dexter/DBAdmin
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Jun 18, 2026, 12:01 PM

Browse Source
This commit is contained in:
Paweł Domański
2026-06-18 10:01:11 +00:00
parent 8190368188
commit 33fa2cf18a
27 changed files with 214 additions and 196 deletions
Download Patch File Download Diff File Expand all files Collapse all files
brain/.agents/skills/obsidian-cli/SKILL.md
+2 -1
View File
@@ -31,7 +31,7 @@ For multiline content use `\n` for newline and `\t` for tab.
Many commands accept `file` or `path` to target a file. Without either, the active file is used. Many commands accept `file` or `path` to target a file. Without either, the active file is used.
- `file=<name>` — resolves like a wikilink (name only, no path or extension needed) - `file=<name>` — resolves like a knowledgelink (name only, no path or extension needed)
- `path=<path>` — exact path from vault root, e.g. `folder/note.md` - `path=<path>` — exact path from vault root, e.g. `folder/note.md`
## Vault targeting ## Vault targeting
@@ -104,3 +104,4 @@ obsidian dev:mobile on
``` ```
Run `obsidian help` to see additional developer commands including CDP and debugger controls. Run `obsidian help` to see additional developer commands including CDP and debugger controls.
brain/.agents/skills/obsidian-markdown/SKILL.md
+7 -6
View File
@@ -1,24 +1,24 @@
--- ---
name: obsidian-markdown name: obsidian-markdown
description: Create and edit Obsidian Flavored Markdown with wikilinks, embeds, callouts, properties, and other Obsidian-specific syntax. Use when working with .md files in Obsidian, or when the user mentions wikilinks, callouts, frontmatter, tags, embeds, or Obsidian notes. description: Create and edit Obsidian Flavored Markdown with knowledgelinks, embeds, callouts, properties, and other Obsidian-specific syntax. Use when working with .md files in Obsidian, or when the user mentions knowledgelinks, callouts, frontmatter, tags, embeds, or Obsidian notes.
--- ---
# Obsidian Flavored Markdown Skill # Obsidian Flavored Markdown Skill
Create and edit valid Obsidian Flavored Markdown. Obsidian extends CommonMark and GFM with wikilinks, embeds, callouts, properties, comments, and other syntax. This skill covers only Obsidian-specific extensions -- standard Markdown (headings, bold, italic, lists, quotes, code blocks, tables) is assumed knowledge. Create and edit valid Obsidian Flavored Markdown. Obsidian extends CommonMark and GFM with knowledgelinks, embeds, callouts, properties, comments, and other syntax. This skill covers only Obsidian-specific extensions -- standard Markdown (headings, bold, italic, lists, quotes, code blocks, tables) is assumed knowledge.
## Workflow: Creating an Obsidian Note ## Workflow: Creating an Obsidian Note
1. **Add frontmatter** with properties (title, tags, aliases) at the top of the file. See [PROPERTIES.md](references/PROPERTIES.md) for all property types. 1. **Add frontmatter** with properties (title, tags, aliases) at the top of the file. See [PROPERTIES.md](references/PROPERTIES.md) for all property types.
2. **Write content** using standard Markdown for structure, plus Obsidian-specific syntax below. 2. **Write content** using standard Markdown for structure, plus Obsidian-specific syntax below.
3. **Link related notes** using wikilinks (`[[Note]]`) for internal vault connections, or standard Markdown links for external URLs. 3. **Link related notes** using knowledgelinks (`[[Note]]`) for internal vault connections, or standard Markdown links for external URLs.
4. **Embed content** from other notes, images, or PDFs using the `![[embed]]` syntax. See [EMBEDS.md](references/EMBEDS.md) for all embed types. 4. **Embed content** from other notes, images, or PDFs using the `![[embed]]` syntax. See [EMBEDS.md](references/EMBEDS.md) for all embed types.
5. **Add callouts** for highlighted information using `> [!type]` syntax. See [CALLOUTS.md](references/CALLOUTS.md) for all callout types. 5. **Add callouts** for highlighted information using `> [!type]` syntax. See [CALLOUTS.md](references/CALLOUTS.md) for all callout types.
6. **Verify** the note renders correctly in Obsidian's reading view. 6. **Verify** the note renders correctly in Obsidian's reading view.
> When choosing between wikilinks and Markdown links: use `[[wikilinks]]` for notes within the vault (Obsidian tracks renames automatically) and `[text](url)` for external URLs only. > When choosing between knowledgelinks and Markdown links: use `[[knowledgelinks]]` for notes within the vault (Obsidian tracks renames automatically) and `[text](url)` for external URLs only.
## Internal Links (Wikilinks) ## Internal Links (Knowledge Baselinks)
```markdown ```markdown
[[Note Name]] Link to note [[Note Name]] Link to note
@@ -44,7 +44,7 @@ For lists and quotes, place the block ID on a separate line after the block:
## Embeds ## Embeds
Prefix any wikilink with `!` to embed its content inline: Prefix any knowledgelink with `!` to embed its content inline:
```markdown ```markdown
![[Note Name]] Embed full note ![[Note Name]] Embed full note
@@ -194,3 +194,4 @@ Reviewed in [[Meeting Notes 2024-01-10#Decisions]].
- [Embed files](https://help.obsidian.md/embeds) - [Embed files](https://help.obsidian.md/embeds)
- [Callouts](https://help.obsidian.md/callouts) - [Callouts](https://help.obsidian.md/callouts)
- [Properties](https://help.obsidian.md/properties) - [Properties](https://help.obsidian.md/properties)
brain/.serena/memories/conventions.md
+2 -1
View File
@@ -9,7 +9,7 @@ Coding style, naming, and structural conventions for the Knowledge Base.
## Formatting & Link Style ## Formatting & Link Style
- **WikiLinks**: Prefer double brackets `[[knowledge/path/to/page]]` or standard relative link `[[page]]` for connections in the synthesis layer (`knowledge/`). - **Knowledge BaseLinks**: Prefer double brackets `[[knowledge/path/to/page]]` or standard relative link `[[page]]` for connections in the synthesis layer (`knowledge/`).
- **YAML Frontmatter**: When requested or appropriate, include metadata (tags, dates, source counts) at the top of markdown files. - **YAML Frontmatter**: When requested or appropriate, include metadata (tags, dates, source counts) at the top of markdown files.
- **Kebab Case**: File names in `knowledge/concepts/` and `knowledge/entities/` must be kebab-case (e.g., `human-in-the-loop.md`, `sql-server.md`). - **Kebab Case**: File names in `knowledge/concepts/` and `knowledge/entities/` must be kebab-case (e.g., `human-in-the-loop.md`, `sql-server.md`).
@@ -24,3 +24,4 @@ Coding style, naming, and structural conventions for the Knowledge Base.
## Feynman Problems Alignment ## Feynman Problems Alignment
- **Central Alignment**: Every newly ingested raw file must be tested against the 12 Feynman Problems documented in `knowledge/feynman_problems.md`. If the content addresses or helps answer any of those questions, update the respective section in `knowledge/feynman_problems.md` with a direct link and concise insight. - **Central Alignment**: Every newly ingested raw file must be tested against the 12 Feynman Problems documented in `knowledge/feynman_problems.md`. If the content addresses or helps answer any of those questions, update the respective section in `knowledge/feynman_problems.md` with a direct link and concise insight.
brain/.serena/memories/suggested_commands.md
+2 -1
View File
@@ -4,7 +4,7 @@ Project and shell commands for development, utility, and maintenance tasks.
## Maintenance Scripts (Windows PowerShell) ## Maintenance Scripts (Windows PowerShell)
- **Knowledge-base Terms Replacer**: Refactors old "wiki" references to "knowledge" across files and renames files containing "wiki": - **Knowledge-base Terms Replacer**: Refactors old "knowledge" references to "knowledge" across files and renames files containing "knowledge":
```powershell ```powershell
powershell.exe -NoProfile -ExecutionPolicy Bypass -File .\replace_knowledge.ps1 powershell.exe -NoProfile -ExecutionPolicy Bypass -File .\replace_knowledge.ps1
``` ```
@@ -34,3 +34,4 @@ Project and shell commands for development, utility, and maintenance tasks.
```powershell ```powershell
git log -n 3 git log -n 3
``` ```
brain/.serena/memories/task_completion.md
+2 -1
View File
@@ -4,7 +4,7 @@ Steps and commands to execute when validating code changes or knowledge-base upd
## Verification Checklist ## Verification Checklist
1. **Broken Link Check**: Ensure all newly added `[[WikiLinks]]` are accurate and point to existing files. 1. **Broken Link Check**: Ensure all newly added `[[Knowledge BaseLinks]]` are accurate and point to existing files.
2. **Kebab-Case Naming**: Verify all created concept or entity files are named in kebab-case. 2. **Kebab-Case Naming**: Verify all created concept or entity files are named in kebab-case.
3. **UTF-8 Encoding**: Ensure modified and created markdown files are written in UTF-8 format. 3. **UTF-8 Encoding**: Ensure modified and created markdown files are written in UTF-8 format.
4. **Consistency Script**: Run the text replacement script if naming or file paths were updated: 4. **Consistency Script**: Run the text replacement script if naming or file paths were updated:
@@ -16,3 +16,4 @@ Steps and commands to execute when validating code changes or knowledge-base upd
serena memories check serena memories check
``` ```
6. **Git Cleanliness**: Run `git status` to ensure only intended changes are modified and no unintended files are staged. 6. **Git Cleanliness**: Run `git status` to ensure only intended changes are modified and no unintended files are staged.
brain/.serena/memories/tech_stack.md
+2 -1
View File
@@ -18,4 +18,5 @@ Technical details and tools used in the LLM Knowledge Base repository.
- No compilers, compilers pins, or heavy framework dependencies. - No compilers, compilers pins, or heavy framework dependencies.
- Git is used for version control of the markdown files, allowing revision history and branching. - Git is used for version control of the markdown files, allowing revision history and branching.
- Local custom script: `replace_knowledge.ps1` handles codebase-wide text replacements (specifically migrating old "wiki" terminology to "knowledge"). - Local custom script: `replace_knowledge.ps1` handles codebase-wide text replacements (specifically migrating old "knowledge" terminology to "knowledge").
brain/README.md
+5 -4
View File
@@ -58,7 +58,7 @@ Dodawanie nowych źródeł polega na umieszczeniu pliku w `raw/inbox/` i zleceni
Dzięki gęstej sieci połączeń możesz zadawać złożone pytania syntezujące wiele źródeł: Dzięki gęstej sieci połączeń możesz zadawać złożone pytania syntezujące wiele źródeł:
> *"Jakie są różnice metodologiczne między wdrażaniem bazy w filozofii a systemem GTD AI? Przygotuj porównanie w oparciu o nasze źródła."* > *"Jakie są różnice metodologiczne między wdrażaniem bazy w filozofii a systemem GTD AI? Przygotuj porównanie w oparciu o nasze źródła."*
**Co robi agent AI:** Zamiast przeszukiwać gigabajty surowych PDF-ów, agent odpytuje master index, przechodzi po WikiLinkach powiązanych koncepcji i generuje precyzyjną odpowiedź z cytowaniami. **Co robi agent AI:** Zamiast przeszukiwać gigabajty surowych PDF-ów, agent odpytuje master index, przechodzi po Knowledge BaseLinkach powiązanych koncepcji i generuje precyzyjną odpowiedź z cytowaniami.
*Wskazówka: Wartościowe syntezy wygenerowane w sesjach czatu mogą być zapisywane z powrotem do bazy jako nowe strony koncepcyjne lub syntezy, dzięki czemu wiedza procentuje (compounding knowledge).* *Wskazówka: Wartościowe syntezy wygenerowane w sesjach czatu mogą być zapisywane z powrotem do bazy jako nowe strony koncepcyjne lub syntezy, dzięki czemu wiedza procentuje (compounding knowledge).*
### 3. Lint (Sprzątanie i walidacja) ### 3. Lint (Sprzątanie i walidacja)
@@ -70,7 +70,7 @@ System posiada wbudowany, dedykowany skrypt walidacyjny PowerShell. Możesz go u
powershell.exe -NoProfile -ExecutionPolicy Bypass -File .\lint_knowledge.ps1 powershell.exe -NoProfile -ExecutionPolicy Bypass -File .\lint_knowledge.ps1
``` ```
**Co robi linter:** **Co robi linter:**
- Przeszukuje całą bazę pod kątem **uszkodzonych WikiLinków** (linki wskazujące na nieistniejące pliki). - Przeszukuje całą bazę pod kątem **uszkodzonych Knowledge BaseLinków** (linki wskazujące na nieistniejące pliki).
