Jun 9, 2026, 4:07 PM
This commit is contained in:
Paweł Domański
@@ -0,0 +1,28 @@
|
||||
---
|
||||
title: "Agent Contracts (Kontrakty Agentów)"
|
||||
type: "concept"
|
||||
tags: [agent-orchestration, system-design, prompt-engineering]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/building-personal-ai-assistant-sqlite-gtd]]", "[[summaries/obsidian-vault-as-knowledge-graph]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# Agent Contracts (Kontrakty Agentów)
|
||||
|
||||
## Definition
|
||||
Wzdrzec architektoniczny polegający na umieszczeniu w katalogu głównym projektu specjalnego pliku (np. `CLAUDE.md` lub `AGENTS.md`), który definiuje nienaruszalne reguły gry, konwencje kodowania, strukturę bazy wiedzy oraz ograniczenia behawioralne dla agentów AI działających w tym środowisku.
|
||||
|
||||
## How It Works
|
||||
Sesje z terminalowymi agentami AI (np. [[entities/claude-code]]) są bezstanowe. Każda nowa sesja zaczyna się od zera. Umieszczenie kontraktu w pliku o stałej lokalizacji sprawia, że agent odczytuje go automatycznie przy uruchomieniu i odzyskuje pełny kontekst operacyjny. Kontrakt zazwyczaj zawiera:
|
||||
- **Strukturę katalogów**: Co znajduje się w poszczególnych folderach.
|
||||
- **Konwencje techniczne**: Standardy linkowania (np. [[WikiLinks]]), formatowanie YAML, styl nazewnictwa.
|
||||
- **Instrukcje bezpieczeństwa (Negative Instructions)**: Czego agentowi *bezwzględnie nie wolno robić* (np. modyfikować folderu z szablonami, usuwać plików bez potwierdzenia).
|
||||
- **Aktywny kontekst**: Nad czym aktualnie pracuje użytkownik i co powinno być priorytetem bieżącej sesji.
|
||||
|
||||
## Why It Matters
|
||||
Kontrakt agenta przekształca generyczny model językowy w zdyscypliniowanego programistę lub zarządcę bazy wiedzy. Zapewnia powtarzalność operacji i drastycznie minimalizuje tarcie konfiguracyjne (brak konieczności każdorazowego instruowania agenta w oknie czatu).
|
||||
|
||||
## Sources
|
||||
- [[summaries/building-personal-ai-assistant-sqlite-gtd]]
|
||||
- [[summaries/obsidian-vault-as-knowledge-graph]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
title: "Epistemic Markers (Markery Epistemiczne)"
|
||||
type: "concept"
|
||||
tags: [knowledge-representation, pkm, research, AI]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/building-llm-research-knowledge-philosophy]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# Epistemic Markers (Markery Epistemiczne)
|
||||
|
||||
## Definition
|
||||
System precyzyjnego znakowania i rozróżniania statusu poznawczego (epistemicznego) poszczególnych zdań i twierdzeń w bazie wiedzy zarządzanej przez LLM.
|
||||
|
||||
## How It Works
|
||||
W badaniach akademickich i merytorycznych kluczowe jest oddzielenie faktów pochodzących ze źródeł od interpretacji modelu AI oraz suwerennego stanowiska badawczego samego naukowca. System markerów epistemicznych wprowadza cztery rejestry zapisu:
|
||||
- **(brak znacznika)** — Twierdzenie bezpośrednio przypisane i ugruntowane w nazwanym źródle pierwotnym (np. cytat lub parafraza konkretnego autora).
|
||||
- **[W]** — *Synthesis / Wiki synthesis*: Integracja redakcyjna dokonana przez model językowy na podstawie analizy wielu dokumentów (synteza bazy wiedzy).
|
||||
- **[P]** — *Personal stance / Position*: Własne, suwerenne stanowisko badawcze człowieka. To, co człowiek argumentuje i wnioskuje, a nie to, co mówi źródło.
