me

random me

[me @RandomCuriousMe]

일단 타래 만들어보기

[H @hmmmmmm1458]

이거 어플 신기하네 ㅋㅋㅋㅋ
그늘로 라는 어플인데
“더위를 피해 이동하는 앱”임

건물 그림자 크기랑 위치 분석해서
그늘로 이동할 수 있게끔 경로를 설명해줌
그냥 지도로 ���발->도착 입력해도 경로 나오네

언덕 제외 이런것도 설정 가능하고 ㅋㅋㅋ
진짜 똑똑한 사람들이 많다 23살이 만들었대..

난 아이폰이라 앱스토어에서 다운받았고
갤럭시는 있는지 ㅁㄹ겠음

[김대리 @jokkara285]

친��� 사람이 해주는 내 캐해석만큼 흥미로운게 없음

[me @RandomCuriousMe]

내가 돈을 저만큼 썼다고? 말도 안 돼

[me @RandomCuriousMe]

ai 관련 유툽 보니 내가 첫 플젝에서 상위권 모델로 기본 도구로만 했더니 토큰을 많이 썼구나.

[me @RandomCuriousMe]

설빙 자몽 꿀 머시기 제가 한 번 먹어보겠슈

[me @RandomCuriousMe]

메모장에 하고 싶은 거나 든 잡생각으로 짬뽕 만들 때 이런 거 전부 구조화해서 유의미하게 만들고 싶다 생각했는데
이걸로 할 수 있겠다. 전문성보다 나에 대한 위키를 만드는 것에 무게를 두고!

[me @RandomCuriousMe]

LLM Wiki라는 말이 자꾸 보여서 궁금해짐
읽어보겠

[me @RandomCuriousMe]

걱정되는 게 몇 개 있는데 요즘 ai가 어디까지 알아서 해주는지 감이 안 와서 그런 거라 일단 해보는 게

[Andrej Karpathy @karpathy]

LLM Knowledge Bases

Something I'm finding very useful recently: using LLMs to build personal knowledge bases for various topics of research interest. In this way, a large fraction of my recent token throughput is going less into manipulating code, and more into manipulating knowledge (stored as markdown and images). The latest LLMs are quite good at it. So:

Data ingest:
I index source documents (articles, papers, repos, datasets, images, etc.) into a raw/ directory, then I use an LLM to incrementally "compile" a wiki, which is just a collection of .md files in a directory structure. The wiki includes summaries of all the data in raw/, backlinks, and then it categorizes data into concepts, writes articles for them, and links them all. To convert web articles into .md files I like to use the Obsidian Web Clipper extension, and then I also use a hotkey to download all the related images to local so that my LLM can easily reference them.

IDE:
I use Obsidian as the IDE "frontend" where I can view the raw data, the the compiled wiki, and the derived visualizations. Important to note that the LLM writes and maintains all of the data of the wiki, I rarely touch it directly. I've played with a few Obsidian plugins to render and view data in other ways (e.g. Marp for slides).

Q&A:
Where things get interesting is that once your wiki is big enough (e.g. mine on some recent research is ~100 articles and ~400K words), you can ask your LLM agent all kinds of complex questions against the wiki, and it will go off, research the answers, etc. I thought I had to reach for fancy RAG, but the LLM has been pretty good about auto-maintaining index files and brief summaries of all the documents and it reads all the important related data fairly easily at this ~small scale.

Output:
Instead of getting answers in text/terminal, I like to have it render markdown files for me, or slide shows (Marp format), or matplotlib images, all of which I then view again in Obsidian. You can imagine many other visual output formats depending on the query. Often, I end up "filing" the outputs back into the wiki to enhance it for further queries. So my own explorations and queries always "add up" in the knowledge base.

Linting:
I've run some LLM "health checks" over the wiki to e.g. find inconsistent data, impute missing data (with web searchers), find interesting connections for new article candidates, etc., to incrementally clean up the wiki and enhance its overall data integrity. The LLMs are quite good at suggesting further questions to ask and look into.

Extra tools:
I find myself developing additional tools to process the data, e.g. I vibe coded a small and naive search engine over the wiki, which I both use directly (in a web ui), but more often I want to hand it off to an LLM via CLI as a tool for larger queries.

Further explorations:
As the repo grows, the natural desire is to also think about synthetic data generation + finetuning to have your LLM "know" the data in its weights instead of just context windows.

TLDR: raw data from a given number of sources is collected, then compiled by an LLM into a .md wiki, then operated on by various CLIs by the LLM to do Q&A and to incrementally enhance the wiki, and all of it viewable in Obsidian. You rarely ever write or edit the wiki manually, it's the domain of the LLM. I think there is room here for an incredible new product instead of a hacky collection of scripts.

[아이반 IVAN @0ooooo0]

오늘 핫한 LLM Wiki 쉽게 설명해드림

@karpathy 형님이 제안한 LLM Wiki가
하루만에 조회수 350만이 넘을 정도로
엄청난 인기를 얻고 있슴다

LLM Wiki가 무엇이길래 이렇게 큰 관심을 받는건지
쉽게 알려드리겠슴다!

[me @RandomCuriousMe]

포코피아 위키.....이렇게 뜸

[筒井.xls@エクセル関数擬人化本著者 @Tsutsui0524]

ウェブ広告が表示された時の視線ヒートマップ
（広告は見てない）

[민토 Minto @minto_000_]

나라별 음계 차이 보여주는데
처음이 일반, 중간이 아랍, 마지막이 중국임.

아랍은 알리바바 느낌 나고, 중국은 삼국지 느낌 남.

중간에 하다가 헷갈리시는데 진짜 느낌 너무 잘 살림.

[𝑯𝒊𝒅𝒆☘️ @Hide__deep]

수현이가 얼음들 인트로를 만들었는데 찬혁이가 듣더니 이거다!하고 이어 작사 작곡했대. 근데 단독 작사작곡으로 올려서 수현이가 이찬혁 사기꾼이라고ㅋㅋㅋㅋㅋ 씹

[🔎✨ @tjd_S2]

장생계 봐야 하는 두 가지 이유

1. 야오치가 서브 남주로 나옴
2. 고대·민국시대·현대를 걸쳐가며 계속 여주만 사랑하게 되는 순애남이라서

[이나 @Ina_drama]

마블 모르는 대학원생 친구한테 헐크 설명해주는데 박사학위 7개 갖고 있다고 하니까 왜 헐크가 된건지 알겠다고함

[ha.. @sssseeeebbbb_]

ㄹㅇ임 이거 하면 렌즈 착용할 때 실눈꼽도 줄고 충혈도 사라지고 건조한것도 줄어듦 제발 해

[me @RandomCuriousMe]

단백질 묵어야 됨 귀찮긴 하지만.... 누울 때마다 심한 두통이 일어서 큰 병 난 건가 싶었는데 고기 파티하고 치료돼서 ?? 함

[me @RandomCuriousMe]

나작강

나의 작은 강아지 (X)
나는 작은 강아지 (O)

[뿍이(반혜린) @adhdkorean]

자신에게 너무 가혹하지 않는 것도 스킬임

[me @RandomCuriousMe]

포코피아 푸키먼 올컬렉 했어