- Wykrywa **sieroty (orphans)** — strony koncepcyjne, podmioty lub podsumowania, które nie posiadają żadnych linków przychodzących z innych stron merytorycznych. - Wykrywa **sieroty (orphans)** — strony koncepcyjne, podmioty lub podsumowania, które nie posiadają żadnych linków przychodzących z innych stron merytorycznych.
- Gwarantuje 100% spójności strukturalnej przed zatwierdzeniem zmian w systemie kontroli wersji Git. - Gwarantuje 100% spójności strukturalnej przed zatwierdzeniem zmian w systemie kontroli wersji Git.
@@ -81,12 +81,12 @@ powershell.exe -NoProfile -ExecutionPolicy Bypass -File .\lint_knowledge.ps1
### 🏷️ Markery Epistemiczne (Epistemic Markers) ### 🏷️ Markery Epistemiczne (Epistemic Markers)
Aby zachować pełen rygor badawczy, w plikach syntezowanych stosujemy oznaczanie rejestru zdań: Aby zachować pełen rygor badawczy, w plikach syntezowanych stosujemy oznaczanie rejestru zdań:
- **(brak znacznika)** — Bezpośrednie twierdzenie pochodzące z cytowanego źródła pierwotnego. - **(brak znacznika)** — Bezpośrednie twierdzenie pochodzące z cytowanego źródła pierwotnego.
- **[W]** — *Wiki synthesis*: Integracja i synteza merytoryczna dokonana przez model AI (LLM) na bazie wielu źródeł. - **[W]** — *Knowledge Base synthesis*: Integracja i synteza merytoryczna dokonana przez model AI (LLM) na bazie wielu źródeł.
- **[P]** — *Personal stance*: Suwerenne stanowisko badawcze, hipoteza lub argument samego człowieka (użytkownika). - **[P]** — *Personal stance*: Suwerenne stanowisko badawcze, hipoteza lub argument samego człowieka (użytkownika).
- **[?]** — *Speculative*: Informacja niepewna, trudna do zweryfikowania przez bazę (potencjalna halucynacja). - **[?]** — *Speculative*: Informacja niepewna, trudna do zweryfikowania przez bazę (potencjalna halucynacja).
### ⚡ Umiejętności Obsidiana (Obsidian-Skills) ### ⚡ Umiejętności Obsidiana (Obsidian-Skills)
Agent AI posiada zainstalowane natywne reguły obsługi formatu Obsidian (WikiLinki, callouty, Canvas). Zostały one wdrożone za pomocą komendy: Agent AI posiada zainstalowane natywne reguły obsługi formatu Obsidian (Knowledge BaseLinki, callouty, Canvas). Zostały one wdrożone za pomocą komendy:
```powershell ```powershell
npx skills add https://github.com/kepano/obsidian-skills.git npx skills add https://github.com/kepano/obsidian-skills.git
``` ```
@@ -103,3 +103,4 @@ Pliki te pełnią rolę instrukcji wdrożeniowych (kontraktu) dla agenta AI. Def
--- ---
*Ostatnia pełna rekompilacja i walidacja bazy: 2026-06-09* *Ostatnia pełna rekompilacja i walidacja bazy: 2026-06-09*
brain/knowledge/concepts/agent-contracts.md
+2 -1
View File
@@ -16,7 +16,7 @@ Wzdrzec architektoniczny polegający na umieszczeniu w katalogu głównym projek
## How It Works ## 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: 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. - **Strukturę katalogów**: Co znajduje się w poszczególnych folderach.
- **Konwencje techniczne**: Standardy linkowania (np. WikiLinks), formatowanie YAML, styl nazewnictwa. - **Konwencje techniczne**: Standardy linkowania (np. Knowledge BaseLinks), formatowanie YAML, styl nazewnictwa.
- **Instrukcje bezpieczeństwa (Negative Instructions)**: Czego agentowi *bezwzględnie nie wolno robić* (np. modyfikować folderu z szablonami, usuwać plików bez potwierdzenia). - **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. - **Aktywny kontekst**: Nad czym aktualnie pracuje użytkownik i co powinno być priorytetem bieżącej sesji.
@@ -26,3 +26,4 @@ Kontrakt agenta przekształca generyczny model językowy w zdyscypliniowanego pr
## Sources ## Sources
- [[summaries/building-personal-ai-assistant-sqlite-gtd]] - [[summaries/building-personal-ai-assistant-sqlite-gtd]]
- [[summaries/obsidian-vault-as-knowledge-graph]] - [[summaries/obsidian-vault-as-knowledge-graph]]
brain/knowledge/concepts/agent-formatting-dialects.md
+2 -1
View File
@@ -16,7 +16,7 @@ Specyficzne, niestandardowe rozszerzenia i dialekty formatów tekstowych (takie
## The Problem ## The Problem
Standardowe modele LLM są trenowane na czystym języku Markdown (CommonMark / GFM). Jednak zaawansowane aplikacje, takie jak Obsidian, używają własnych, unikalnych dialektów: Standardowe modele LLM są trenowane na czystym języku Markdown (CommonMark / GFM). Jednak zaawansowane aplikacje, takie jak Obsidian, używają własnych, unikalnych dialektów:
- Linki wewnętrzne w postaci podwójnych nawiasów kwadratowych: WikiLinks. - Linki wewnętrzne w postaci podwójnych nawiasów kwadratowych: Knowledge BaseLinks.
- Bloki wyróżnień (Callouts): `> [!info]`. - Bloki wyróżnień (Callouts): `> [!info]`.
- Systemy wizualnych map myśli: pliki Canvas (`.canvas` na bazie struktur JSON). - Systemy wizualnych map myśli: pliki Canvas (`.canvas` na bazie struktur JSON).
Bez jawnego przeszkolenia, agent AI piszący notatki cicho uszkadza składnię (np. generuje puste linki, psuje schematy YAML czy zrywa hierarchie), co wymaga manualnych poprawek ze strony człowieka. Bez jawnego przeszkolenia, agent AI piszący notatki cicho uszkadza składnię (np. generuje puste linki, psuje schematy YAML czy zrywa hierarchie), co wymaga manualnych poprawek ze strony człowieka.
@@ -27,3 +27,4 @@ Tworzenie i wgrywanie dedykowanych zestawów reguł i wzorców (np. oficjalnej b
## Sources ## Sources
- [[summaries/what-happens-giving-keys-to-llm-obsidian]] - [[summaries/what-happens-giving-keys-to-llm-obsidian]]
- [[summaries/obsidian-vault-as-knowledge-graph]] - [[summaries/obsidian-vault-as-knowledge-graph]]
brain/knowledge/concepts/conversation-archiving.md
+2 -1
View File
@@ -20,7 +20,7 @@ Zamiast pozostawiać wartościową wiedzę w ulotnej historii czatu przeglądark
- **Działający kod** (gotowe skrypty, zapytania SQL, jednolinijkowce). - **Działający kod** (gotowe skrypty, zapytania SQL, jednolinijkowce).
- Dalsze kroki oraz powiązane linki źródłowe. - Dalsze kroki oraz powiązane linki źródłowe.
Notatka ta jest następnie integrowana z bazą wiedzy za pomocą linków zwrotnych (`[[WikiLinks]]`), łącząc dzisiejsze odkrycia z wcześniejszymi ustaleniami. Notatka ta jest następnie integrowana z bazą wiedzy za pomocą linków zwrotnych (`[[Knowledge BaseLinks]]`), łącząc dzisiejsze odkrycia z wcześniejszymi ustaleniami.
## Why It Matters ## Why It Matters
1. **Przetrwanie wiedzy**: Kluczowe wnioski z debugowania i kompromisy projektowe nie znikają po zamknięciu karty. 1. **Przetrwanie wiedzy**: Kluczowe wnioski z debugowania i kompromisy projektowe nie znikają po zamknięciu karty.
@@ -29,3 +29,4 @@ Notatka ta jest następnie integrowana z bazą wiedzy za pomocą linków zwrotny
## Sources ## Sources
- [[summaries/archive-obsidian-skill]] - [[summaries/archive-obsidian-skill]]
brain/knowledge/concepts/dream-cycle.md
+2 -1
View File
@@ -15,7 +15,7 @@ Autonomiczny, periodyczny (zazwyczaj nocny) potok optymalizacji i konserwacji ba
## How It Works ## How It Works
Podczas okresu niskiej aktywności użytkownika (np. o godzinie 2:00 w nocy), agent AI autonomicznie skanuje całe repozytorium pamięci i wykonuje następujące operacje: Podczas okresu niskiej aktywności użytkownika (np. o godzinie 2:00 w nocy), agent AI autonomicznie skanuje całe repozytorium pamięci i wykonuje następujące operacje:
1. **Naprawa odnośników**: Wykrywa i naprawia uszkodzone, puste lub nieaktualne linki zwrotne (`[[WikiLinks]]`). 1. **Naprawa odnośników**: Wykrywa i naprawia uszkodzone, puste lub nieaktualne linki zwrotne (`[[Knowledge BaseLinks]]`).
2. **Konsolidacja faktów**: Łączy nakładające się informacje o tych samych podmiotach, aktualizuje relacje i eliminuje redundancję. 2. **Konsolidacja faktów**: Łączy nakładające się informacje o tych samych podmiotach, aktualizuje relacje i eliminuje redundancję.
3. **Analiza relacji encji**: Ponownie analizuje nowe notatki pod kątem powiązań między ludźmi, organizacjami czy pojęciami (np. dodaje brakujące `works_at` czy `partner_of`). 3. **Analiza relacji encji**: Ponownie analizuje nowe notatki pod kątem powiązań między ludźmi, organizacjami czy pojęciami (np. dodaje brakujące `works_at` czy `partner_of`).
4. **Przebudowa osadzeń (Re-embedding)**: Generuje zaktualizowane wektory semantyczne dla dokumentów, które zostały zmodyfikowane w ciągu dnia, zapewniając ich wysoką wykrywalność w wyszukiwaniu hybrydowym. 4. **Przebudowa osadzeń (Re-embedding)**: Generuje zaktualizowane wektory semantyczne dla dokumentów, które zostały zmodyfikowane w ciągu dnia, zapewniając ich wysoką wykrywalność w wyszukiwaniu hybrydowym.
@@ -25,3 +25,4 @@ Ludzie mają tendencję do porzucania baz wiedzy (PKM), ponieważ koszt ich ręc
## Sources ## Sources
- [[summaries/gbrain-long-term-memory]] - [[summaries/gbrain-long-term-memory]]
brain/knowledge/concepts/epistemic-markers.md
+2 -1
View File
@@ -16,7 +16,7 @@ System precyzyjnego znakowania i rozróżniania statusu poznawczego (epistemiczn
## How It Works ## 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: 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). - **(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). - **[W]** — *Synthesis / Knowledge Base 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. - **[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). - **[?]** — *Uncertain / Speculative*: Informacja niepewna, trudna do jednoznacznego zweryfikowania (błędna data, brak źródła, potencjalna halucynacja).
@@ -25,3 +25,4 @@ Zapobiega zacieraniu granic odpowiedzialności intelektualnej i pozwala na zacho
## Sources ## Sources
- [[summaries/building-llm-research-knowledge-philosophy]] - [[summaries/building-llm-research-knowledge-philosophy]]
brain/knowledge/concepts/vault-as-database.md
+2 -1
View File
@@ -17,7 +17,7 @@ Podejście do organizacji osobistego skarbca notatek Markdown, w którym płaski
Tradycyjny skarbiec to zbiór nieustrukturyzowanych, opisowych notatek. Przekształcenie go w bazę danych opiera się na trzech elementach: Tradycyjny skarbiec to zbiór nieustrukturyzowanych, opisowych notatek. Przekształcenie go w bazę danych opiera się na trzech elementach:
1. **Ścisły Schemat (YAML Frontmatter)**: Każda notatka posiada ujednolicony nagłówek metadanych określający jej typ (summary, concept, entity), tagi, datę utworzenia oraz powiązane źródła. Działa to jak definicja kolumn w tabeli SQL. 1. **Ścisły Schemat (YAML Frontmatter)**: Każda notatka posiada ujednolicony nagłówek metadanych określający jej typ (summary, concept, entity), tagi, datę utworzenia oraz powiązane źródła. Działa to jak definicja kolumn w tabeli SQL.
2. **Kompilator Skarbca ([[entities/dataview]])**: Narzędzie indeksujące metadane i udostępniające ustrukturyzowane tabele i zmienne, ułatwiające odpytywanie bazy. 2. **Kompilator Skarbca ([[entities/dataview]])**: Narzędzie indeksujące metadane i udostępniające ustrukturyzowane tabele i zmienne, ułatwiające odpytywanie bazy.
