Por qué importa
Materializa la tesis “context engineering > prompting” en un producto usable. El patrón RAG plano — trocear, embedir, recuperar — muestra sus límites cuando los agentes pierden el contexto entre chunks y las relaciones entre entidades se diluyen. Llm-wiki-compiler toma fuentes crudas (PDFs, URLs, notas), las clasifica, extrae entidades y relaciones, y produce un grafo en Markdown jerárquico y navegable, exactamente la idea que Karpathy planteó en su charla “LLM Wiki”. Para un lector de Código Sin Siesta importa porque: (a) cualquier developer que construya un agente con base de conocimiento propia se beneficia de una estructura jerárquica en lugar de un retrieval plano; (b) la salida en Markdown es legible y editable por humanos, así que se puede auditar y corregir sin reindexar; (c) la categoría “knowledge compiler para agentes” se está consolidando y este es el primer proyecto maduro OSS inspirado directamente en Karpathy. Ya cubrimos el concepto de context-engineering el 2026-09-02, y al repositorio anthropics/skills como competidor el 2026-08-11; este hallazgo encaja en ese mismo eje.
Alerta
instalar y probar con un set de fuentes propias; si construyes agentes con base de conocimiento, vale experimentar — el output Markdown es human-auditable, lo que es raro en este espacio; el ángulo editorial fuerte: la materialización práctica de la visión Karpathy de "wiki como contexto agente" — la conversación sobre context engineering acaba de pasar de "filosofía" a "producto"
Señales de madurez (texto original)
2119★ · 223 forks · TypeScript · MIT · creado 2026-04-05 · último push 2026-09-23 · desc: The knowledge compiler. Raw sources in, interlinked wiki out. Inspired by Karpathy's LLM Wiki · Topics: cli, compiler, context-engineering, karpathy, knowledge-base, knowledge-compilation · Stars: 2119 en 5 meses — momentum fuerte para una herramienta tan especializada. Sugiere que la comunidad de developers de agentes está adoptando "context engineering" como categoría propia. · Caveat: el output quality depende mucho del LLM usado para la extracción. Sin un buen modelo de extracción, los wikis resultantes son ruidosos.