İki yıl boyunca “bir LLM’e bilgimi nasıl veririm?” sorusunun standart yanıtı RAG’dı. Bir vektör veritabanı oluştur. Belgelerini parçala. Gömüştür. Sorgu zamanında en yakın komşu araması çalıştır. Sonuçları tekrar isteme dik.

Çalıştı. Bir bakıma. Gerçekten RAG sistemi kurmuş olan herkes hata modlarını biliyor: bağlamı kaybeden parçalar, yanlış pasajı alan gömüler, opak sıralamalar, köken yok, kullanıcı dizinin ayarlanmadığı bir şey sorduğunda garip uç durumlar.

Nisan 2026’da Andrej Karpathy, bunların neredeyse hiçbirini yapmayan ve kişisel bilgi için daha iyi çalışan bir iş akışı paylaştı. Buna LLM Knowledge Bases diyor. Mimari sadece bir markdown dosyaları klasörü, dosya sistemi erişimi olan bir LLM ve bir alışkanlık. VentureBeat bunu “AI tarafından sürdürülen gelişen bir markdown kütüphanesi” olarak nitelendirdi — gerçekten yeni olanı yakalayan bir tanım.

Post-RAG deseni burada. Bu makale bunun ne olduğunu, neden çalıştığını ve Save Vault’un geliştirici kurulumu olmadan nasıl erişilebilir kıldığını açıklıyor.

RAG’ın Çözmeye Çalıştığı Şey

Asıl sorun: LLM’lerin sabit bir bağlam penceresi var, bilgi tabanın pencereden daha büyük, bu yüzden her soru için ilgili dilimi almak için bir yola ihtiyacın var.

2023’te vektörler açık cevaptı. Her şeyi göm, benzerliğe göre ara, ilk k parçayı enjekte et. GPT-3.5 ve Claude 1’in küçük bağlam pencereleriyle güzel bir şekilde birleşti. “AI girişimi” deseni “X üzerinde RAG”dı.

Üç şey değişti.

Bağlam pencereleri patladı. Claude bu yıl 1M token bağlam çıkardı. Gemini ve GPT-5 benzer. Bir milyon token yaklaşık 750.000 kelime — küçük bir wiki’yi tamamen hafızada tutmak için yeterli.
Dosya sistemi MCP çıktı. LLM’ler artık diskteki dosyaları doğrudan açabilir. Önceden indekslenmiş parçalara ihtiyaçları yok. Bir insan gibi gezinebilir, okuyabilir ve yeniden okuyabilirler.
LLM’ler okumada iyileşti. Claude Opus 4, bir oturumda yüzlerce dosyayı alıp bunlar üzerinde tutarlı bir şekilde akıl yürütebiliyor. Darboğaz “alma kalitesi”nden “insanın gerçekten neye ihtiyacı var”a taşındı.

Bu üç şey doğru olduğunda, RAG artık var olmayan sınırlamalar için bir geçici çözüm gibi görünmeye başladı.

Markdown Wiki Deseni Nasıl Görünür

Karpathy’nin kurulumu, basitleştirilmiş:

Ham klasör. Saklamak istediği her web sayfası raw/ dizinindeki bir .md dosyasına kaydediliyor. Bunun için Obsidian Web Clipper kullanıyor.
Derleme geçişi. Periyodik olarak bir LLM ajanı (onun durumunda Claude Code) raw/ içindeki her şeyi okuyor, kavram sayfaları oluşturuyor, özetler yazıyor ve geri bağlantılar oluşturuyor. Bu, ham materyal üzerinde yapılandırılmış bir wiki üretiyor.
Sorgu döngüsü. Bir sorusu olduğunda LLM’e soruyor. Wiki’yi arıyor, ilgili dosyaları açıyor ve içeriği kullanarak yanıt veriyor.
Lint geçişi. Zaman zaman LLM wiki’yi tutarsızlıklar, eksik veri veya kaydedilmeye değer yeni bağlantılar için tarıyor.

Mevcut araştırma wiki’si ~100 makale ve ~400K kelime. Karmaşık sorular soruyor ve kaynaklı yanıtlar alıyor.

Vektör veritabanı yok. Gömü modeli yok. Parçalama stratejisi yok. Alma sıralaması yok. Sadece markdown dosyaları, bir klasör yapısı ve bunları okuyabilen bir LLM.

Neden RAG’dan Daha İyi Çalışıyor (Bunun İçin)

Wiki deseni, RAG’ın kendisi bir wiki olmadan eşleşemeyeceği yapısal avantajlara sahip.

Köken ücretsiz. Her cevap bir dosyaya atıfta bulunur. Onu açabilirsin, okuyabilirsin, düzenleyebilirsin, silebilirsin. “Gömü öyle söyledi” yok.

Düzenleme önemsiz. Bir markdown dosyası metin. Herhangi bir editörde aç. Bir yazım yanlışını düzelt. Not ekle. Bir bölümü sil. Bir sonraki sorgu değişikliği anında yansıtır. Yeniden gömme adımı yok.

Yapı birikiyor. LLM wiki’yi derlediğinde, geri bağlantılar ve kavram sayfaları oluşturur. Daha fazla kaydettiğinde wiki daha iyi hale gelir, çünkü LLM’in yeni girişleri bağlamak için daha fazla bağlamı var. Vektör dizini sadece büyüyor.

Taşınabilirlik tam. Bir .md dosyaları klasörü Obsidian, VS Code, GitHub, Logseq, vim veya cat’te çalışır. Vektör veritabanı, okumak için belirli bir çalışma zamanına ihtiyaç duyduğun bir kara kutudur.