3. **Graf Połączeń (Edges & Nodes)**: Linki wewnętrzne (WikiLinks) tworzą krawędzie grafu relacyjnego, umożliwiając wykonywanie algorytmów grafowych (np. ranking centralności, detekcja klastrów i mostów). 3. **Graf Połączeń (Edges & Nodes)**: Linki wewnętrzne (Knowledge BaseLinks) tworzą krawędzie grafu relacyjnego, umożliwiając wykonywanie algorytmów grafowych (np. ranking centralności, detekcja klastrów i mostów).
## Why It Matters ## Why It Matters
Agenty AI (np. [[entities/claude-code]]) działają drastycznie skuteczniej i zużywają mniej tokenów, gdy poruszają się po ustrukturyzowanej bazie danych z wyraźnymi schematami i powiązaniami, niż gdy próbują odczytywać i interpretować całkowicie chaotyczny, nieustrukturyzowany szum tekstowy. Agenty AI (np. [[entities/claude-code]]) działają drastycznie skuteczniej i zużywają mniej tokenów, gdy poruszają się po ustrukturyzowanej bazie danych z wyraźnymi schematami i powiązaniami, niż gdy próbują odczytywać i interpretować całkowicie chaotyczny, nieustrukturyzowany szum tekstowy.
@@ -25,3 +25,4 @@ Agenty AI (np. [[entities/claude-code]]) działają drastycznie skuteczniej i zu
## Sources ## Sources
- [[summaries/15-obsidian-workflows-and-plugins]] - [[summaries/15-obsidian-workflows-and-plugins]]
- [[summaries/obsidian-vault-as-knowledge-graph]] - [[summaries/obsidian-vault-as-knowledge-graph]]
brain/knowledge/entities/claude-code.md
+2 -1
View File
@@ -15,7 +15,7 @@ Zaawansowany agent AI działający w interfejsie wiersza poleceń (CLI), stworzo
## Key Characteristics ## Key Characteristics
- **Zorientowany na "Codebase"**: Działa bezpośrednio w systemie plików użytkownika, zachowując głęboki kontekst i potrafiąc analizować wzajemne powiązania między setkami dokumentów. - **Zorientowany na "Codebase"**: Działa bezpośrednio w systemie plików użytkownika, zachowując głęboki kontekst i potrafiąc analizować wzajemne powiązania między setkami dokumentów.
- **Wsparcie dla Markdown**: Doskonale radzi sobie ze skarbami notatek (np. [[entities/obsidian]]) traktując je jak bazy kodu: notatki jako pliki źródłowe, a linki WikiLinks jako deklaracje importu. - **Wsparcie dla Markdown**: Doskonale radzi sobie ze skarbami notatek (np. [[entities/obsidian]]) traktując je jak bazy kodu: notatki jako pliki źródłowe, a linki Knowledge BaseLinks jako deklaracje importu.
- **Sterowanie Kontraktem**: Wykonuje złożone zadania w oparciu o lokalne instrukcje zdefiniowane w pliku [[concepts/agent-contracts]] (`CLAUDE.md`). - **Sterowanie Kontraktem**: Wykonuje złożone zadania w oparciu o lokalne instrukcje zdefiniowane w pliku [[concepts/agent-contracts]] (`CLAUDE.md`).
- **Trwała Pamięć**: Choć sesje LLM są z natury bezstanowe, Claude Code potrafi akumulować wiedzę o nawykach i preferencjach użytkownika, zapisując je w pliku `memory.md` wewnątrz repozytorium. - **Trwała Pamięć**: Choć sesje LLM są z natury bezstanowe, Claude Code potrafi akumulować wiedzę o nawykach i preferencjach użytkownika, zapisując je w pliku `memory.md` wewnątrz repozytorium.
@@ -27,3 +27,4 @@ Zaawansowany agent AI działający w interfejsie wiersza poleceń (CLI), stworzo
## Related Entities ## Related Entities
- [[entities/obsidian]] — Wizualny partner: Claude Code pisze, Obsidian renderuje. - [[entities/obsidian]] — Wizualny partner: Claude Code pisze, Obsidian renderuje.
- [[entities/sqlite]] — Baza danych, na której Claude Code wykonuje zapytania i skrypty. - [[entities/sqlite]] — Baza danych, na której Claude Code wykonuje zapytania i skrypty.
brain/knowledge/entities/obsidian-skills.md
+2 -1
View File
@@ -15,7 +15,7 @@ Oficjalny zestaw otwartoźródłowych (licencja MIT) umiejętności agentowych s
## Capabilities & Modules ## Capabilities & Modules
Paczka `kepano/obsidian-skills` instalowana jest w katalogu umiejętności agenta i zawiera pięć wyspecjalizowanych modułów: Paczka `kepano/obsidian-skills` instalowana jest w katalogu umiejętności agenta i zawiera pięć wyspecjalizowanych modułów:
1. `obsidian-markdown` — uczy model specyficznego dialektu Markdown (WikiLinki, bloki calloutów, osadzenia), zapobiegając uszkadzaniu składni. 1. `obsidian-markdown` — uczy model specyficznego dialektu Markdown (Knowledge BaseLinki, bloki calloutów, osadzenia), zapobiegając uszkadzaniu składni.
2. `obsidian-bases` — zarządza strukturami ustrukturyzowanych danych i typami właściwości frontmatter. 2. `obsidian-bases` — zarządza strukturami ustrukturyzowanych danych i typami właściwości frontmatter.
3. `json-canvas` — pozwala agentom na bezpieczne generowanie, modyfikowanie i odczytywanie wizualnych map myśli (plików Obsidian Canvas bazujących na formacie JSON). 3. `json-canvas` — pozwala agentom na bezpieczne generowanie, modyfikowanie i odczytywanie wizualnych map myśli (plików Obsidian Canvas bazujących na formacie JSON).
4. `obsidian-cli` — udostępnia pełne API do manipulowania skarbcem z poziomu wiersza poleceń (CLI). 4. `obsidian-cli` — udostępnia pełne API do manipulowania skarbcem z poziomu wiersza poleceń (CLI).
@@ -27,3 +27,4 @@ To pierwszy przypadek, w którym twórca platformy osobiście napisał i wydał
## Related Entities ## Related Entities
- [[entities/obsidian]] — Wspierany system notatek. - [[entities/obsidian]] — Wspierany system notatek.
- [[entities/claude-code]] — Terminalowy agent wykorzystujący te umiejętności. - [[entities/claude-code]] — Terminalowy agent wykorzystujący te umiejętności.
brain/knowledge/summaries/archive-obsidian-skill.md
+2 -1
View File
@@ -17,7 +17,7 @@ Artykuł Bulenta Gorkema omawia problem "ulotności" interakcji z modelami AI
### Dlaczego warto archiwizować rozmowy z AI? ### Dlaczego warto archiwizować rozmowy z AI?
- **Trwałość decyzji**: Zapisanie uzasadnienia decyzji ("dlaczego wybraliśmy X zamiast Y") oszczędza godziny ponownej pracy w przyszłości. - **Trwałość decyzji**: Zapisanie uzasadnienia decyzji ("dlaczego wybraliśmy X zamiast Y") oszczędza godziny ponownej pracy w przyszłości.
- **Katalog działającego kodu**: Jednolinijkowce bashowe czy skomplikowane zapytania SQL, które w końcu zadziałały, trafiają do prywatnej, lokalnej bazy wiedzy. - **Katalog działającego kodu**: Jednolinijkowce bashowe czy skomplikowane zapytania SQL, które w końcu zadziałały, trafiają do prywatnej, lokalnej bazy wiedzy.
- **Budowa kontekstu historycznego**: Linki zwrotne (`[[WikiLinks]]`) w Obsidian pozwalają powiązać dzisiejsze sesje debugowania z decyzjami projektowymi podjętymi miesiąc temu. - **Budowa kontekstu historycznego**: Linki zwrotne (`[[Knowledge BaseLinks]]`) w Obsidian pozwalają powiązać dzisiejsze sesje debugowania z decyzjami projektowymi podjętymi miesiąc temu.
- **Tani i pewny RAG**: Wklejenie zarchiwizowanej, ustrukturyzowanej notatki z powrotem do nowego czatu to najszybsza i najtańsza forma "pamięci" dla asystenta AI. - **Tani i pewny RAG**: Wklejenie zarchiwizowanej, ustrukturyzowanej notatki z powrotem do nowego czatu to najszybsza i najtańsza forma "pamięci" dla asystenta AI.
### Ewolucja: Od promptu ręcznego do Umiejętności (Skill) ### Ewolucja: Od promptu ręcznego do Umiejętności (Skill)
@@ -41,3 +41,4 @@ Artykuł Bulenta Gorkema omawia problem "ulotności" interakcji z modelami AI
## Sources ## Sources
- `raw/inbox/Przestań tracić najlepsze rozmowy AI_ archiwizuj Obsidian z umiejętnością.md` - `raw/inbox/Przestań tracić najlepsze rozmowy AI_ archiwizuj Obsidian z umiejętnością.md`
brain/knowledge/summaries/obsidian-vault-as-knowledge-graph.md
+2 -1
View File
@@ -13,7 +13,7 @@ confidence: high
Artykuł Aleksandra Szereszewskiego opisuje koncepcję traktowania bazy notatek Obsidian jako aktywnego grafu wiedzy (Knowledge Graph) i uwalniania jej potencjału za pomocą Claude Code oraz protokołu MCP (Model Context Protocol). Autor dzieli się doświadczeniami z pięciu lat prowadzenia skarbca zawierającego ponad 5 000 notatek. Artykuł Aleksandra Szereszewskiego opisuje koncepcję traktowania bazy notatek Obsidian jako aktywnego grafu wiedzy (Knowledge Graph) i uwalniania jej potencjału za pomocą Claude Code oraz protokołu MCP (Model Context Protocol). Autor dzieli się doświadczeniami z pięciu lat prowadzenia skarbca zawierającego ponad 5 000 notatek.
## Key Points ## Key Points
- **Skarbiec jako Graf**: Notatki w Obsidianie to węzły (nodes), WikiLinki (np. double-brackets) to krawędzie skierowane (edges), a tagi i właściwości frontmatter to atrybuty węzłów. - **Skarbiec jako Graf**: Notatki w Obsidianie to węzły (nodes), Knowledge BaseLinki (np. double-brackets) to krawędzie skierowane (edges), a tagi i właściwości frontmatter to atrybuty węzłów.
- **Obsidian to Codebase**: Claude Code doskonale radzi sobie ze skarbem Obsidianu, ponieważ traktuje notatki Markdown jak pliki kodu źródłowego, a linki jak instrukcje importu. - **Obsidian to Codebase**: Claude Code doskonale radzi sobie ze skarbem Obsidianu, ponieważ traktuje notatki Markdown jak pliki kodu źródłowego, a linki jak instrukcje importu.
- **Rola CLAUDE.md**: Pełni rolę stałego dokumentu wdrożeniowego (kontraktu) dla agenta, definiując strukturę (Projects, Areas, Resources, Archive), konwencje linkowania i tagowania oraz bezwzględne reguły bezpieczeństwa (np. zakaz modyfikacji szablonów i załączników). - **Rola CLAUDE.md**: Pełni rolę stałego dokumentu wdrożeniowego (kontraktu) dla agenta, definiując strukturę (Projects, Areas, Resources, Archive), konwencje linkowania i tagowania oraz bezwzględne reguły bezpieczeństwa (np. zakaz modyfikacji szablonów i załączników).
- **Optymalizacja za pomocą MCP**: Aby uniknąć powolnego wyszukiwania i marnowania tokenów w dużych skarbcach, wykorzystuje się serwery MCP (np. MCPVault lub TurboVault), które udostępniają skarbiec jako ustrukturyzowaną bazę danych grafowych. - **Optymalizacja za pomocą MCP**: Aby uniknąć powolnego wyszukiwania i marnowania tokenów w dużych skarbcach, wykorzystuje się serwery MCP (np. MCPVault lub TurboVault), które udostępniają skarbiec jako ustrukturyzowaną bazę danych grafowych.
@@ -37,3 +37,4 @@ Artykuł Aleksandra Szereszewskiego opisuje koncepcję traktowania bazy notatek
- **Author**: Aleksander Szereszewski - **Author**: Aleksander Szereszewski
- **Date**: 2026-04-11 - **Date**: 2026-04-11
- **URL**: https://medium.com/graph-praxis/your-obsidian-vault-is-a-knowledge-graph-heres-how-to-make-it-think-quickly-1487614a7682 - **URL**: https://medium.com/graph-praxis/your-obsidian-vault-is-a-knowledge-graph-heres-how-to-make-it-think-quickly-1487614a7682
brain/knowledge/summaries/what-happens-giving-keys-to-llm-obsidian.md
+2 -1
View File
@@ -19,7 +19,7 @@ Artykuł Valerie analizuje rewolucyjny zwrot w osobistym zarządzaniu wiedzą (P
- **Nowy schemat (Search-assisted writing)**: Model AI staje się aktywnym redaktorem naczelnym, który nigdy nie śpi. Działa w tle, porządkuje notatki, dodaje strony podmiotów (entities), aktualizuje pojęcia, łączy fakty i samodzielnie utrzymuje porządek w bazie. - **Nowy schemat (Search-assisted writing)**: Model AI staje się aktywnym redaktorem naczelnym, który nigdy nie śpi. Działa w tle, porządkuje notatki, dodaje strony podmiotów (entities), aktualizuje pojęcia, łączy fakty i samodzielnie utrzymuje porządek w bazie.
