Lorekeeper
BlogPlay free
Voltar para todos os artigos

Atualizado em 1 de julho de 2026·11 min de leitura

A LLM Wiki do Karpathy, mas para a sua campanha de D&D (e já está em produção)

Há três semanas Andrej Karpathy publicou um gist que acumulou milhares de estrelas: pare de usar LLMs como mecanismos de busca sobre seus documentos e comece a usá-los como engenheiros de conhecimento que compilam uma wiki viva. Depois Garry Tan lançou o GBrain — um cérebro que não só lembra, mas age. O mundo da IA decidiu que a memória era a próxima grande batalha.

Passamos um ano construindo a versão mais complicada possível desse problema, e não é uma base de conhecimento empresarial. É um jogo. Porque um Mestre IA precisa lembrar a sua história, escrevê-la sem se contradizer e, eventualmente, agir sobre ela — as três camadas que todo mundo está teorizando, rodando contra uma história que pune cada erro.

O Códice da campanha: uma wiki que o mestre IA atualiza enquanto você joga
Uma sessão real no LoreKeeper · Veja por si mesmo, grátis →

Resposta curta — em julho de 2026

O mundo da IA debate se o RAG, uma LLM wiki (Karpathy) ou as habilidades autônomas (GBrain de Garry Tan) são o futuro da memória em agentes. Não são rivais — são três camadas: recuperar, compilar, agir. Um Mestre IA precisa das três, o que o torna o caso de teste perfeito. O LoreKeeper já executa as duas primeiras em produção: RAG sobre a sua campanha e um Codex que é a LLM wiki viva que o Mestre lê a cada turno. A lição que ninguém escreve: numa história, o problema difícil não é a memória — é a coerência.

Neste artigo▾
  1. Por que a IA esquece a sua campanha?
  2. Três formas de uma IA lembrar: recuperar, compilar, agir
  3. Recuperar: RAG sobre a sua campanha
  4. Compilar: o Codex é a LLM wiki do Karpathy
  5. O problema que ninguém menciona: coerência, não memória
  6. Agir: o que vem a seguir
  7. Então qual é a arquitetura vencedora?

Por que a IA esquece a sua campanha?

A janela de contexto não é memória. É um quadro branco que se apaga depois de cada sessão. Um modelo pode lidar com um milhão de tokens, mas a qualidade começa a se degradar muito antes disso, e quando a sessão termina, tudo desaparece. A conversa seguinte começa do zero.

Num chatbot isso é irritante. Numa campanha de RPG é fatal. Você passa três sessões construindo uma rivalidade com uma contrabandista chamada Elara. Poupa a vida dela numa cripta. Duas semanas depois o Mestre a apresenta de novo — como um homem, de outra cidade, que nunca conheceu você. A ilusão se quebra. A história em que você estava envolvido deixa de ser sua. Se você já jogou com um LLM simples, conhece exatamente esse momento: o NPC morto que continua falando.

O RAG foi a primeira solução séria: converte seus documentos em vetores, armazena-os e recupera os fragmentos relevantes no momento da consulta. Funciona — milhões de sistemas em produção o usam. Mas tem um limite estrutural que um artigo de 2024 mapeou em sete pontos de falha. Três importam para um Mestre: o chunking divide um personagem em fragmentos, de modo que o modelo encontra um e perde o resto; a re-derivação faz com que cada turno comece do zero sem aprender nada; e a passividade significa que o sistema apenas responde, sem detectar que duas fontes se contradizem.

Três formas de uma IA lembrar: recuperar, compilar, agir

O debate atual alinha três arquiteturas. Elas se apresentam como rivais. Não são — são três camadas do mesmo stack.

  • Recuperar (RAG) — encontra conteúdo relevante em escala. Excelente em amplitude, cego em profundidade; relê os mesmos livros a cada prova e nunca aprende a matéria.
  • Compilar (a LLM wiki) — a ideia de Karpathy: compila as fontes uma vez numa wiki persistente e interligada. O conhecimento se acumula; só que não escala para milhões de documentos.
  • Agir (habilidades autônomas) — o GBrain de Garry Tan: conhecimento que não fica parado, mas dispara ações, roda num calendário, trabalha enquanto você dorme. Poderoso, e um compromisso de engenharia sério.
Diagrama de Venn de Recuperar (RAG), Compilar (Wiki) e Agir, convergindo numa camada de conhecimento viva, com AI Dungeon e Friends & Fables posicionados atrás do LoreKeeper numa linha do tempo
Recuperar, compilar, agir — e onde se encaixa um Mestre IA que prioriza a memória.