Kendin okuyabilirsin. Bu bariz görünüyor, ama en büyük avantaj bu. Bazen bilgi tabanında ne olduğunu bilmek isteyeceksin. RAG ile bu bir raporlama sorgusu. Markdown ile ls.

Dürüst ödünleşim: RAG, milyonlarca belgen olduğunda, çok kiracılı erişimde veya sıkı gecikme kısıtlamalarında (milyonlarca yardım makalesi üzerinde müşteri destek chatbot’ları düşün) hala kazanır. Kişisel bilgi için — okuman, araştırman, alanın — wiki deseni artık kesinlikle daha iyi.

Eksik Parça: Alım

Karpathy’nin deseninin sessiz bir varsayımı var: raw/ klasörüne temiz markdown almak kolay. Zaten Obsidian Web Clipper kullanan geliştiriciler için, bir bakıma öyle. Diğer herkes için, bu iş akışının öldüğü adım.

Web Clipper, ücretli içerik sayfalarında, JavaScript ağırlıklı sitelerde, video içeriklerde, X thread’lerinde ve dinamik her şeyde zorlanabilir. İnsanlar karışık HTML kaydediyor, vazgeçiyor ve “wiki şeyi benim için değil” sonucuna varıyor.

Save uzantısı özellikle bu adımı çözmek için var. Şunlar dahil rastgele sayfalardan temiz içerik çıkarmak için Gemini kullanıyor:

Erişimine sahip olduğun ücretli sayfalar
YouTube videoları (tam transkript + AI özeti)
X/Twitter thread’leri
Instagram reels ve TikTok altyazıları (transkribe edilmiş)
Reddit tartışmaları
Kod blokları bozulmadan belgeleme
Geleneksel klipcilerin boğulduğu dinamik SPA’lar

Bir tıklama. Diğer taraftan temiz markdown çıkar. Klasöre bırak.

Diğer Eksik Parça: MCP Kurulumu

Karpathy’nin deseni ayrıca bir MCP sunucusu yapılandırabileceğini varsayıyor. Claude Code kullanıcıları için bu tek satır bir cd. Claude Desktop kullanan herkes için JSON yapılandırma dosyasını düzenleme ve uygulamayı yeniden başlatma anlamına geliyor — ve yolu doğru almak ve klasörleri taşıdığında bunu tekrar yapmayı hatırlamak.

Save Vault her iki eksik parçayı tek bir uygulamada birleştiriyor:

Save uzantısı otomatik olarak Save Vault’a temiz markdown besliyor
Save Vault bilgi tabanlarına (alt klasörler) düzenlenmiş ~/Documents/Save Vault/ konumuna yazıyor
Yerleşik bir MCP sunucusu Claude’a list_knowledge_bases, list_files, read_file ve search’ü açıyor
Menü çubuğundaki “Claude’a Bağlan” geçişi MCP sunucusunu Claude Desktop ve Claude Code’a bağlıyor, JSON düzenleme yok

Sonuç, pürüzlü kenarları törpülenmiş Karpathy deseni. Bir sayfa kaydet → vault’una iniyor → Claude onun hakkında soruları yanıtlayabilir. Vektör veritabanı yok, parçalama yok, gömüler yok.

Bu Pratikte Nasıl Görünür

Bir rakibi araştırdığını hayal et.

1. Gün. Fiyat sayfalarını, üç blog yazısını ve seed round’ları hakkındaki bir Hacker News thread’ini kaydediyorsun. Competitors KB’ında beş dosya.

5. Gün. Claude’a soruyorsun: “Bu şirket son bir yılda hangi fiyat değişikliklerini yaptı ve müşteriler nasıl tepki verdi?” Claude Competitors KB’ını arıyor, ilgili dosyaları okuyor, fiyat sayfasından alıntı yapıyor, HN thread sentiment’ini gün yüzüne çıkarıyor ve yanıtlıyor — hepsi kaynaklı.

30. Gün. Competitors, Customers ve AI Research genelinde 40 dosyan var. Claude’dan her KB’ı bir wiki’ye derlemesini istiyorsun. Kavram sayfaları yazıyor, bunları bağlıyor, çelişkileri işaretliyor. Artık arama motorları gibi, ama daha iyi sorgulayabileceğin üç canlı wiki’n var — çünkü yalnızca senin kürasyonunu içeriyorlar.

90. Gün. Wiki’lerin satın alacağın herhangi bir analist raporundan daha büyük, herhangi bir danışman sunumundan daha güncel ve tamamen sana ait. Her iddia, kaydettiğin bir dosyaya atıfta bulunuyor.

Sürtünme ortadan kalktığında kişisel bilgi tabanının gerçekte nasıl hissettirdiği bu. RAG bunu sunmak için var oldu ama sunmadı. Karpathy deseni sunuyor — alım ve MCP parçaları senin için bağlandığında.

Deneyin

Save Chrome uzantısını yükle
savemarkdown.co’dan Save Vault’u yükle
Menü çubuğunda Claude’a Bağlan’ı aç
Okumayı düşündüğün 10 şeyi kaydet
Claude’u aç ve bunları bir araya getiren bir soru sor

Post-RAG iş akışı bu. Kişisel bilgi için vektör veritabanlarının yerini zaten alıyor. Geriye kalan tek şey kendininkini oluşturmaya başlamak.

Save Vault ücretsiz. Save uzantısı ayda 3 kayıt için ücretsiz, sınırsız için 3,99 $/ay. savemarkdown.co.