Два года стандартным ответом на «как дать LLM мои знания?» был RAG. Создайте векторную базу данных. Разбейте документы на части. Преобразуйте в эмбеддинги. Запускайте поиск ближайших соседей при каждом запросе. Сшивайте результаты обратно в промпт.

Это работало. Как-то. Любой, кто реально поставлял RAG-системы, знает режимы отказов: куски, теряющие контекст, эмбеддинги, извлекающие не тот фрагмент, непрозрачные рейтинги, отсутствие провенанса, странные крайние случаи, когда пользователь спрашивает что-то, под что индекс не был настроен.

В апреле 2026 года Андрей Карпата опубликовал рабочий процесс, который почти ничего из этого не делает и работает лучше для личных знаний. Он называет его LLM Knowledge Bases. Архитектура — просто папка Markdown-файлов, LLM с доступом к файловой системе и привычка. VentureBeat назвал это «развивающейся Markdown-библиотекой, поддерживаемой AI» — описание, которое точно передаёт, что нового.

Пост-RAG паттерн наступил. Эта статья объясняет, что это такое, почему работает и как Save Vault делает его доступным без разработческой настройки.

Что RAG пытался решить

Исходная проблема: у LLM фиксированное контекстное окно, ваша база знаний больше окна, поэтому нужен способ извлекать релевантный фрагмент для каждого вопроса.

В 2023 году векторы были очевидным ответом. Встраивайте всё, ищите по сходству, вставляйте top-k чанков. Это хорошо компоновалось с маленькими контекстными окнами GPT-3.5 и Claude 1. Весь паттерн «AI-стартап» был «RAG поверх X».

Три вещи изменились.

Контекстные окна взорвались. Claude в этом году выпустил 1M-токенный контекст. Gemini и GPT-5 аналогичны. Миллион токенов — примерно 750 000 слов — достаточно, чтобы полностью удержать небольшую вики в памяти.
Файловая система MCP появилась. LLM теперь могут напрямую открывать файлы на диске. Им не нужны предварительно проиндексированные чанки. Они могут навигировать, читать и перечитывать как человек.
LLM стали лучше читать. Claude Opus 4 может поглотить сотни файлов за одну сессию и рассуждать по ним когерентно. Узкое место переместилось от «качества извлечения» к «что человеку на самом деле нужно».

Как только эти три вещи стали правдой, RAG начал выглядеть как обходной путь для ограничений, которых больше нет.

Как выглядит паттерн Markdown-вики

Установка Карпаты, упрощённая:

Сырая папка. Каждая веб-страница, которую он хочет сохранить, попадает как .md файл в директорию raw/. Для этого он использует Obsidian Web Clipper.
Компиляционный проход. Периодически LLM-агент (Claude Code в его случае) читает всё в raw/, генерирует страницы концепций, пишет резюме и создаёт обратные ссылки. Это создаёт структурированную вики поверх сырых материалов.
Цикл запросов. Когда у него есть вопрос, он спрашивает LLM. Тот ищет по вики, открывает релевантные файлы и отвечает, используя содержимое.
Проход линтера. Иногда LLM сканирует вики на несоответствия, отсутствующие данные или новые связи, которые стоит записать.

Его текущая исследовательская вики — ~100 статей и ~400K слов. Он задаёт ей сложные вопросы и получает ответы с источниками.

Никакой векторной базы данных. Никакой модели эмбеддингов. Никакой стратегии разбивки на чанки. Никакого ранжирования при извлечении. Просто Markdown-файлы, структура папок и LLM, который умеет их читать.

Почему это работает лучше RAG (для этого)

Паттерн вики имеет структурные преимущества, которые RAG не может сопоставить, не став вики сам.

Провенанс бесплатен. Каждый ответ цитирует файл. Вы можете его открыть, прочитать, отредактировать, удалить. Никакого «эмбеддинг так сказал».

Редактирование тривиально. Markdown-файл — это текст. Откройте в любом редакторе. Исправьте опечатку. Добавьте заметку. Удалите раздел. Следующий запрос немедленно отражает изменение. Никакого шага повторного встраивания.

Структура накапливается. Когда LLM компилирует вики, он строит обратные ссылки и страницы концепций. Вики становится лучше по мере того, как вы сохраняете больше, потому что у LLM больше контекста для связи новых записей. Векторный индекс просто становится больше.

Переносимость абсолютна. Папка .md файлов работает в Obsidian, VS Code, GitHub, Logseq, vim или cat. Векторная база данных — чёрный ящик, который нужна специфическая среда выполнения для чтения.