A pergunta certa não é “qual ganha.” É qual é o trabalho do seu agente? O trabalho de um Mestre são os três ao mesmo tempo — por isso é um caso de teste tão brutal. É aqui que estamos de fato.

Recuperar: RAG sobre a sua campanha

A camada base é RAG de verdade. Cada artigo do Codex da sua campanha é convertido num vetor e armazenado com pgvector no Postgres. Quando o Mestre precisa de algo que as buscas estruturadas não cobrem, executa uma busca semântica sobre esses embeddings e recupera as passagens mais próximas.

Esta é a parte pouco glamorosa, mas essencial. Escala, é rápida o suficiente para um turno ao vivo e é o fallback quando o grafo ainda não conhece a resposta. Mas, por si só, tem exatamente a fraqueza que Karpathy aponta: recupera, nunca acumula. Por isso não paramos por aqui.

Compilar: o Codex é a LLM wiki do Karpathy

O Codex é a LLM wiki do Karpathy. Nós a lançamos para RPG de mesa em vez de artigos de pesquisa. As mesmas três camadas que ele descreve:

  • Fontes imutáveis — a sua partida real. A transcrição do que aconteceu na mesa. O modelo a lê, mas nunca a reescreve.
  • A wiki — o Codex: páginas de entidades escritas pelo LLM para cada NPC, local, missão e fio narrativo, com resumos, estado e referências cruzadas. O modelo é dono desta camada.
  • O esquema — as regras sobre como a wiki é mantida: o que conta como NPC, como se formam os backlinks, o que é uma contradição.

E ela se acumula como Karpathy descreve. Quando uma cena termina, o Mestre não escreve apenas um resumo — lê os eventos novos contra o Codex existente e atualiza cada página que eles tocam: novas referências cruzadas, estado atualizado, uma nova entrada na linha do tempo. Uma entrada literalmente diz “O DM mantém esta entrada.” A wiki se enriquece quanto mais você joga.

Uma entrada do Codex no LoreKeeper: página de um NPC com estado, primeira aparição, ligações com outras entidades e arte reutilizada do mundo da campanha
Uma entrada real do Codex — estado, ligações (backlinks) e arte do mundo, mantidos pelo DM.

O resultado foi lançado esta semana: o Mestre agora lê o próprio Codex a cada turno. Não despeja a wiki inteira no contexto — encaminha para as entidades que importam na cena atual, carrega as páginas delas mais um salto de backlinks, e injeta um bloco de memória compacto. Essa é a interseção recuperar + compilar que toda a indústria desenha num quadro branco, rodando numa partida real.

O problema que ninguém menciona: coerência, não memória

Os ensaios sobre “o RAG morreu” pulam a metade difícil. Numa história, lembrar é a metade fácil. A metade difícil é não se contradizer. Uma wiki que se compila sozinha vai acumular as próprias alucinações — um detalhe errado é referenciado em três páginas e vira cânone. O gist do Karpathy tem 200 linhas elegantes; em produção, o lint e a verificação são 80% do trabalho real.

Portanto a engenharia interessante não é o passo de compilação, mas as salvaguardas. O Codex separa o que um jogador pode ver dos segredos só para o DM, de modo que a memória que o Mestre lê pode incluir o twist sem nunca revelá-lo à mesa. E não confiamos em nada disso ao acaso — rodamos evals. Com o bloco de memória ativo, o Mestre usa aproximadamente três vezes mais fatos canônicos por cena e nunca revelou um segredo em execuções repetidas; sem ele, inventou três origens mutuamente contraditórias para o mesmo personagem. Essa diferença é o produto inteiro.

Agir: o que vem a seguir

A terceira camada é a parte honesta do roadmap. Hoje o Mestre já age por meio de ferramentas — lança dados, resolve combate mecânico, registra NPCs, controla relógios de pressão. Mas elas disparam de forma reativa, enquanto ele narra o seu turno. O que ele ainda não faz é o que o GBrain de Garry Tan faz: rodar por conta própria.

A versão que queremos é um Mestre que mantém o mundo em movimento entre as sessões — avançando o esquema de um rival, gastando o favor que um NPC lhe devia, deixando uma ameaça que você ignorou ganhar força — para que você volte a um mundo que viveu sem você. Essa é a camada de ação, e é o honesto “em breve” no diagrama acima. A memória e a wiki são os pré-requisitos difíceis, e já existem.

Então qual é a arquitetura vencedora?