### Rozwiązanie problemu formatowania (`obsidian-skills`): ### Rozwiązanie problemu formatowania (`obsidian-skills`):
- Modele językowe znają czysty Markdown, ale popełniają błędy w dialekcie Obsidiana (błędne WikiLinki, uszkadzanie metadanych YAML frontmatter czy plików Canvas). - Modele językowe znają czysty Markdown, ale popełniają błędy w dialekcie Obsidiana (błędne Knowledge BaseLinki, uszkadzanie metadanych YAML frontmatter czy plików Canvas).
- Steph Ango (CEO Obsidiana) wydał oficjalną paczkę `kepano/obsidian-skills` (licencja MIT), która uczy agentów (Claude Code, Codex) natywnych zasad Obsidiana: - Steph Ango (CEO Obsidiana) wydał oficjalną paczkę `kepano/obsidian-skills` (licencja MIT), która uczy agentów (Claude Code, Codex) natywnych zasad Obsidiana:
- `obsidian-markdown` — rzetelna obsługa linków dwukierunkowych i calloutów. - `obsidian-markdown` — rzetelna obsługa linków dwukierunkowych i calloutów.
- `obsidian-bases` — obsługa danych strukturalnych. - `obsidian-bases` — obsługa danych strukturalnych.
@@ -51,3 +51,4 @@ Artykuł Valerie analizuje rewolucyjny zwrot w osobistym zarządzaniu wiedzą (P
- **Author**: Valerie - **Author**: Valerie
- **Date**: 2026-05-08 - **Date**: 2026-05-08
- **URL**: https://medium.com/dare-to-be-better/what-happens-when-you-give-an-llm-the-keys-to-your-obsidian-vault-370562d821e0 - **URL**: https://medium.com/dare-to-be-better/what-happens-when-you-give-an-llm-the-keys-to-your-obsidian-vault-370562d821e0
brain/raw/articles/Build An AI Second Brain Knowledge Base (Step-By-Step).md
+42 -42
View File
@@ -15,17 +15,17 @@ tags:
### Wprowadzenie ### Wprowadzenie
**0:00** · So, I just built a second brain knowledge management system that has an entire wiki built in that I can chat with. It will pull any information from that second brain when I chat. It's got a built-in CRM. I can journal, and it will actually look at my wiki knowledge base and try to help me with whatever issues I'm going through from my journal by looking inside of the wiki. **0:00** · So, I just built a second brain knowledge management system that has an entire knowledge built in that I can chat with. It will pull any information from that second brain when I chat. It's got a built-in CRM. I can journal, and it will actually look at my knowledge knowledge base and try to help me with whatever issues I'm going through from my journal by looking inside of the knowledge.
**0:18** · And of course, it's got all of the content that I've saved from around the web, including YouTube videos and articles and tweets and podcasts and just tons of stuff that I've injected into this that is all accessible directly from a chat or from journaling. It is really, really sweet, and I'm going to break down how the whole thing works and how you can build one for yourself right now. Most second brain systems are just like storage, right? **0:18** · And of course, it's got all of the content that I've saved from around the web, including YouTube videos and articles and tweets and podcasts and just tons of stuff that I've injected into this that is all accessible directly from a chat or from journaling. It is really, really sweet, and I'm going to break down how the whole thing works and how you can build one for yourself right now. Most second brain systems are just like storage, right?
**0:42** · You dump your YouTube transcripts and your articles and your blog posts and your podcasts and just everything that you're interested in, you just dump it all into one place. **0:42** · You dump your YouTube transcripts and your articles and your blog posts and your podcasts and just everything that you're interested in, you just dump it all into one place.
**0:53** · Problem is, that's kind of where the information just goes to die. Unless you're like actively going back through and reviewing the notes all the time and searching through your second brain, it's just a dumping ground for information that I never go back and look at later. So, for the knowledge management system that I'm going to build, there's three core pillars that I want to build for mine. Number one is the wiki/knowledge base. This is where I'm going to store like everything from around the web that I find. **0:53** · Problem is, that's kind of where the information just goes to die. Unless you're like actively going back through and reviewing the notes all the time and searching through your second brain, it's just a dumping ground for information that I never go back and look at later. So, for the knowledge management system that I'm going to build, there's three core pillars that I want to build for mine. Number one is the knowledge/knowledge base. This is where I'm going to store like everything from around the web that I find.
### Przegląd systemu ### Przegląd systemu
**1:17** · YouTube transcripts, articles, podcast transcripts, tweets, you name it, it all goes into this wiki knowledge base section. Number two is my CRM. So, whenever I go to a events and I meet people or I jump on Zoom calls with people, I want to remember those conversations and I want to be able to recall them in the future. I also want to store details about those people, how I met them, where I met them, some of the discussions we had, any sort of contact details I got from them, email, phone number, address, whatever. **1:17** · YouTube transcripts, articles, podcast transcripts, tweets, you name it, it all goes into this knowledge knowledge base section. Number two is my CRM. So, whenever I go to a events and I meet people or I jump on Zoom calls with people, I want to remember those conversations and I want to be able to recall them in the future. I also want to store details about those people, how I met them, where I met them, some of the discussions we had, any sort of contact details I got from them, email, phone number, address, whatever.
**1:46** · They can all live in this sort of CRM element of this bigger second brain that I'm building. And the third element is where this all gets pulled together, and And the journal. Now, I'm a big journaler. I journal pretty much every single day. **1:46** · They can all live in this sort of CRM element of this bigger second brain that I'm building. And the third element is where this all gets pulled together, and And the journal. Now, I'm a big journaler. I journal pretty much every single day.
@@ -33,13 +33,13 @@ tags:
**2:04** · When I have rough days, I journal about the things that are bothering me. My videos not performing as well as I want them to, having a creative block and not knowing what to make videos about. I do a lot of travel and I debate a lot about whether the travel's going to be worth it or not. I journal about pretty much everything in my business. So, these are my three ideal inputs. For you, it might be clients or workouts, research papers, recipes, sales calls, classroom notes. **2:04** · When I have rough days, I journal about the things that are bothering me. My videos not performing as well as I want them to, having a creative block and not knowing what to make videos about. I do a lot of travel and I debate a lot about whether the travel's going to be worth it or not. I journal about pretty much everything in my business. So, these are my three ideal inputs. For you, it might be clients or workouts, research papers, recipes, sales calls, classroom notes.
**2:30** · The point is, the knowledge base sits at the center and then everything else sort of connects to it. The two elements that I think are probably the most useful to the most amount of people are going to be the wiki and the journal. Maybe the CRM isn't what you need. Again, maybe it's your classroom notes, your workouts, your recipes, et cetera. So, here's a rough drawing of what I have in mind. So, you've got your knowledge base that lives at the center of all of this. **2:30** · The point is, the knowledge base sits at the center and then everything else sort of connects to it. The two elements that I think are probably the most useful to the most amount of people are going to be the knowledge and the journal. Maybe the CRM isn't what you need. Again, maybe it's your classroom notes, your workouts, your recipes, et cetera. So, here's a rough drawing of what I have in mind. So, you've got your knowledge base that lives at the center of all of this.
**2:53** · All of this knowledge is going to live in Obsidian. I'll get into the whole building process in a second. You're going to save articles from around the web, YouTube videos, you know, podcast notes, whatever you find around the web that's relevant to you, you're going to save it with a simple Chrome web clipper and it's going to save into your knowledge base. The CRM that I just mentioned, notes about people you met and where you met them and all that kind of stuff gets saved to the knowledge base. Meeting notes, I personally use Granola to record my meetings and take notes for me. Those meeting notes can automatically be injected into the knowledge base. **2:53** · All of this knowledge is going to live in Obsidian. I'll get into the whole building process in a second. You're going to save articles from around the web, YouTube videos, you know, podcast notes, whatever you find around the web that's relevant to you, you're going to save it with a simple Chrome web clipper and it's going to save into your knowledge base. The CRM that I just mentioned, notes about people you met and where you met them and all that kind of stuff gets saved to the knowledge base. Meeting notes, I personally use Granola to record my meetings and take notes for me. Those meeting notes can automatically be injected into the knowledge base.
**3:24** · And then you have journal entries. This is the layer where you actually interact with your knowledge base. You journal on what you're dealing with right now and ideally it's going to pull from the knowledge base that has all of this other information in it to ground the responses to your journal entries. This will make more sense as I go. Please excuse the PowerPoint style slide here, but I really want to explain what I'm trying to build. So, here's the system I imagine. You save your articles, your transcripts, et cetera, into this system. We'll do that using a web clipper. **3:24** · And then you have journal entries. This is the layer where you actually interact with your knowledge base. You journal on what you're dealing with right now and ideally it's going to pull from the knowledge base that has all of this other information in it to ground the responses to your journal entries. This will make more sense as I go. Please excuse the PowerPoint style slide here, but I really want to explain what I'm trying to build. So, here's the system I imagine. You save your articles, your transcripts, et cetera, into this system. We'll do that using a web clipper.
**3:53** · The AI layer in the background that we're going to build then summarizes this stuff for us. So, it's not just a giant transcript, it's actually sort of the bullets and just the information we need to know. The AI is also going to extract people, companies, tools, ideas, and themes, and sort of break those off. That's where it becomes kind of like a wiki. You could click into the tools page and it will list off all the tools that have been mentioned across everything that we've saved. You can click into one of the tools and it will mention where and what video that came from. And that goes for all of these little categories here. I also wanted to auto-link related notes. **3:53** · The AI layer in the background that we're going to build then summarizes this stuff for us. So, it's not just a giant transcript, it's actually sort of the bullets and just the information we need to know. The AI is also going to extract people, companies, tools, ideas, and themes, and sort of break those off. That's where it becomes kind of like a knowledge. You could click into the tools page and it will list off all the tools that have been mentioned across everything that we've saved. You can click into one of the tools and it will mention where and what video that came from. And that goes for all of these little categories here. I also wanted to auto-link related notes.
**4:27** · So, if I have multiple videos about how to build something with OpenClaw, they all get cross-referenced to each other and I can click around and sort of jump into others. If you're familiar with other second brain systems or like the Zettelkasten system, it's essentially that same concept of interlinking. I'm then going to let the journal directly into the system. So, when I do write journals, it responds like ChatGPT, but it's actually grounded in my own saved knowledge. So, it's not going to just respond with what ChatGPT would have responded with. **4:27** · So, if I have multiple videos about how to build something with OpenClaw, they all get cross-referenced to each other and I can click around and sort of jump into others. If you're familiar with other second brain systems or like the Zettelkasten system, it's essentially that same concept of interlinking. I'm then going to let the journal directly into the system. So, when I do write journals, it responds like ChatGPT, but it's actually grounded in my own saved knowledge. So, it's not going to just respond with what ChatGPT would have responded with.
@@ -63,9 +63,9 @@ tags:
**7:34** · Like, only the really technical people or big enterprises were able to use them, but now it's pretty cool how easy it's become to set it up and use it for yourself at home. So, if you've wanted your own AI assistant without the headache of managing servers manually, this is probably the easiest way I've seen to do it. Check it out at the link in the description box, and to save even more money, use my code Matt Wolfe for an additional 10% off. And thank you so much to Hostinger for supporting my channel and sponsoring this portion of today's video. Now, before I go any further on this, I do want to give credit where credit is due. **7:34** · Like, only the really technical people or big enterprises were able to use them, but now it's pretty cool how easy it's become to set it up and use it for yourself at home. So, if you've wanted your own AI assistant without the headache of managing servers manually, this is probably the easiest way I've seen to do it. Check it out at the link in the description box, and to save even more money, use my code Matt Wolfe for an additional 10% off. And thank you so much to Hostinger for supporting my channel and sponsoring this portion of today's video. Now, before I go any further on this, I do want to give credit where credit is due.
