RAG Hiçbir Şey Öğrenmiyor LLM Wiki’si Bilgi Paradigmasını Kökten Değiştiriyor

Selamlar herkese, bir önceki yazımda Naive RAG’ın neden prodüksiyonda çuvalladığını ve İleri RAG tekniklerini konuşmuştuk. Chunking stratejilerinden Hybrid Search’e, Self-RAG’dan GraphRAG’a kadar epey bir yol katettik. Ama o yazıyı bitirirken kafamın bir köşesinde takılı kalan bir soru vardı:

Bütün bu teknikler RAG’ı daha iyi getiriyor. Peki ya gerçekten öğrenmesi mümkün değil mi?

Cevap geldi.

RAG’ın Kimse Konuşmadığı Sorunu

Bir önceki yazımda RAG’ın üç ana problemini konuşmuştuk: Recall, Ranking, Generation. Bunlar teknik problemler ve çözümleri var.

Ama bunların altında daha derin, mimarisel bir sorun var. Ve bunu kimse pek dile getirmiyor.

RAG döngüsü şu şekilde çalışıyor: getir → üret → at → tekrarla.

Her sorguda model belgeleri getiriyor, bir şeyler anlıyor, sentez yapıyor. Sonra? Tüm o anlamayı çöpe atıyor. Bir sonraki sorguda aynı belgelerden aynı çıkarımı sıfırdan yeniden yapıyor. Kalıcı sentez yok. Birikim yok. Gelişme yok.

Sistem zeki görünüyor. Ama altta sadece geçici bir bağlam penceresi var.

Yani bugün kullandığımız neredeyse tüm “dokümanlarınızla sohbet edin” ürünleri NotebookLM, PDF chat uygulamaları, kurumsal AI asistanlarının büyük çoğunluğu yapısal olarak durumsuz (stateless). Kullanışlılar mı? Kesinlikle. Ama bir tavan var ve o tavana çarptığınızda hissediyorsunuz.

Karpathy Kim ve Ne Önerdi?

Andrej Karpathy — OpenAI’nin kurucu ekibinden, Tesla’nın eski AI ve Autopilot Vision direktörü, Stanford’da derin öğrenme dersleri veren isim Nisan 2026'da GitHub Gist’e sade bir markdown dosyası yükledi. Ne bir ürün, ne bir uygulama, ne de bir satır kod. Sadece bir fikir: llm-wiki.md.

48 saatte 5.000 yıldız, 1.294 fork. Sıfır kod içeren bir markdown dosyası için. Yapay zekâ topluluğu neyin değiştiğini anlamak için tartışmaya başladı.

Karpathy’nin önerisi şu:

Belgeleri her seferinde yeniden taramak yerine, model ile ham kaynaklar arasına kalıcı ve gelişen bir wiki katmanı koy.

Derleme Analojisi: Kaynak Kod vs. Binary

Bu küçük görünen farkın mimariyi nasıl kökten değiştirdiğini anlamak için Karpathy’nin kullandığı yazılım analojisi çok işe yarıyor:

Bir programı her çalıştırmak istediğinde kaynak kodunu yeniden execute etmezsin. Bir kez derleyip binary oluşturursun. Sonra o binary’yi çalıştırırsın.

Bilgiyi de aynı şekilde ele alın.

PDF’leriniz, makaleleriniz, notlarınız — bunlar kaynak kod. LLM Wiki ise bu ham malzemenin derlenmiş, yapılandırılmış hali. Yeni bir belge geldiğinde sistem onu sadece “kaydedip indekslemez.” Entegre eder. Mevcut kavramları günceller, çelişkileri tespit eder, yeni bağlantılar kurar. Ve bir dahaki sorguda bu derlenmiş anlayışın üzerine inşa eder.

Sonuç? Bilgi tabanının kendisi birikim yapar.

Gerçek hayattan bir deneyim: Tom Nguyen bu yaklaşımı gerçek altyapıda test etti ve şu gözlemi paylaştı. “PR review standartları” hakkında bir belge ingest edildiğinde sistem tek bir sayfa oluşturmakla kalmıyor; çapraz referanslar kuruyor, bağlantılı kavram sayfalarını güncelliyor. Bir insan bu çapraz referansları hiçbir zaman sürdüremezdi. Ama sistem her seferinde yapıyor. (Medium, Nisan 2026)

Sayılar Ne Diyor?

