Points clés
- Fichiers Markdown interconnectés (entités, synthèses)
- 3 couches : sources brutes / wiki / schéma
- Navigation par liens, pas de recherche vectorielle
LLM Wiki
Une mémoire d'entreprise en Markdown, cultivée par l'agent
- Markdown local
- Zéro infrastructure
- Maintenu par l'IA
- Navigation par liens
- Mémoire cumulative
- Obsidian + agent
- Cross-LLM (MCP)
Synthèse éditoriale
Pattern de Karpathy : au lieu de chercher dans des documents bruts (RAG), l'agent lit les sources une fois et maintient un wiki Markdown interconnecté.
Pattern « LLM wiki » formalisé par Andrej Karpathy (avril 2026) : au lieu de récupérer des documents bruts à chaque requête (RAG), un agent lit les sources une fois et en compile une base de connaissances — des fichiers Markdown interconnectés qu'il maintient et navigue par liens. Atouts : zéro infrastructure vectorielle, mémoire cumulative, économies de tokens (estimées). Pertinent pour des connaissances textuelles stables ; pour les flux volumineux ou temps réel, le RAG reste préférable.
Avantages
- Zéro serveur ni base vectorielle
- Mémoire cumulative qui grandit avec l'usage
- Économies de tokens (estimations tierces)
- Lisible par plusieurs assistants à la fois (cross-LLM)
Cas d'usage
- Donner à un agent la mémoire de l'organisation
- Réduire le coût en tokens d'agents récurrents
- Base de connaissances interne textuelle et stable
3 ressources
Pour bien commencer
2 contenus
▦ Présentation LLM Wiki en bref
Le dossier complet sur LLM Wiki : à quoi ça sert, comment ça fonctionne, les usages concrets et les limites assumées.
AGE Services Présentation
Accéder au contenu → : LLM Wiki en bref 
▶ Vidéo · 10 min Découvrir le LLM Wiki en vidéo
Le principe de la base de connaissances pilotée par un LLM, expliqué pas à pas : déposer des sources brutes, laisser le modèle écrire et maintenir le wiki, puis l'interroger.
Upgraded Avril 2026
Accéder au contenu → : Découvrir le LLM Wiki en vidéo Sources officielles
1 contenu
↗ Lien · gist.github.com Le gist d'origine d'Andrej Karpathy (GitHub)
La source primaire sur LLM Wiki : à consulter directement pour vérifier une information.
gist.github.com Officiel
Ouvrir le lien → : Le gist d'origine d'Andrej Karpathy (GitHub) (nouvel onglet) Cas métier
Secteurs où nous l'intégrons
LLM Wiki est mobilisée dans nos missions auprès des secteurs suivants. Découvrez les cas métier concrets.
FAQ
LLM Wiki — questions fréquentes
Qu'est-ce que le « LLM wiki » et d'où vient l'idée ?
C'est un pattern d'architecture publié par Andrej Karpathy (co-fondateur d'OpenAI) dans un gist daté d'avril 2026. Le principe : plutôt que de faire chercher l'IA dans des documents bruts à chaque question (comme le RAG), on lui fait lire les sources une seule fois pour qu'elle compile une base de connaissances synthétisée — des fichiers Markdown interconnectés qu'elle maintient à jour. Karpathy résume l'analogie ainsi : « Obsidian est l'IDE, le LLM est le programmeur, le wiki est la base de code. »
En quoi diffère-t-il du RAG ?
Le RAG récupère des extraits par recherche vectorielle à chaque requête, sur des documents bruts. Le LLM wiki, lui, fait compiler les sources en pages de synthèse reliées par des liens, que l'agent navigue (comme un humain suit des liens dans une encyclopédie) plutôt que d'interroger une base vectorielle. Il n'y a donc ni base de données, ni pipeline d'embeddings à maintenir — seulement des fichiers texte.
Le LLM wiki fait-il vraiment économiser des tokens ?
Probablement, mais avec prudence sur les chiffres. L'idée est que l'agent charge un index et quelques pages pertinentes plutôt que tout le corpus brut. Des analyses tierces avancent des économies pouvant atteindre 90 à 95 % sur certains cas — mais ces chiffres ne sont pas confirmés par un banc d'essai reproductible, ni par Karpathy lui-même. À considérer comme un ordre de grandeur, pas une garantie.
Quand cette approche est-elle pertinente, et quand l'est-elle moins ?
Pertinente quand la base de connaissances est principalement textuelle et relativement stable (offres, processus, cas métier, décisions). Moins adaptée aux données temps réel ou très volumineuses en flux, pour lesquelles un RAG avec pipeline dédié répond mieux. L'approche s'installe dans un vault Obsidian et s'appuie sur un agent (type Claude Code) pour lire les sources et maintenir le wiki.
Discutons de votre projet
Un appel de 30 minutes pour cadrer votre cas d'usage IA.
Sans formulaire de qualification, sans engagement. On parle de votre contexte, on identifie ce qui peut bouger vite, on vous dit honnêtement où l'IA n'apportera rien.