### Koncepcja Wiki Karpathy LLM ### Koncepcja Knowledge Base Karpathy LLM
**8:06** · This whole LLM knowledge base idea came straight from Andrej Karpathy. I specifically took the idea of using Obsidian as the front end. Obsidian sort of helps organize and easily read markdown files. I'm just sort of extrapolating off of this idea and adding my journaling element and my CRM element to the wiki concept that Andre laid out here. Now, in order to build this, you're going to need a couple tools. I'm going to build this in Codex here. This has been sort of my IDE of choice lately to do coding and projects like this. **8:06** · This whole LLM knowledge base idea came straight from Andrej Karpathy. I specifically took the idea of using Obsidian as the front end. Obsidian sort of helps organize and easily read markdown files. I'm just sort of extrapolating off of this idea and adding my journaling element and my CRM element to the knowledge concept that Andre laid out here. Now, in order to build this, you're going to need a couple tools. I'm going to build this in Codex here. This has been sort of my IDE of choice lately to do coding and projects like this.
### Potrzebne narzędzia ### Potrzebne narzędzia
@@ -81,29 +81,29 @@ tags:
**9:49** · Now, I'll open that, and we'll create this new vault, and you can see I have a fresh blank vault with nothing in it yet except for a little welcome message. Now, it's important to remember where on your computer you just saved this vault, cuz that's going to be necessary in the next step here. I'm going to delete this welcome message. It's not going to be necessary, and now we have a purely empty clean vault. So, for the next step, I'm going to jump into Codex, and we're going to actually build the dang thing. **9:49** · Now, I'll open that, and we'll create this new vault, and you can see I have a fresh blank vault with nothing in it yet except for a little welcome message. Now, it's important to remember where on your computer you just saved this vault, cuz that's going to be necessary in the next step here. I'm going to delete this welcome message. It's not going to be necessary, and now we have a purely empty clean vault. So, for the next step, I'm going to jump into Codex, and we're going to actually build the dang thing.
**10:16** · So, over on the left here inside of Codex, I'm going to click on add new project, and then I'm going to select use an existing folder. It's going to open up my browser here to pick the folder, and I'm going to go to the exact folder that we just set our Obsidian vault up with. So, for me, it's this second brain folder that I created here, and we'll go ahead and open that, and then you can see I now have a project over here called second brain. So, to start this off, we're going to build the basic bones of our wiki. And luckily, Andre Karpathy generously gave us this GitHub page that explains exactly how the wiki architecture works. **10:16** · So, over on the left here inside of Codex, I'm going to click on add new project, and then I'm going to select use an existing folder. It's going to open up my browser here to pick the folder, and I'm going to go to the exact folder that we just set our Obsidian vault up with. So, for me, it's this second brain folder that I created here, and we'll go ahead and open that, and then you can see I now have a project over here called second brain. So, to start this off, we're going to build the basic bones of our knowledge. And luckily, Andre Karpathy generously gave us this GitHub page that explains exactly how the knowledge architecture works.
**10:49** · So, the initial sort of hard part of building the wiki is already figured out for us. **10:49** · So, the initial sort of hard part of building the knowledge is already figured out for us.
**10:56** · We can just take this URL to this GitHub post here, open up Codex, make sure we're in our second brain project folder here, and giving it the prompt build out architecture based on Karpathy's LLM wiki here. I'm linking to that page on GitHub that we were just looking at, and then I said the current second brain folder is the folder that Obsidian is connected to. It is currently empty, so we're building from scratch. And let's go ahead and let it build out the sort of architecture bones for us based on what Karpathy's already figured out. All right, so it worked for about 5 minutes. **10:56** · We can just take this URL to this GitHub post here, open up Codex, make sure we're in our second brain project folder here, and giving it the prompt build out architecture based on Karpathy's LLM knowledge here. I'm linking to that page on GitHub that we were just looking at, and then I said the current second brain folder is the folder that Obsidian is connected to. It is currently empty, so we're building from scratch. And let's go ahead and let it build out the sort of architecture bones for us based on what Karpathy's already figured out. All right, so it worked for about 5 minutes.
**11:26** · It actually built out a whole bunch of extra files that it didn't need to build. I don't know why it created 51 files. The architecture is actually supposed to be pretty small for this. **11:26** · It actually built out a whole bunch of extra files that it didn't need to build. I don't know why it created 51 files. The architecture is actually supposed to be pretty small for this.
**11:37** · So, I literally prompted it, "Please remove all the extra crap and just build what's explicitly called for in Carpathy's game plan." And it says, "Done. I pruned it back to the minimal Carpathy game plan." And now we just have these files built in. If we pop open Obsidian here, you could see we've got just the folders we need. We have the raw folder, we have the wiki folder, we have our agents.md file, our index.md file, and our log.md file. We can see here exactly what each of these is for. **11:37** · So, I literally prompted it, "Please remove all the extra crap and just build what's explicitly called for in Carpathy's game plan." And it says, "Done. I pruned it back to the minimal Carpathy game plan." And now we just have these files built in. If we pop open Obsidian here, you could see we've got just the folders we need. We have the raw folder, we have the knowledge folder, we have our agents.md file, our index.md file, and our log.md file. We can see here exactly what each of these is for.
**12:05** · The raw folder is for the immutable source material. This is where the original stuff goes. Raw/assets, this is for optional local Obsidian attachments. **12:05** · The raw folder is for the immutable source material. This is where the original stuff goes. Raw/assets, this is for optional local Obsidian attachments.
**12:13** · You got the wiki. This is the AI-generated markdown files that it's pulling from the raw content that we're inputting. You have the agents.md file, which basically explains how this whole thing works. So, we can see it's got the operations. When the user adds a source and asks LLM to process it, it does all these things. When the user asks a question, it queries it this way. So, it basically tells it how this agent should operate. You have the index.md file. **12:13** · You got the knowledge. This is the AI-generated markdown files that it's pulling from the raw content that we're inputting. You have the agents.md file, which basically explains how this whole thing works. So, we can see it's got the operations. When the user adds a source and asks LLM to process it, it does all these things. When the user asks a question, it queries it this way. So, it basically tells it how this agent should operate. You have the index.md file.
**12:39** · This is basically the catalog of everything that's in the wiki. And then you have the log file, where whenever you make updates or changes or add things, it updates the log file. Super, super simple. We're starting bare-bones here. If I look directly in the folder, we just have what you see inside of Obsidian. So, now I'm going to make sure that my Obsidian web clipper is dialed in. So, I'll go ahead and click on this. **12:39** · This is basically the catalog of everything that's in the knowledge. And then you have the log file, where whenever you make updates or changes or add things, it updates the log file. Super, super simple. We're starting bare-bones here. If I look directly in the folder, we just have what you see inside of Obsidian. So, now I'm going to make sure that my Obsidian web clipper is dialed in. So, I'll go ahead and click on this.
**13:00** · We'll click on settings. Make sure you add the name of your vault right here under the vault list. If you're in Obsidian down in the very bottom left corner down here, you can see this is the name of the vault. So, make sure it's the same name exactly. And then over under default, you've got the templates over here. Click on the default template and make sure that you select that Second Brain vault or whatever you titled it. And then I'm having mine pull in these properties. **13:00** · We'll click on settings. Make sure you add the name of your vault right here under the vault list. If you're in Obsidian down in the very bottom left corner down here, you can see this is the name of the vault. So, make sure it's the same name exactly. And then over under default, you've got the templates over here. Click on the default template and make sure that you select that Second Brain vault or whatever you titled it. And then I'm having mine pull in these properties.
**13:23** · The source title, the source URL, the date that it was created. That's the date that I'm saving it in the web clipper, not the date that the article was actually written, and it's adding an automatic web clip tag to it. And then for the note content, it's just pulling in the content. A lot of this might actually be set for you by default, but if it's not, this is what it should look like. Under note location, we're going to change this to just say raw, because that is the folder inside of our Obsidian vault that we want it to dump it inside of. **13:23** · The source title, the source URL, the date that it was created. That's the date that I'm saving it in the web clipper, not the date that the article was actually written, and it's adding an automatic web clip tag to it. And then for the note content, it's just pulling in the content. A lot of this might actually be set for you by default, but if it's not, this is what it should look like. Under note location, we're going to change this to just say raw, because that is the folder inside of our Obsidian vault that we want it to dump it inside of.
**13:49** · All right, so I can close out of this, and for the very first thing I'm going to ingest, might as well ingest the instructions for how to build one of these wikis. I know it's very meta, but I want it inside of my wiki. **13:49** · All right, so I can close out of this, and for the very first thing I'm going to ingest, might as well ingest the instructions for how to build one of these knowledges. I know it's very meta, but I want it inside of my knowledge.
**14:01** · I'll click on my little Obsidian clipper button, and you can see the source title, LLM Wiki, we've got our source URL, the date I'm pulling this in, and the tags for web clip. And then here is all of the content of this page here. **14:01** · I'll click on my little Obsidian clipper button, and you can see the source title, LLM Knowledge Base, we've got our source URL, the date I'm pulling this in, and the tags for web clip. And then here is all of the content of this page here.
**14:12** · We'll go ahead and click add to Obsidian, and we can see it added it directly inside of the raw folder here inside of Obsidian. Now, nothing's going to happen automatically. We actually need it to tell it to process the files inside of raw for anything to actually happen. But let's add a few more things. **14:12** · We'll go ahead and click add to Obsidian, and we can see it added it directly inside of the raw folder here inside of Obsidian. Now, nothing's going to happen automatically. We actually need it to tell it to process the files inside of raw for anything to actually happen. But let's add a few more things.
@@ -113,45 +113,45 @@ tags:
**15:04** · When I save a video from YouTube using the Obsidian web clipper, and then you go and process the files, make sure it also pulls the channel name from YouTube and adds it as one of the front matter fields. All right, so let's go ahead and do that. So now let's go ahead and do a quick test. We've got two source files in here. So I'm going to jump into Codex and go ahead and tell it to process the files inside the raw folder. Let's see how well it does right now. **15:04** · When I save a video from YouTube using the Obsidian web clipper, and then you go and process the files, make sure it also pulls the channel name from YouTube and adds it as one of the front matter fields. All right, so let's go ahead and do that. So now let's go ahead and do a quick test. We've got two source files in here. So I'm going to jump into Codex and go ahead and tell it to process the files inside the raw folder. Let's see how well it does right now.
**15:32** · All right, so it took about 3 minutes to process and it created a few new sections. So let's just go ahead and pull open Obsidian here and we can see it left the original source material here, but then it started to build out the wiki of everything else. So we've got our compounding knowledge base which was clearly pulled from the explanation from Andre, discipline without willpower. This was pulled from this channel, Aaron Miller study. Let me just double check that it got the channel name correct. Yep, Aaron Merrill study, environment design. **15:32** · All right, so it took about 3 minutes to process and it created a few new sections. So let's just go ahead and pull open Obsidian here and we can see it left the original source material here, but then it started to build out the knowledge of everything else. So we've got our compounding knowledge base which was clearly pulled from the explanation from Andre, discipline without willpower. This was pulled from this channel, Aaron Miller study. Let me just double check that it got the channel name correct. Yep, Aaron Merrill study, environment design.
**16:03** · We can see this was from the source discipline without willpower, which was one of the concepts that it saved, which came from this original video that we saved. Identity led goals, LLM wiki, temporal discounting, and temptation bundling. So we can see our wiki is starting to get built out we have our index here, our various sources, the LLM wiki and the discipline without willpower. It actually renamed it cuz it was originally called how to trick your brain into becoming so disciplined your friends will be shocked by your success, but it decided discipline without willpower was a better name for it. **16:03** · We can see this was from the source discipline without willpower, which was one of the concepts that it saved, which came from this original video that we saved. Identity led goals, LLM knowledge, temporal discounting, and temptation bundling. So we can see our knowledge is starting to get built out we have our index here, our various sources, the LLM knowledge and the discipline without willpower. It actually renamed it cuz it was originally called how to trick your brain into becoming so disciplined your friends will be shocked by your success, but it decided discipline without willpower was a better name for it.
**16:33** · We can see the concepts here and it's starting to build out. And if we look in our log, we can see what it registered in our log so far since we started building this. One thing that I actually like to do as this gets bigger and bigger is you've got this graph view here that starts really small when you first build it and over time you'll see this build out and build out and things get more interconnected with each other and it just gets really cool over time. **16:33** · We can see the concepts here and it's starting to build out. And if we look in our log, we can see what it registered in our log so far since we started building this. One thing that I actually like to do as this gets bigger and bigger is you've got this graph view here that starts really small when you first build it and over time you'll see this build out and build out and things get more interconnected with each other and it just gets really cool over time.
**16:58** · Now, I'm going to go seed this with some more content. I'm going to go through my watch history and pull in some of the other videos that I watched recently, using your money to be happier, the art of tripod filmmaking, how to become addicted to doing hard things, if you think you're too busy watch this, how to become a lucky person, and then build your own self-improving AI wiki in 11 minutes. I know that's very meta, but let's go ahead and import that. So, I'm just going to go through and inject every single one of these like we just saw. **16:58** · Now, I'm going to go seed this with some more content. I'm going to go through my watch history and pull in some of the other videos that I watched recently, using your money to be happier, the art of tripod filmmaking, how to become addicted to doing hard things, if you think you're too busy watch this, how to become a lucky person, and then build your own self-improving AI knowledge in 11 minutes. I know that's very meta, but let's go ahead and import that. So, I'm just going to go through and inject every single one of these like we just saw.