Teorik güzelliğin ötesinde pratik bir kazanım da var. Küçük bilgi tabanlarında LLM Wiki yaklaşımı, geleneksel RAG’a kıyasla token kullanımını %95'e kadar azaltabiliyor. (MindStudio, Nisan 2026)

Neden? Çünkü ham belgeleri her sorguda yeniden işlemek yerine, önceden sentezlenmiş ve yapılandırılmış bilgiyi okuyorsunuz. Retrieval artık query time’da değil, ingest time’da gerçekleşiyor.

Ama Her Derde Deva Değil

Burada durup dürüst olmak gerekiyor — çünkü bir önceki yazımda RAG’ın sınırlarını belgelediğimiz gibi, LLM Wiki’nin de sınırlarını bilmek gerekiyor.

LLM Wiki ~100 küratörlü belgelik, sınırlı ve nispeten stabil bir bilgi corpus’u için tasarlandı. Milyonlarca kayıt, düzinelerce sistem ve düzenleyici erişim gereksinimleri olan kurumsal ölçekte RAG’ın sağladığı dinamik retrieval hâlâ gerekli.

Atlan’ın Nisan 2026'daki analizi güzel özetliyor: LLM Wiki soruyor “Nasıl 100 küratörlü makaleyi daha akıllıca kullanırım?” RAG soruyor “Nasıl milyonlarca kayıt üzerinden bilgi çekerim?” İki yaklaşım rakip değil, farklı sorulara yanıt veriyor.

Peki doğru çerçeve ne? Büyük corpus’lar için RAG, derlenmiş domain uzmanlığı için LLM Wiki, kullanıcı kişiselleştirmesi için Agent Memory. Üçü birlikte. (Vishal Mysore, Medium, Nisan 2026)

Peki Bunu Nasıl Uygularsınız?

Karpathy’nin gist’i kavramsal olarak zengin ama pratik olarak ince — yaklaşık bir sayfalık tasarım prensipleri. Mimari üç katmandan oluşuyor:

• raw/ — değişmez ham kaynaklar (makaleler, PDF’ler, notlar)
• wiki/ — LLM’nin yazdığı ve güncellediği markdown sayfalar
• schema — sistemin nasıl çalışacağını tanımlayan konfigürasyon dosyası (CLAUDE.md veya AGENTS.md)

Kullanıcı kaynakları ekler; LLM onları okur, özet sayfaları oluşturur, index’i günceller, ilgili kavram sayfalarını revize eder. Soru sorulduğunda LLM ham belgeleri değil, zaten sentezlenmiş wiki sayfalarını okuyarak cevap verir.

Karpathy’nin kendi sözleriyle: “Obsidian IDE’dir; LLM programcıdır; wiki ise kod tabanıdır.”

Not Mezarlığı Sendromu ve Yaşayan İkinci Beyin

Mimariyi anlıyoruz, tamam. Ama bunu gerçek günlük iş akışına nasıl entegre edersiniz?

Nainsi Dwivedi bu soruya pratik bir yanıt verdi. Gözlemi çok keskin: güzel klasör yapılarına ve estetik tasarımlara sahip pek çok Obsidian kasası aslında düzenlenmiş not mezarlıklarından ibaret. Bilgi toplamak kolay; bilgiler arasındaki bilişsel bağı kurmak ve ihtiyaç anında hatırlamak tamamen kullanıcının manuel çabasına kalıyor. Bakım yükü zamanla dayanılmaz hale geliyor ve sistem çöküyor.

Önerilen çözüm dört katmandan oluşuyor:

1. Yakalama — En düşük sürtünmeyle veri kaydetme
2. Otomasyon — Arka planda çalışan yönlendirme ve sınıflandırma
3. Bellek — Yapılandırılmış depolama (Obsidian)
4. Zekâ — Tüm bu veri üzerinde dinamik çıkarım yapan katman (Claude)

Asıl dönüştürücü adım şurada: Obsidian’ın bellek katmanı, schema dosyası (Claude Code için CLAUDE.md, Codex için AGENTS.md veya tercih ettiğiniz araç için herhangi bir konfigürasyon dosyası- örneği claude üzerinden vereceğim) dosyası üzerinden Claude'un zekâ katmanıyla doğrudan bağlanıyor. Bu dosya Claude'a "sen genel bir sohbet botu değilsin" diyor; kullanıcının son altı ayın notlarını, projelerini, hatalarını ve bilişsel tarzını bilen bir asistan olarak çalışmasını sağlıyor.