|
||||
- **[?]** — *Uncertain / Speculative*: Informacja niepewna, trudna do jednoznacznego zweryfikowania (błędna data, brak źródła, potencjalna halucynacja).
|
||||
|
||||
## Why It Matters
|
||||
Zapobiega zacieraniu granic odpowiedzialności intelektualnej i pozwala na zachowanie rigorystycznej metodologii naukowej przy pracy ze sztuczną inteligencją. Dzięki temu naukowiec dokładnie wie, które części bazy wiedzy są jego własnymi pomysłami badawczymi, które są rzetelną syntezą modelu AI, a które pochodzą wprost z cytowanej literatury.
|
||||
|
||||
## Sources
|
||||
- [[summaries/building-llm-research-knowledge-philosophy]]
|
||||
@@ -0,0 +1,25 @@
|
||||
---
|
||||
title: "GTD AI (Metodyka GTD w dobie AI)"
|
||||
type: "concept"
|
||||
tags: [gtd, productivity, agent-ai]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/building-personal-ai-assistant-sqlite-gtd]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# GTD AI (Metodyka GTD w dobie AI)
|
||||
|
||||
## Definition
|
||||
Praktyczne połączenie klasycznej metodyki organizacji pracy Getting Things Done (GTD) Davida Allena z możliwościami nowoczesnych agentów AI w celu zminimalizowania wysiłku obsługi (tarcza utrzymaniowego) i optymalizacji podejmowania decyzji.
|
||||
|
||||
## The AI Transformation
|
||||
Metodyka GTD składa się z pięciu etapów, z których każdy zyskuje nowy wymiar dzięki integracji AI:
|
||||
1. **Uchwycenie (Capture)**: Cloudflare Worker lub skrypt automatycznie analizuje wiadomości e-mail i wrzuca ustrukturyzowany format JSON do skrzynki odbiorczej.
|
||||
2. **Wyjaśnienie (Clarify)**: Agent AI interpretuje niejasne zadania, sugeruje ich podział i przypisuje im odpowiedni kontekst.
|
||||
3. **Uporządkowanie (Organize)**: Narzędzie AI pilnuje ścisłej hierarchii (np. Klient -> Projekt -> Zadanie) i automatycznie wiąże zadania z odpowiednimi obszarami.
|
||||
4. **Przegląd (Review)**: Cotygodniowy przegląd (Weekly Review) jest zautomatyzowany — agent analizuje bazę w oparciu o reguły w [[concepts/agent-contracts]], flagując przeterminowane zadania, brakujące kolejne kroki i proponując archiwizację.
|
||||
5. **Działanie (Engage)**: Użytkownik wchodzi w interakcję ze swoim systemem za pomocą języka naturalnego ("co obiecałem klientowi w zeszłym tygodniu?") zamiast ręcznego filtrowania i klikania w interfejsie.
|
||||
|
||||
## Sources
|
||||
- [[summaries/building-personal-ai-assistant-sqlite-gtd]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
title: "Knowledge Graph Analysis (Analiza Grafu Wiedzy)"
|
||||
type: "concept"
|
||||
tags: [graph-theory, knowledge-management, pkm, obsidian]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/karpathy-llm-knowledge-superpower-researchers]]", "[[summaries/obsidian-vault-as-knowledge-graph]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# Knowledge Graph Analysis (Analiza Grafu Wiedzy)
|
||||
|
||||
## Definition
|
||||
Metodologia polegająca na traktowaniu osobistej bazy notatek jako matematycznej struktury grafu skierowanego (notatki jako wierzchołki, linki jako krawędzie) i stosowaniu algorytmów teorii grafów w celu ulepszania spójności i odkrywania ukrytych połączeń w wiedzy.
|
||||
|
||||
## Key Metrics & Algorithms
|
||||
- **Centrality ranking (Ranking centralności)**: Identyfikuje notatki-huby (węzły o najwyższej liczbie linków przychodzących i wychodzących). Pozwala to wykryć koncepcje, które stanowią rzeczywisty fundament naszego myślenia, nawet jeśli nie zostały formalnie zorganizowane w foldery główne.