**17:23** · I'm going to let it process them all, and then they'll all be in the Wiki, and then we'll move on to the next steps, which are building out the journal and the CRM elements that I mentioned earlier. Okay, so it's done injecting all of those videos that I just saved. It took about 6 minutes here, and this is what my Obsidian looks like now. You can see all of the assets of stuff that I ingested into it, and the Wiki is getting built out quite a bit more. We've got our index here, and as you can see, the index is also getting built out more as well. **17:23** · I'm going to let it process them all, and then they'll all be in the Knowledge Base, and then we'll move on to the next steps, which are building out the journal and the CRM elements that I mentioned earlier. Okay, so it's done injecting all of those videos that I just saved. It took about 6 minutes here, and this is what my Obsidian looks like now. You can see all of the assets of stuff that I ingested into it, and the Knowledge Base is getting built out quite a bit more. We've got our index here, and as you can see, the index is also getting built out more as well.
**17:50** · If I click into like Hermes agent here, we can see we've got key ideas from this original video plus related content inside of our Wiki. So, Codex capabilities, I click on this one, and it jumps to the video from Riley Brown and the details around that one. Again, this is the very, very simple, basic setup of Carpathys' LLM Wiki. Now, if I come into Codex again, we can essentially chat with the Wiki. So, I come to my second brain folder, click on new chat, and I can ask questions. **17:50** · If I click into like Hermes agent here, we can see we've got key ideas from this original video plus related content inside of our Knowledge Base. So, Codex capabilities, I click on this one, and it jumps to the video from Riley Brown and the details around that one. Again, this is the very, very simple, basic setup of Carpathys' LLM Knowledge Base. Now, if I come into Codex again, we can essentially chat with the Knowledge Base. So, I come to my second brain folder, click on new chat, and I can ask questions.
### Zapytania do Wiki ### Zapytania do Knowledge Base
**18:19** · Like, what are some tips for motivation when I don't feel like doing the hard task today? I know I saved a couple videos about this exact topic, and we can see it's already saying, "I'll treat this as a Wiki query. First, I'm checking the vault index, then I'll answer from anything already captured and add the reusable bit back into the Wiki if it isn't there yet." Here's our final response. When you don't feel like doing the hard task, don't wait for motivation to arrive first. Treat it as a task design problem. Make the first few minutes smaller, easier, and more rewarding. Try this. **18:19** · Like, what are some tips for motivation when I don't feel like doing the hard task today? I know I saved a couple videos about this exact topic, and we can see it's already saying, "I'll treat this as a Knowledge Base query. First, I'm checking the vault index, then I'll answer from anything already captured and add the reusable bit back into the Knowledge Base if it isn't there yet." Here's our final response. When you don't feel like doing the hard task, don't wait for motivation to arrive first. Treat it as a task design problem. Make the first few minutes smaller, easier, and more rewarding. Try this.
**18:47** · Gives me a handful of tips, and this was all pulled and grounded from the Wiki, but it also updated the Wiki based on the question that I asked. You can see that it changed the index.md file, the log.md file, and the Wiki motivation for hard tasks. So, opening up my Obsidian vault here again, looking in my log, we can see that it actually logged this query, motivation when avoiding a hard task, answer to query about motivation, and it even updated the index with it. **18:47** · Gives me a handful of tips, and this was all pulled and grounded from the Knowledge Base, but it also updated the Knowledge Base based on the question that I asked. You can see that it changed the index.md file, the log.md file, and the Knowledge Base motivation for hard tasks. So, opening up my Obsidian vault here again, looking in my log, we can see that it actually logged this query, motivation when avoiding a hard task, answer to query about motivation, and it even updated the index with it.
**19:13** · And it created motivation for hard tasks and linked back to the original sources that it found this information from. So, as you ask questions, the wiki further and further and further builds out based on the questions you were asking. Now, there's a few things that I want to do to clean this up a little bit and make it slightly more useful for me cuz right now, once it processes something, it just leaves it in this raw folder, and this is just going to build up and build up. And so, what I want to do is under this raw folder here, I'm going to go ahead and create a new folder, and I'm going to call it processed. **19:13** · And it created motivation for hard tasks and linked back to the original sources that it found this information from. So, as you ask questions, the knowledge further and further and further builds out based on the questions you were asking. Now, there's a few things that I want to do to clean this up a little bit and make it slightly more useful for me cuz right now, once it processes something, it just leaves it in this raw folder, and this is just going to build up and build up. And so, what I want to do is under this raw folder here, I'm going to go ahead and create a new folder, and I'm going to call it processed.
### Ręczna aktualizacja agenta ### Ręczna aktualizacja agenta
**19:44** · Whenever it processes one of these files and adds it to the wiki, I want it to move it to the processed folder, so I know that that has already been ingested. So, now that I've got this processed folder, I can simply come down to my agents file here and then tweak what happens when the file is processed. So, if I come down here, we've got operations ingest when the user adds a source and asks the LLM to process it, read the source from raw, create or update wiki pages, update relevant entity concept topic overview synthesis or comparison pages, update index.md, append an entry to log.md. **19:44** · Whenever it processes one of these files and adds it to the knowledge, I want it to move it to the processed folder, so I know that that has already been ingested. So, now that I've got this processed folder, I can simply come down to my agents file here and then tweak what happens when the file is processed. So, if I come down here, we've got operations ingest when the user adds a source and asks the LLM to process it, read the source from raw, create or update knowledge pages, update relevant entity concept topic overview synthesis or comparison pages, update index.md, append an entry to log.md.
**20:18** · Well, now I can just add a number six and say move the source file from the root raw directory to raw/processed. **20:18** · Well, now I can just add a number six and say move the source file from the root raw directory to raw/processed.
**20:27** · By adding that extra bit to the little prompt here, now it's going to go through all these steps, but then move it into the processed folder. It also misunderstood me when I said to add the channel name. It thought I wanted it to add the channel name to the actual wiki generated page, but I wanted it to add the channel name to the original source. That's what makes the most sense to me. **20:27** · By adding that extra bit to the little prompt here, now it's going to go through all these steps, but then move it into the processed folder. It also misunderstood me when I said to add the channel name. It thought I wanted it to add the channel name to the actual knowledge generated page, but I wanted it to add the channel name to the original source. That's what makes the most sense to me.
**20:46** · So, I'm going to come to my agents section here and just tweak that as well. So, right now it says for YouTube videos clipped with Obsidian Web Clipper, also open or inspect the YouTube source URL and add the channel name to the generated wiki page front matter. But instead of that, I'm going to say add the channel name to the original source page front matter. I I want it to link back to the original source. So, I'm going to add a step right after step three here and say cross-link any wiki pages generated or updated to the original source page. **20:46** · So, I'm going to come to my agents section here and just tweak that as well. So, right now it says for YouTube videos clipped with Obsidian Web Clipper, also open or inspect the YouTube source URL and add the channel name to the generated knowledge page front matter. But instead of that, I'm going to say add the channel name to the original source page front matter. I I want it to link back to the original source. So, I'm going to add a step right after step three here and say cross-link any knowledge pages generated or updated to the original source page.
**21:15** · Basically, I don't want these pages orphaned. If there's a new wiki page here, I want it to link to the original page here. So, that's the manual way to update the agents.md file, but you can also do it by prompting it inside of Codex. So, if I come to my second brain project, create a new chat here, I can give it instructions on additional things that I want to happen. So, I mentioned my journal and I mentioned my CRM. So, let me go ahead and build the bones for that here. I will close these folders to clean everything up. I will create a new folder called journal and a new folder called CRM. **21:15** · Basically, I don't want these pages orphaned. If there's a new knowledge page here, I want it to link to the original page here. So, that's the manual way to update the agents.md file, but you can also do it by prompting it inside of Codex. So, if I come to my second brain project, create a new chat here, I can give it instructions on additional things that I want to happen. So, I mentioned my journal and I mentioned my CRM. So, let me go ahead and build the bones for that here. I will close these folders to clean everything up. I will create a new folder called journal and a new folder called CRM.
### Umożliwienie sztucznej inteligencji aktualizacji agenta i budowanie dziennika/CRM ### Umożliwienie sztucznej inteligencji aktualizacji agenta i budowanie dziennika/CRM
**21:46** · Now, I can come to Codex and say update the agents.md file to handle these items. Number one, if I start a chat with journal, add the text of that chat and subsequent conversation as a new md file within the journal folder. The entire conversation should be added to the markdown file. **21:46** · Now, I can come to Codex and say update the agents.md file to handle these items. Number one, if I start a chat with journal, add the text of that chat and subsequent conversation as a new md file within the journal folder. The entire conversation should be added to the markdown file.
**22:05** · Create an index file in the journal folder that's similar to the wiki index file. Each new journal entry gets added to the index file. Decide on a short title for the journal entry based on the contents of the journal and use the date and the title as the journal entry file name. Add the date and title to the index and link to the entry. Also, log the journal entry title and short summary in the log.md file. Your response to my journal entry should be grounded in content from the wiki in the same way you view the index and respond to my chat questions based on what's in the wiki. **22:05** · Create an index file in the journal folder that's similar to the knowledge index file. Each new journal entry gets added to the index file. Decide on a short title for the journal entry based on the contents of the journal and use the date and the title as the journal entry file name. Add the date and title to the index and link to the entry. Also, log the journal entry title and short summary in the log.md file. Your response to my journal entry should be grounded in content from the knowledge in the same way you view the index and respond to my chat questions based on what's in the knowledge.
**22:34** · Provide advice and insights to my journal entries based on what's available in the wiki, as well as your own LLM knowledge. Provide helpful advice, insights, guidance, tactics, and ideas using what you know, along with what's available from the wiki, past journal entries, and the CRM. So, when I journal, I want it to look in the wiki, find information that's helpful to what I just journaled on. I want it to look in past journal entries to see if there's anything relevant I've journaled on in the past, and I want it to look at my CRM and see if there's conversations I've had with people about what I'm journaling about, too, for the CRM. **22:34** · Provide advice and insights to my journal entries based on what's available in the knowledge, as well as your own LLM knowledge. Provide helpful advice, insights, guidance, tactics, and ideas using what you know, along with what's available from the knowledge, past journal entries, and the CRM. So, when I journal, I want it to look in the knowledge, find information that's helpful to what I just journaled on. I want it to look in past journal entries to see if there's anything relevant I've journaled on in the past, and I want it to look at my CRM and see if there's conversations I've had with people about what I'm journaling about, too, for the CRM.
**23:03** · If I tell you I'm giving you information for the CRM, either update the person in the CRM or add the person to the CRM. CRM file should always be a person's name. I will share details about a person, their name, contact details I have for them, details about where or how we met, things that I know about them, etc. **23:03** · If I tell you I'm giving you information for the CRM, either update the person in the CRM or add the person to the CRM. CRM file should always be a person's name. I will share details about a person, their name, contact details I have for them, details about where or how we met, things that I know about them, etc.
@@ -159,7 +159,7 @@ tags:
**23:38** · I want it to update these two things in our agents.md file, which will make it so that whenever I chat with my second brain project here in Codex, it's either one going to answer the question that I asked it using the sort of query task that's already built into the agent, it's going to handle it as a journal if I preempt it with journal here, or if I tell the chatbot that it's for the CRM, it will update the CRM section. **23:38** · I want it to update these two things in our agents.md file, which will make it so that whenever I chat with my second brain project here in Codex, it's either one going to answer the question that I asked it using the sort of query task that's already built into the agent, it's going to handle it as a journal if I preempt it with journal here, or if I tell the chatbot that it's for the CRM, it will update the CRM section.
**24:02** · So, I'm going to let it go ahead and update our agents.md file, create the various index files, and that should build out the system for these elements. Okay, so we can see that it updated the agents.md file with our journal rules, our CRM rules, and if we open up Obsidian once again, I can open my journal folder and you can see we've got an index with date entry and summary, and if I open up my CRM, we've got our index with the person and the summary, and where most of the updates happened was this agents.md file. So, now below the wiki section, we have a journal section. **24:02** · So, I'm going to let it go ahead and update our agents.md file, create the various index files, and that should build out the system for these elements. Okay, so we can see that it updated the agents.md file with our journal rules, our CRM rules, and if we open up Obsidian once again, I can open my journal folder and you can see we've got an index with date entry and summary, and if I open up my CRM, we've got our index with the person and the summary, and where most of the updates happened was this agents.md file. So, now below the knowledge section, we have a journal section.