Kendi Kendini Güncelleyen Sistem

Bu mimarinin en ileri noktası, Eugeniu Ghelbur’un geliştirdiği obsidian-second-brain bir Claude Code skill’i. Geleneksel not uygulamaları notları sadece biriktirir. Bu sistem ise yeni bir bilgi girdiğinde tüm veri tabanını aktif olarak yeniden yazar, çelişkileri çözer ve kendi kendine yeni sentez sayfaları oluşturur.

Birkaç temel komut sistemin gücünü gösteriyor:

• /obsidian-ingest — Ses, video, görsel ve makaleleri işleyip mevcut sayfaları günceller
• /obsidian-challenge — Yeni karar almadan önce geçmişteki çelişkileri ve başarısızlıkları tarar
• /obsidian-emerge — Dağınık notlardaki isimlendirilmemiş ortak kalıpları tespit eder
• /obsidian-connect — Uzak kavram kümeleri arasında mantıksal köprüler kurar
• /obsidian-reconcile — Farklı kaynaklardan gelen çelişkili iddiaları belgeleyip temizler

Sisteme yeni bir makale ya da video bağlantısı gönderdiğinizde yapay zekâ sadece özet çıkarmıyor. Mevcut kavram sayfalarını yeni bilgilere göre yeniden düzenliyor. Çelişkileri tespit edip size bildiriyor. Bilgi tabanı kümülatif olarak değer kazanıyor.

Peki Lokal Çalıştırabilir miyiz?

Nainsi Dwivedi’nin paylaşımlarında dikkat çeken bir başka boyut daha var: gizlilik kaygısı olan ya da bulut bağımlılığından kurtulmak isteyen kullanıcılar için devasa modelleri lokal çalıştırmak artık mümkün.

Claude Code + Karpathy’nin autoresearch reposu + Apple'ın "LLM in a Flash" araştırma makalesindeki mimari prensipler bir araya gelince, Qwen3.5 397B gibi devasa bir model standart bir MacBook üzerinde lokal olarak çalıştırılabiliyor. (Glen Rhodes, 2026)

400 milyar parametreli bir modeli dizüstü bilgisayarda çalıştırmak — iki yıl önce söyleseydiniz kimse inanmazdı.

Buradan Çıkan Ders

Bir önceki yazımda şunu söylemiştim: “Production’da yanlış cevap veren bir sistem, hiç cevap vermeyen sistemden çok daha tehlikelidir.”

Bu yazının dersi ise şu: Sisteminiz cevap üretmekten öte, zamanla daha iyi anlıyor mu?

RAG’ı geliştirdik. Hybrid search ekledik, reranking ekledik, self-correction ekledik. Bunların hepsi doğru adımlar. Ama hepsi hâlâ aynı temel döngüde: getir, üret, at.

LLM Wiki o döngüyü kırıyor. Bilgiyi her seferinde yeniden keşfetmek yerine, biriktiriyor. Ve bir noktadan sonra birikim kendi başına bir avantaj haline geliyor.

Bulut tabanlı en güçlü modellere herkesin erişebildiği bir dünyada gerçek farkı yaratan şey modelin büyüklüğü değil. Sisteminizin ne kadar bildiği — ve ne kadar hatırladığı.

RAG bağlamı getirir. LLM Wiki bilgiyi biriktirir. Bu iki cümle arasındaki fark, düşündüğünüzden çok daha büyük.

Kaynaklar

• Nainsi Dwivedi — X (Twitter), LLM Wiki ve ikinci beyin mimarisi üzerine teknik analizler: x.com/NainsiDwiv50980
• Andrej Karpathy — llm-wiki.md, GitHub Gist, Nisan 2026: gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
• Tom Nguyen — “I Built Karpathy’s LLM Wiki for My Day Job”, Medium, Nisan 2026
• Atlan — “LLM Wiki vs RAG: Enterprise Reality”, Nisan 2026
• Vishal Mysore — “RAG vs. Agent Memory vs. LLM Wiki”, Medium, Nisan 2026
• MindStudio — “Karpathy’s LLM Wiki: 95% Less Token Use Than RAG”, Nisan 2026
• Data Science Dojo — “LLM Wiki Tutorial”, Nisan 2026
• Yanli Liu — “RAG, LLM Wiki, or GBrain?”, AI Advances, Mayıs 2026
• Glen Rhodes — “Running a 400B parameter model locally on a MacBook”, 2026
• Balu Kosuri — “I used Karpathy’s LLM Wiki to build a knowledge base”, Medium, Nisan 2026