Nenhuma por si só. Da mesma forma que os bancos de dados deixaram de ser “SQL ou NoSQL” e se tornaram sistemas híbridos, a memória em agentes está convergindo para um único stack: recuperar em escala, compilar em conhecimento persistente, agir sobre ele de forma autônoma. As equipes que ainda perguntam qual escolher estão fazendo a pergunta errada.

Não começamos isto para provar uma tese sobre memória de IA. Começamos para construir um Mestre que não se esquece da sua história. É o mesmo projeto. E o lugar menos indulgente para testá-lo não é uma wiki empresarial — é uma mesa de jogadores que vai perceber no instante em que o seu rival morto voltar a falar.

Perguntas frequentes

O que é uma LLM wiki?

+

Uma LLM wiki é um padrão de memória popularizado por Andrej Karpathy: em vez de recuperar fragmentos de documentos brutos no momento da consulta (RAG), você usa o modelo de linguagem para pré-compilar suas fontes em uma wiki persistente e interligada de resumos, páginas de entidades e referências cruzadas. A síntese acontece uma vez; cada pergunta futura se beneficia dela. O conhecimento se acumula em vez de ser derivado de novo a cada consulta.

Como um Mestre IA se lembra da sua história?

+

Um Mestre IA capaz não depende da janela de contexto, que é apagada entre as sessões. O LoreKeeper escreve no Codex — uma wiki viva — cada NPC, local e pacto que o seu grupo descobre, e faz o Mestre ler esse Codex a cada turno. Assim ele se lembra de quem lhe deve um favor e do que você jurou três sessões atrás, em vez de inventar uma nova versão.

O RAG morreu?

+

Não. O RAG não é rival de uma LLM wiki nem das habilidades autônomas — é uma camada. O RAG é a camada de recuperação que encontra conteúdo relevante em escala. Uma wiki é a camada de síntese que o compila em conhecimento persistente. As habilidades são a camada de ação. Os sistemas em produção combinam as três; o debate sobre qual "ganha" as apresenta como rivais quando fazem parte do mesmo stack.

Qual é a diferença entre RAG e uma LLM wiki?

+

O RAG recupera e esquece: cada consulta relê os mesmos fragmentos e começa do zero. Uma LLM wiki compila uma vez e reutiliza: lê os eventos novos contra a wiki existente, atualiza cada página afetada e cria referências cruzadas. O RAG escala para milhões de documentos, mas nunca aprende; uma wiki melhora com o tempo, mas não escala para corpora enormes sem uma camada de recuperação por cima.

Um Mestre IA pode agir sozinho entre as sessões?

+

Ainda não na maioria dos produtos, incluindo o LoreKeeper — as ferramentas do Mestre são reativas: disparam enquanto ele narra o seu turno. A próxima fronteira (o que Garry Tan chama de GBrain com habilidades autônomas) é um mestre que avança as tramas dos NPCs, gera consequências e atualiza o mundo enquanto você está offline. Essa é a camada de ação, e está no roadmap.

Sua mesa está pronta

Crie um personagem, escolha um mundo e jogue sua primeira cena em poucos minutos. O Mestre IA cuida das regras, dos dados e de cada NPC.

Jogue grátis agora

Grátis · 10 turnos por dia · sem cartão

Guardamos um lugar para você

Ainda decidindo? Pergunte o que quiser no nosso Discord. A equipe e outros jogadores respondem.

Perguntar no Discord

Guias relacionados

  • O Que É um Mestre de RPG com IA

    Guia completo: o que é, como funciona e por que está revolucionando os jogos de mesa.

  • Como Jogar RPG Online Sozinho com IA

    Guia passo a passo da criação de personagem até a primeira aventura em solitário.

  • Como Jogar D&D Online com IA

    Guia passo a passo para jogar D&D online com um Mestre IA. Sozinho ou com amigos, sem agendar.

Neste artigo
  1. Por que a IA esquece a sua campanha?
  2. Três formas de uma IA lembrar: recuperar, compilar, agir
  3. Recuperar: RAG sobre a sua campanha
  4. Compilar: o Codex é a LLM wiki do Karpathy
  5. O problema que ninguém menciona: coerência, não memória
  6. Agir: o que vem a seguir
  7. Então qual é a arquitetura vencedora?

Experimente enquanto lê

Crie um personagem e jogue sua primeira cena em poucos minutos.

Jogue grátis agora

Grátis · 10 turnos por dia · sem cartão

© 2026 LoreKeeper. AI-powered tabletop RPG platform.

HomeBlogContactPrivacy