Вы сами можете её читать. Это звучит очевидно, но это главное преимущество. Иногда вы захотите знать, что в вашей базе знаний. С RAG — это запрос на отчёт. С Markdown — это ls.

Честный компромисс: RAG всё ещё побеждает, когда у вас миллионы документов, мультиарендный доступ или жёсткие ограничения задержки (думайте о чат-ботах поддержки клиентов по корпусу миллионов справочных статей). Для личных знаний — вашего чтения, ваших исследований, вашей области — паттерн вики теперь строго лучше.

Недостающий кусочек: ингестия

Паттерн Карпаты имеет тихое допущение: что помещать чистый Markdown в папку raw/ легко. Для разработчиков, уже использующих Obsidian Web Clipper, это в какой-то мере так. Для всех остальных — это шаг, где рабочий процесс умирает.

Web Clipper может испытывать затруднения с запейволенными страницами, тяжёлыми JS-сайтами, видеоконтентом, треадами X и любым динамическим контентом. Люди сохраняют искажённый HTML, сдаются и приходят к выводу «вики-штука не для меня».

Расширение Save существует специально для исправления этого шага. Оно использует Gemini для извлечения чистого контента с произвольных страниц, включая:

Статьи за пейволами, к которым у вас есть доступ
YouTube-видео (полная транскрипция + AI-резюме)
Треды X/Twitter
Instagram Reels и подписи TikTok (транскрибированные)
Reddit-дискуссии
Документацию с нетронутыми блоками кода
Динамические SPA, на которых традиционные клипперы подавляются

Один клик. Чистый Markdown на выходе. Помещайте в папку.

Другой недостающий кусочек: настройка MCP

Паттерн Карпаты также предполагает, что вы можете настроить MCP-сервер. Для пользователей Claude Code это одна строка cd. Для всех, использующих Claude Desktop, это означает редактирование JSON-конфига и перезапуск приложения — и правильное указание пути, и запоминание переделать это при перемещении папок.

Save Vault сворачивает оба недостающих кусочка в одно приложение:

Расширение Save автоматически подаёт чистый Markdown в Save Vault
Save Vault пишет в ~/Documents/Save Vault/, организованный в базы знаний (подпапки)
Встроенный MCP-сервер открывает list_knowledge_bases, list_files, read_file и search для Claude
Переключатель «Подключиться к Claude» в строке меню соединяет MCP-сервер с Claude Desktop и Claude Code без редактирования JSON

Результат — паттерн Карпаты с отшлифованными грубыми краями. Сохранить страницу → она попадает в ваш Vault → Claude может отвечать на вопросы о ней. Никакой векторной базы данных, никакой разбивки на чанки, никаких эмбеддингов.

Как это выглядит на практике

Представьте, что вы исследуете конкурента.

День 1. Вы сохраняете их страницу с ценами, три блог-поста и Hacker News-тред об их раунде seed. Пять файлов в вашей KB Competitors.

День 5. Вы спрашиваете Claude: «Какие изменения цен эта компания делала за последний год и как реагировали клиенты?» Claude ищет по вашей KB Competitors, читает релевантные файлы, цитирует страницу с ценами, отображает настроение из HN-треда и отвечает — всё с источниками.

День 30. У вас 40 файлов в Competitors, Customers и AI Research. Вы просите Claude скомпилировать каждую KB в вики. Он пишет страницы концепций, связывает их, отмечает противоречия. У вас теперь три живые вики, которые можно запрашивать как поисковые системы, но лучше — потому что они содержат только то, что вы курировали.

День 90. Ваши вики больше любого аналитического отчёта, который вы купите, актуальнее любой консалтинговой колоды и полностью принадлежат вам. Каждое утверждение обосновано файлом, который вы сохранили.

Вот что представляет собой личная база знаний, когда трение исчезает. RAG должен был это обеспечить и не обеспечил. Паттерн Карпаты обеспечивает — как только части ингестии и MCP собраны для вас.

Попробуйте

Установите расширение Save для Chrome
Установите Save Vault с savemarkdown.co
Включите Подключиться к Claude в строке меню
Сохраните 10 вещей, которые вы давно хотели прочитать
Откройте Claude и задайте вопрос, который связывает их вместе

Это пост-RAG рабочий процесс. Он уже заменяет векторные базы данных для личных знаний. Осталось только начать строить свою.

Save Vault бесплатный. Расширение Save — 3 сохранения в месяц бесплатно, безлимитно за $5.99/мес. savemarkdown.co.