีใช้มันให้ถูก และออกแบบระบบให้มันทำงานได้ดี
ถ้าจะสรุปให้สั้นที่สุด วิธีนี้คือการเปลี่ยนจากการใช้ AI เป็นแค่ผู้ช่วยตอบคำถาม ไปสู่การมี “ระบบความรู้ส่วนตัว” ที่ AI ช่วยดูแล จัดระเบียบ และต่อยอดให้เราได้ตลอดเวลา ใครสร้างแล้ววววว มาเล่าให้ฟังด้วย
อยากใช้ AI กับงานจริงเป็นระบบ?
เรียน Claude Method — วิธีคิดและลงมือใช้ Claude/AI กับงานจริง ตั้งแต่วันแรก
📍 โพสต้นฉบับบน Facebook: AI กับ Peesamac