|
||||
- **Orphan detection (Detekcja sierot)**: Wyszukiwanie izolowanych wierzchołków (notatek bez żadnych powiązań). Pomaga to oczyszczać bazę lub integrować zapomniane przemyślenia.
|
||||
- **Cluster analysis (Analiza klastrów)**: Ujawnia naturalnie tworzące się "wyspy tematyczne" i pozwala zauważyć luki między domenami, które logicznie powinny być ze sobą połączone, ale w grafie są odseparowane.
|
||||
- **Bridge notes (Notatki mostkowe)**: Identyfikuje rzadkie wierzchołki łączące odrębne, odizolowane od siebie klastry (np. łączące teorię systemów z analizą finansową). To na tych mostach powstają najbardziej innowacyjne spostrzeżenia.
|
||||
|
||||
## How It Works in AI PKM
|
||||
Użytkownik łączy agenta AI ([[entities/claude-code]]) z bazą za pomocą protokołu [[concepts/mcp-servers]] (np. przy użyciu narzędzia `MCPVault`). Agent może wtedy programowo odpytywać graf, wyszukiwać anomalie, wskazywać brakujące linki i dynamicznie porządkować strukturę wiedzy.
|
||||
|
||||
## Sources
|
||||
- [[summaries/karpathy-llm-knowledge-superpower-researchers]]
|
||||
- [[summaries/obsidian-vault-as-knowledge-graph]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
title: "Local-First AI (Lokalna Sztuczna Inteligencja)"
|
||||
type: "concept"
|
||||
tags: [system-design, privacy, sqlite, local-first]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/building-personal-ai-assistant-sqlite-gtd]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# Local-First AI (Lokalna Sztuczna Inteligencja)
|
||||
|
||||
## Definition
|
||||
Podejście do projektowania systemów opartych na sztucznej inteligencji, w którym priorytetem jest przechowywanie danych użytkownika oraz wykonywanie częstych, codziennych operacji na urządzeniu lokalnym, przy jednoczesnym wykorzystaniu chmurowych LLM tylko do zadań wymagających wysokiego poziomu syntezy.
|
||||
|
||||
## Core Architecture
|
||||
Modelowy system Local-First AI (np. system *MarcOS* opisany przez Marca Barę) składa się z następujących elementów:
|
||||
- **Lokalna Baza Danych**: Jedna lekka baza (np. [[entities/sqlite]]) synchronizowana za pomocą bezpiecznych usług chmurowych (np. Dropbox) w celu zachowania spójności między urządzeniami.
|
||||
- **Zero-Token Daily View (Bezkosztowy Interfejs Codzienny)**: Frontend (często pojedynczy plik HTML ze skryptami WebAssembly typu [[entities/sql-js]]) odczytuje i wizualizuje dane bez odwoływania się do API modeli językowych.
|
||||
- **Agent jako "Mechanik"**: Agent AI terminalowy ([[entities/claude-code]]) jest wywoływany tylko do procesów nieskryptowalnych (np. cotygodniowy przegląd, inteligentne parsowanie e-maili, generowanie dokumentów tekstowych).
|
||||
- **Zrównoważony Git**: Do kontroli wersji stosuje się tekstowe zrzuty bazy danych (np. `.sql`), co pozwala zachować lekkość repozytorium oraz możliwość precyzyjnego przeglądu różnic w historii (diffs).
|
||||
|
||||
## Why It Matters
|
||||
Rozwiązuje problem marnowania tokenów (i związanych z tym kosztów), zapewnia pełną prywatność wrażliwych danych osobowych i biznesowych, a także gwarantuje działanie podstawowych funkcji aplikacji bez dostępu do sieci Internet.
