LLM Wiki 2.0: как растить базу знаний агента и не утонуть в галлюцинациях

Как я надстроил LLM Wiki Карпатого под продуктовую работу: что проверять кодом, что остается человеку и как замечать устаревшие выводы. И как на такой базе запустил сервис, который в октябре получил 64 входящие заявки без копейки на продвижение

Главное за минуту

Вместо RAG по сотне сырых интервью лучше один раз сделать разбор с выводами и дальше работать с ним. На этом устроена LLM Wiki Карпатого: исходники в папке sources, связанные md-файлы и правила в AGENTS.md.

Правила из AGENTS.md агент иногда нарушает, поэтому все, что можно проверить кодом, проверяет код: есть ли цитата в источнике, существует ли сам источник, не изменились ли замороженные исходники.

Код не поймает неверный вывод из верного источника или слова одного клиента, обобщенные на весь сегмент. Это проверяет человек в интерфейсе или агент, который ищет противоречия.

Выводы, построенные на обновленных данных, помечаются устаревшими и ждут пересмотра. В интерфейсе основание лежит рядом с утверждением: навел на задачу клиента, увидел два интервью, открыл и проверил.

На этой базе БизнесПэй прошел путь от гипотез сегментов до страниц под поисковые запросы, которые пользователи назвали в интервью. В октябре пришло 64 входящие заявки, за продвижение я не платил.

Я предприниматель последние 8 лет и уже 2 года активно использую AI в работе. Запускал Buyer, который вырос до 100 млн рублей выручки в год. В команде Вани Замесина делал AI CPO, довольно сложный агентский продукт, который помогает продактам и фаундерам принимать продуктовые решения. А на интенсиве Boost учил тех же продактов и фаундеров автоматизировать бизнес-рутину.