**24:34** · It built all the rules that I just asked it to build for me, and then we also have our CRM section. **24:34** · It built all the rules that I just asked it to build for me, and then we also have our CRM section.
@@ -177,25 +177,25 @@ tags:
**26:22** · I also talk about how I know how to write titles that will get a lot of clicks, but I also hate the whole clickbait thing, so I end up making titles that I know will get less clicks because they're more literal to what the video is about, and I constantly grapple with making videos that will get a lot of clicks, but knowing I'll get hate in the comments because they're too click-baity versus making videos that the title is very literal, so I won't get the hate comments, but I'll also get a lot of less views. **26:22** · I also talk about how I know how to write titles that will get a lot of clicks, but I also hate the whole clickbait thing, so I end up making titles that I know will get less clicks because they're more literal to what the video is about, and I constantly grapple with making videos that will get a lot of clicks, but knowing I'll get hate in the comments because they're too click-baity versus making videos that the title is very literal, so I won't get the hate comments, but I'll also get a lot of less views.
**26:50** · And that's something that I grapple with, and I know pretty much every YouTuber grapples with. And so, that's my short journal entry. So, let's go ahead and submit that and see what happens. I'll treat this as a journal entry and grab the response in the vault first. Going to read the indexes, look for relevant prior notes around creating video attention, then I'll write the journal file before answering. The vault has several creator strategy pages. I'm pulling those in rather than answering from a blank slate. There aren't prior journal entries yet, and the CRM doesn't appear relevant to this one. So, it's just pulling from the wiki. Okay, and check out this journal response here. **26:50** · And that's something that I grapple with, and I know pretty much every YouTuber grapples with. And so, that's my short journal entry. So, let's go ahead and submit that and see what happens. I'll treat this as a journal entry and grab the response in the vault first. Going to read the indexes, look for relevant prior notes around creating video attention, then I'll write the journal file before answering. The vault has several creator strategy pages. I'm pulling those in rather than answering from a blank slate. There aren't prior journal entries yet, and the CRM doesn't appear relevant to this one. So, it's just pulling from the knowledge. Okay, and check out this journal response here.
**27:20** · I think there are two fears braided together here, creative integrity and channel safety. One part of you does not want to betray the video with a title that feels gross. Another part is afraid that a few underperformers will teach YouTube not to trust you. The creator notes in the vault push back on the second fear. YouTube value of death and creator persistence both frame visible metrics as lagging indicators. A few lower view videos are not a downward spiral, blah blah blah. So, it is actually grounding the response to my journal in what is existing in the wiki. **27:20** · I think there are two fears braided together here, creative integrity and channel safety. One part of you does not want to betray the video with a title that feels gross. Another part is afraid that a few underperformers will teach YouTube not to trust you. The creator notes in the vault push back on the second fear. YouTube value of death and creator persistence both frame visible metrics as lagging indicators. A few lower view videos are not a downward spiral, blah blah blah. So, it is actually grounding the response to my journal in what is existing in the knowledge.
**27:49** · And then it actually goes on to just give a response that ChatGPT would normally give, but it's pulling from both the knowledge built into the LLM as well as the knowledge in the wiki. So, that's all working exactly as intended. And then if I want to pop open Obsidian here, I can open my journal folder, and we can see here is my journal entry. Here is what the assistant replied with. **27:49** · And then it actually goes on to just give a response that ChatGPT would normally give, but it's pulling from both the knowledge built into the LLM as well as the knowledge in the knowledge. So, that's all working exactly as intended. And then if I want to pop open Obsidian here, I can open my journal folder, and we can see here is my journal entry. Here is what the assistant replied with.
**28:10** · Here's some synthesis, and here's some related content about what I'm journaling about. If I look at my index here, it automatically logged the date, the entry title, and a quick like one paragraph summary of what my journal entry is about. Now, I want some of this to happen on autopilot. I don't want to have to jump into Codex constantly and tell it to process everything that I saved in here. And there's an easy solution for that. Before I show you, I'm going to do one thing. **28:10** · Here's some synthesis, and here's some related content about what I'm journaling about. If I look at my index here, it automatically logged the date, the entry title, and a quick like one paragraph summary of what my journal entry is about. Now, I want some of this to happen on autopilot. I don't want to have to jump into Codex constantly and tell it to process everything that I saved in here. And there's an easy solution for that. Before I show you, I'm going to do one thing.
**28:34** · I'm going to go ahead and clean up my existing Obsidian wiki because, remember, I want these to all get moved into processed, and I also want it to save the YouTube channel name up here in the front matter. So, I'm going to tell it, "Please reprocess all of the files in the raw directory following the recent updated instructions on how to process them." So, I'm going to let that process. It's going to clean up my wiki real quick. **28:34** · I'm going to go ahead and clean up my existing Obsidian knowledge because, remember, I want these to all get moved into processed, and I also want it to save the YouTube channel name up here in the front matter. So, I'm going to tell it, "Please reprocess all of the files in the raw directory following the recent updated instructions on how to process them." So, I'm going to let that process. It's going to clean up my knowledge real quick.
**29:01** · All right, now that that's finished and my Obsidian vault is cleaned up and we can see all of my videos have been moved to process and it added the channel name to the original videos here. Let's automate some of this. So, in Codex here, you've got a feature called automations. This is where you can set it up to do recurring tasks. So, if I click into automations here, select new automation. For automation title, we'll call it process second brain raw files. For work tree, I'm going to set it on local so it runs directly in the selected project. For our project, we're going to select second brain. Here, we'll select when we want it to run. **29:01** · All right, now that that's finished and my Obsidian vault is cleaned up and we can see all of my videos have been moved to process and it added the channel name to the original videos here. Let's automate some of this. So, in Codex here, you've got a feature called automations. This is where you can set it up to do recurring tasks. So, if I click into automations here, select new automation. For automation title, we'll call it process second brain raw files. For work tree, I'm going to set it on local so it runs directly in the selected project. For our project, we're going to select second brain. Here, we'll select when we want it to run.
### Automatyzacja linkowania Wiki ### Automatyzacja linkowania Knowledge Base
**29:33** · I'm going to go ahead and set mine to hourly, but you can do it at whatever cadence you want. And I'm just going to say if there are any unprocessed files inside the raw directory, please process them now. For the model, I'm going to set it as a GPT-5.5. **29:33** · I'm going to go ahead and set mine to hourly, but you can do it at whatever cadence you want. And I'm just going to say if there are any unprocessed files inside the raw directory, please process them now. For the model, I'm going to set it as a GPT-5.5.
**29:49** · I recommend just using the strongest model you have available. I'm going to set it on high reasoning and I will create this automation. Now, it's going to run every hour, see if there's anything in my raw folder that's unprocessed, and then it will process it. And that's it. That's the whole process now. Whenever I come across stuff I want to save, I just use the Obsidian web clipper and clip it into my raw folder automatically. And every hour, it's going to ingest that and turn it into one of the wiki pages. If I want to add somebody to my CRM, I just open up Codex, create a new chat inside of this project, and add the CRM details. **29:49** · I recommend just using the strongest model you have available. I'm going to set it on high reasoning and I will create this automation. Now, it's going to run every hour, see if there's anything in my raw folder that's unprocessed, and then it will process it. And that's it. That's the whole process now. Whenever I come across stuff I want to save, I just use the Obsidian web clipper and clip it into my raw folder automatically. And every hour, it's going to ingest that and turn it into one of the knowledge pages. If I want to add somebody to my CRM, I just open up Codex, create a new chat inside of this project, and add the CRM details.
**30:21** · If I feel like journaling right now, I can journal straight into my second brain, and it will ground the response in what's available in my wiki, past journals, and within my CRM. If you want an extra layer of backup, you can also go to GitHub, create a new repository on GitHub. I'm going to go ahead and call this one second brain. I'm going to set this to private, so it's only available to me, and I'll create the repository. **30:21** · If I feel like journaling right now, I can journal straight into my second brain, and it will ground the response in what's available in my knowledge, past journals, and within my CRM. If you want an extra layer of backup, you can also go to GitHub, create a new repository on GitHub. I'm going to go ahead and call this one second brain. I'm going to set this to private, so it's only available to me, and I'll create the repository.
### Tworzenie kopii zapasowej na GitHubie ### Tworzenie kopii zapasowej na GitHubie
@@ -203,15 +203,15 @@ tags:
**31:02** · You can see I'm already synced with GitHub, but if you haven't done that already, just add the GitHub plugin and go through the motions to get that set up, and you should be good to go. And it went ahead and pushed it to GitHub, so if I open my browser here and refresh, we can see everything I've created is all saved on GitHub now. If I jump back into Codex, I can go to my automation and edit this automation and say if there are any unprocessed files in the raw directory, please process them now. **31:02** · You can see I'm already synced with GitHub, but if you haven't done that already, just add the GitHub plugin and go through the motions to get that set up, and you should be good to go. And it went ahead and pushed it to GitHub, so if I open my browser here and refresh, we can see everything I've created is all saved on GitHub now. If I jump back into Codex, I can go to my automation and edit this automation and say if there are any unprocessed files in the raw directory, please process them now.
**31:28** · Once everything is processed, please commit and push the current version of the directory to the main branch on GitHub. So, now it's going to process everything in the raw directory, and then once it's done processing, it's going to update GitHub so that backup is constantly happening every hour. And there you have it. There's the whole second brain process. Not only do you have a wiki of all of the information you're finding and saving from around the internet, but now you have a journal and a CRM that's built on top of it as well. **31:28** · Once everything is processed, please commit and push the current version of the directory to the main branch on GitHub. So, now it's going to process everything in the raw directory, and then once it's done processing, it's going to update GitHub so that backup is constantly happening every hour. And there you have it. There's the whole second brain process. Not only do you have a knowledge of all of the information you're finding and saving from around the internet, but now you have a journal and a CRM that's built on top of it as well.
### Podsumowanie i końcowe przemyślenia ### Podsumowanie i końcowe przemyślenia
**31:51** · And if you ever want to tweak how it operates, you just open up Obsidian, which is your visibility layer to see how everything is built, and you go into agents.md, and you just tweak the instructions. This is all just prompts at the end of the day. You just change how it gets prompted. And in the short amount of time that we've been working on it, this is what our graph view looks like now, and we can start to see all of these things interconnect with each other a little bit more. Do this for a few days and a few weeks, and the next thing you know, you have a vault that looks like this. **31:51** · And if you ever want to tweak how it operates, you just open up Obsidian, which is your visibility layer to see how everything is built, and you go into agents.md, and you just tweak the instructions. This is all just prompts at the end of the day. You just change how it gets prompted. And in the short amount of time that we've been working on it, this is what our graph view looks like now, and we can start to see all of these things interconnect with each other a little bit more. Do this for a few days and a few weeks, and the next thing you know, you have a vault that looks like this.
**32:19** · Uh yeah, pretty insane, crazy vault that just has a ton of information saved inside of it. So, I know that video was long. There was a lot of details. I wanted to make sure it was very clear and you got the whole process, and I didn't skip any steps, but I want to show you how I've been building this sort of second brain concept that I can journal on top of that I have a CRM on top of where all of the wiki elements are interconnected. **32:19** · Uh yeah, pretty insane, crazy vault that just has a ton of information saved inside of it. So, I know that video was long. There was a lot of details. I wanted to make sure it was very clear and you got the whole process, and I didn't skip any steps, but I want to show you how I've been building this sort of second brain concept that I can journal on top of that I have a CRM on top of where all of the knowledge elements are interconnected.
**32:42** · You can even dial it in more by building in separate folders and telling it to break out people from different pieces of content and break out companies from different pieces of content and really, really dial in that wiki more and more and more. But really, really cool concept. All you really need is Obsidian and Codex. Anthropic's co-work or Claude code also works. Whatever your sort of front-end chat platform of choice is. **32:42** · You can even dial it in more by building in separate folders and telling it to break out people from different pieces of content and break out companies from different pieces of content and really, really dial in that knowledge more and more and more. But really, really cool concept. All you really need is Obsidian and Codex. Anthropic's co-work or Claude code also works. Whatever your sort of front-end chat platform of choice is.
**33:07** · I've been really liking Codex lately, so that's what I've been using. But yeah, go build it. It's really, really cool and a lot simpler than you think and over time it just gets smarter and smarter and smarter and more and more powerful. So, that's what I got for you. **33:07** · I've been really liking Codex lately, so that's what I've been using. But yeah, go build it. It's really, really cool and a lot simpler than you think and over time it just gets smarter and smarter and smarter and more and more powerful. So, that's what I got for you.