|
||||
|
||||
## Sources
|
||||
- [[summaries/building-personal-ai-assistant-sqlite-gtd]]
|
||||
@@ -0,0 +1,23 @@
|
||||
---
|
||||
title: "MCP Servers (Serwery MCP)"
|
||||
type: "concept"
|
||||
tags: [mcp, system-design, API, AI]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/obsidian-vault-as-knowledge-graph]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# MCP Servers (Serwery MCP)
|
||||
|
||||
## Definition
|
||||
Serwery działające w oparciu o Model Context Protocol (MCP) — otwarty standard stworzony przez Anthropic, umożliwiający bezpieczne i ustrukturyzowane udostępnianie lokalnych lub chmurowych narzędzi, baz danych i plików bezpośrednio dla modeli językowych (LLM).
|
||||
|
||||
## Role in PKM & Obsidian
|
||||
Gdy baza notatek (skarbiec) rozrasta się do tysięcy plików, bezpośredni odczyt plików tekstowych przez agenta AI staje się powolny i kosztowny pod kątem tokenów. Serwery MCP rozwiązują ten problem:
|
||||
- **Abstrakcja danych**: Udostępniają skarbiec jako zestaw gotowych narzędzi (np. `search_notes`, `get_backlinks`, `update_metadata`).
|
||||
- **Kompresja i filtrowanie**: Przetwarzają zapytania lokalnie i zwracają modelowi skompresowane, najbardziej trafne informacje (oszczędność tokenów rzędu 40-60%).
|
||||
- **Możliwości grafowe**: Umożliwiają uruchamianie algorytmów analizy grafów (ranking centralności, detekcja klastrów) bezpośrednio na strukturze powiązań notatek.
|
||||
|
||||
## Sources
|
||||
- [[summaries/obsidian-vault-as-knowledge-graph]]
|
||||
@@ -0,0 +1,26 @@
|
||||
---
|
||||
title: "Multi-Agent Orchestration (Orkiestracja Wieloagentowa)"
|
||||
type: "concept"
|
||||
tags: [agent-orchestration, system-design, AI]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/building-llm-research-knowledge-philosophy]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# Multi-Agent Orchestration (Orkiestracja Wieloagentowa)
|
||||
|
||||
## Definition
|
||||
Wzorzec projektowy w systemach agentowych, polegający na podziale jednego skomplikowanego zadania na mniejsze role realizowane przez wyspecjalizowanych, niezależnych agentów AI, którzy komunikują się ze sobą pod nadzorem koordynatora.
|
||||
|
||||
## How It Works in AI PKM
|
||||
Przykładem praktycznego wdrożenia tej koncepcji była początkowa konfiguracja akademickiej bazy wiedzy przez Paulo de Assis. Zamiast obarczać jednego agenta całą pracą konfiguracyjną i analityczną, użyto trzech agentów Claude Code o różnych zadaniach:
|
||||
- **Agent A (Koordynator)**: Nadzorował cały proces, dzielił zadania i przekazywał je odpowiednio do Agentów B i C.
|
||||
- **Agent B (Strateg migracji)**: Odpowiadał za opracowanie optymalnego podejścia do wdrożenia dużej, istniejącej kolekcji dokumentów i notatek użytkownika (problem "5000 notatek / 4000 PDF-ów").
|
||||
- **Agent C (Inicjalizator struktury)**: Stworzył fizyczną strukturę folderów, przygotował szablony dokumentów, napisał zasady w `CLAUDE.md` i wykonał pierwszy pełny proces ingestu dla 38 stron.
|
||||
|
||||
## Why It Matters
|
||||
Podział pracy zapobiega przeciążeniu okna kontekstowego pojedynczego agenta i drastycznie zwiększa jakość wykonywanej pracy (każdy agent skupia się na wąskiej specjalizacji). Po zakończeniu fazy orkiestracji, stały kontrakt (`CLAUDE.md`) pozwala jednemu agentowi pełnić rolę codziennego zarządcy systemu.
|
||||
|
||||
## Sources
|
||||
- [[summaries/building-llm-research-knowledge-philosophy]]
|
||||
Reference in New Issue
Block a user