@@ -219,4 +219,4 @@ tags:
**33:37** · I'll take on the overwhelm and just report what I think is the most interesting. I put those videos out every single Friday. If stuff like that, as well as tutorials like this, are something that interest you, maybe consider liking this video and subscribing to this channel. It really, really helps me out a lot. But again, that's what I got. Thanks for hanging out with me, nerding out with me. Hopefully, I'll see you in the next one. **33:37** · I'll take on the overwhelm and just report what I think is the most interesting. I put those videos out every single Friday. If stuff like that, as well as tutorials like this, are something that interest you, maybe consider liking this video and subscribing to this channel. It really, really helps me out a lot. But again, that's what I got. Thanks for hanging out with me, nerding out with me. Hopefully, I'll see you in the next one.
**33:55** · Bye-bye. **33:55** · Bye-bye.
brain/raw/articles/I rebuilt Karpathy's LLM Wiki. Here's what's missing from the original..md → brain/raw/articles/I rebuilt Karpathy's LLM knowledge. Here's what's missing from the original..md
+36 -36
View File
@@ -1,41 +1,41 @@
--- ---
title: "I rebuilt Karpathy's LLM Wiki. Here's what's missing from the original." title: "I rebuilt Karpathy's LLM Knowledge Base. Here's what's missing from the original."
source: "https://theaioperator.io/p/i-rebuilt-karpathys-llm-wiki-heres" source: "https://theaioperator.io/p/i-rebuilt-karpathys-llm-knowledge-heres"
author: author:
- "[[Eugeniu Ghelbur]]" - "[[Eugeniu Ghelbur]]"
published: 2026-04-29 published: 2026-04-29
created: 2026-06-10 created: 2026-06-10
description: "Looking for Karpathy's original LLM Wiki gist? It's in here. Plus the five things a working second brain does that the original doesn't, shipped as 34 open-source slash commands." description: "Looking for Karpathy's original LLM Knowledge Base gist? It's in here. Plus the five things a working second brain does that the original doesn't, shipped as 34 open-source slash commands."
tags: tags:
- "clippings" - "clippings"
--- ---
### Szukasz oryginalnego gistu LLM na Wiki Karpathy'ego? Jest tutaj. Do tego pięć rzeczy, które robi działający drugi mózg, a oryginał nie, wydane jako 34 otwartoźródłowe komendy ukośnicze (ukoś). ### Szukasz oryginalnego gistu LLM na Knowledge Base Karpathy'ego? Jest tutaj. Do tego pięć rzeczy, które robi działający drugi mózg, a oryginał nie, wydane jako 34 otwartoźródłowe komendy ukośnicze (ukoś).
Codziennie korzystasz z Claude'a. Każda sesja zaczyna się od zera. Wyjaśniasz wszystko na nowo, co już wczoraj wyjaśniłeś. Rozmowa się kończy. Wszystko znika. Codziennie korzystasz z Claude'a. Każda sesja zaczyna się od zera. Wyjaśniasz wszystko na nowo, co już wczoraj wyjaśniłeś. Rozmowa się kończy. Wszystko znika.
![](https://substackcdn.com/image/fetch/$s_!-WD2!,w_1456,c_limit,f_webp,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2Fac1ae0a8-13c3-4806-bef6-8787d1ac12db_911x606.png) ![](https://substackcdn.com/image/fetch/$s_!-WD2!,w_1456,c_limit,f_webp,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2Fac1ae0a8-13c3-4806-bef6-8787d1ac12db_911x606.png)
Szybka orientacja. Jeśli przyszedłeś tutaj szukając oryginalnego gistu LLM Wiki Karpathy'ego, oto on: [oryginalny gist LLM Wiki Karpathy'ego.](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f) Dodaj to do zakładek, to nadal najczystszy punkt startowy. Poniżej znajduje się wersja, którą na nim zbudowałem – drugi mózg, który sam się przepisuje, otwartoźródłowy, żebyś mógł go sklonować: [https://github.com/eugeniughelbur/obsidian-second-brain](https://github.com/eugeniughelbur/obsidian-second-brain) Szybka orientacja. Jeśli przyszedłeś tutaj szukając oryginalnego gistu LLM Knowledge Base Karpathy'ego, oto on: [oryginalny gist LLM Knowledge Base Karpathy'ego.](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f) Dodaj to do zakładek, to nadal najczystszy punkt startowy. Poniżej znajduje się wersja, którą na nim zbudowałem – drugi mózg, który sam się przepisuje, otwartoźródłowy, żebyś mógł go sklonować: [https://github.com/eugeniughelbur/obsidian-second-brain](https://github.com/eugeniughelbur/obsidian-second-brain)
--- ---
## TL; DR ## TL; DR
- Wiki LLM Karpathy'ego opisuje właściwy wzorzec, ale na poziomie intencji: integruj nowe źródła, okresowo usuwaj kłaczki, traktuj wiki jako źródło główne. To jest plan koncepcyjny, a nie konfigurowalny szczegół. - Knowledge Base LLM Karpathy'ego opisuje właściwy wzorzec, ale na poziomie intencji: integruj nowe źródła, okresowo usuwaj kłaczki, traktuj knowledge jako źródło główne. To jest plan koncepcyjny, a nie konfigurowalny szczegół.
- Różnica między treścią a działającym systemem tkwi w mechanice: jak integracja radzi sobie ze sprzecznościami, jak lint działa bez twojego pytania i dla kogo wiki jest faktycznie napisane. - Różnica między treścią a działającym systemem tkwi w mechanice: jak integracja radzi sobie ze sprzecznościami, jak lint działa bez twojego pytania i dla kogo knowledge jest faktycznie napisane.
- Ta odbudowa uzupełnia specyfikację na pięciu osiach: określone mechaniki integracji, automatyczne uzgadnianie sprzeczności, nieproszona synteza, zaplanowane agenty konserwacyjne oraz notatki napisane z myślą o odzyskiwaniu przez AI, a nie przez człowieka. - Ta odbudowa uzupełnia specyfikację na pięciu osiach: określone mechaniki integracji, automatyczne uzgadnianie sprzeczności, nieproszona synteza, zaplanowane agenty konserwacyjne oraz notatki napisane z myślą o odzyskiwaniu przez AI, a nie przez człowieka.
- Najbardziej sprzeczną z tych pięciu jest zasada AI – najpierw Vault: notatki zaprojektowane tak, by przyszły Claude mógł je przeczytać w 10 sekund, a nie tak w przyszłości – można je przeczytać ponownie w 30 minut. Ogólny tekst Karpathy'ego traktuje wiki jako służącą zarówno ludziom, jak i LLM; Ta przebudowa odwraca to. - Najbardziej sprzeczną z tych pięciu jest zasada AI – najpierw Vault: notatki zaprojektowane tak, by przyszły Claude mógł je przeczytać w 10 sekund, a nie tak w przyszłości – można je przeczytać ponownie w 30 minut. Ogólny tekst Karpathy'ego traktuje knowledge jako służącą zarówno ludziom, jak i LLM; Ta przebudowa odwraca to.
- Implementacja open-source jest dostępna jako umiejętność Claude Code z 31 komendami ukośnika i 4 zaplanowanymi agentami. - Implementacja open-source jest dostępna jako umiejętność Claude Code z 31 komendami ukośnika i 4 zaplanowanymi agentami.
--- ---
## Jaki jest wzór LLM na Wiki Karpathy'ego? ## Jaki jest wzór LLM na Knowledge Base Karpathy'ego?
**LLM Wiki Karpathy'ego to wzorzec bazy wiedzy opublikowany jako publiczna informacja na początku 2026 roku.** Wkładasz źródła do folderu. LLM je czyta, wyodrębnia byty i koncepcje na strony wiki oraz łączy wszystko. Na przyszłe pytania odpowiada się z wiki, a nie z nowego wyszukiwania w internecie. **LLM Knowledge Base Karpathy'ego to wzorzec bazy wiedzy opublikowany jako publiczna informacja na początku 2026 roku.** Wkładasz źródła do folderu. LLM je czyta, wyodrębnia byty i koncepcje na strony knowledge oraz łączy wszystko. Na przyszłe pytania odpowiada się z knowledge, a nie z nowego wyszukiwania w internecie.
Pełny schemat tkwi w [sercu Karpathy'ego](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f). Główna intuicja jest trafna i ważna: **wiki to produkt, czat to tylko interfejs**. Istnieją już odwołania krzyżowe. Synteza już odzwierciedla wszystko, co zostało przeczytane. Wiedza narasta jak zainteresowanie, zamiast być regenerowana od zera za każdym razem, gdy otwierasz czat. Pełny schemat tkwi w [sercu Karpathy'ego](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f). Główna intuicja jest trafna i ważna: **knowledge to produkt, czat to tylko interfejs**. Istnieją już odwołania krzyżowe. Synteza już odzwierciedla wszystko, co zostało przeczytane. Wiedza narasta jak zainteresowanie, zamiast być regenerowana od zera za każdym razem, gdy otwierasz czat.
To był właściwy punkt wyjścia. To także miejsce, gdzie większość implementacji się kończy. Na rok 2026-04 każda publiczna implementacja Karpathy-Wiki, którą przeglądałem (sześć na GitHubie, dwie na Substacku, jedna na dev.to), traktuje oryginalną koncepcję jako kompletną specyfikację. Żadne z nich nie rozwiązuje problemów, które pojawiają się, gdy twoja wiki przechodzi przez kilkaset źródeł. To był właściwy punkt wyjścia. To także miejsce, gdzie większość implementacji się kończy. Na rok 2026-04 każda publiczna implementacja Karpathy-Knowledge Base, którą przeglądałem (sześć na GitHubie, dwie na Substacku, jedna na dev.to), traktuje oryginalną koncepcję jako kompletną specyfikację. Żadne z nich nie rozwiązuje problemów, które pojawiają się, gdy twoja knowledge przechodzi przez kilkaset źródeł.
![](https://substackcdn.com/image/fetch/$s_!4nO5!,w_1456,c_limit,f_webp,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F13b04a04-63eb-45c5-b4bc-57f1942e667a_1672x941.png) ![](https://substackcdn.com/image/fetch/$s_!4nO5!,w_1456,c_limit,f_webp,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F13b04a04-63eb-45c5-b4bc-57f1942e667a_1672x941.png)
@@ -45,7 +45,7 @@ To był właściwy punkt wyjścia. To także miejsce, gdzie większość impleme
**Wzór Karpathy'ego jest z założenia wyłącznie do dołączenia.** Każde wejście tworzy nowe strony i dodaje odwołania; istniejące strony pozostają zamrożone. To działa dla pierwszych 50 do 100 źródeł. Poza tym trzy tryby awarii się kumulują: roszczenia stają się przestarzałe, sprzeczności narastają szybciej, niż je rozwiązujesz, a wykres krzyżowy staje się zbyt gęsty, by można było go ręcznie poruszać. **Wzór Karpathy'ego jest z założenia wyłącznie do dołączenia.** Każde wejście tworzy nowe strony i dodaje odwołania; istniejące strony pozostają zamrożone. To działa dla pierwszych 50 do 100 źródeł. Poza tym trzy tryby awarii się kumulują: roszczenia stają się przestarzałe, sprzeczności narastają szybciej, niż je rozwiązujesz, a wykres krzyżowy staje się zbyt gęsty, by można było go ręcznie poruszać.
Wiki zbudowane w ten sposób to w zasadzie dziennik z linkami wewnętrznymi. Rejestruje to, co czytasz, ale nie aktualizuje tego, co wcześniej wierzyłeś. Jeśli wejdziesz film na YouTube o osobie, która zmieniła pracę, otrzymujesz nową stronę źródłową z nowym faktem oraz link zwrotny na jej istniejącej stronie. Strona tej osoby nadal opisuje ją w poprzedniej pracy. Przyszły Claude czytający stronę widzi oba, nie ma sposobu, by wiedzieć, który jest aktualny, i daje ci zawieszoną odpowiedź. Knowledge Base zbudowane w ten sposób to w zasadzie dziennik z linkami wewnętrznymi. Rejestruje to, co czytasz, ale nie aktualizuje tego, co wcześniej wierzyłeś. Jeśli wejdziesz film na YouTube o osobie, która zmieniła pracę, otrzymujesz nową stronę źródłową z nowym faktem oraz link zwrotny na jej istniejącej stronie. Strona tej osoby nadal opisuje ją w poprzedniej pracy. Przyszły Claude czytający stronę widzi oba, nie ma sposobu, by wiedzieć, który jest aktualny, i daje ci zawieszoną odpowiedź.
Naprawa jest konstrukcyjna. Prawdziwy drugi mózg musi przepisywać, godzić, syntetyzować, planować i przepisywać dla AI. Pięć przedłużeń. Poniżej. Naprawa jest konstrukcyjna. Prawdziwy drugi mózg musi przepisywać, godzić, syntetyzować, planować i przepisywać dla AI. Pięć przedłużeń. Poniżej.
@@ -57,19 +57,19 @@ Naprawa jest konstrukcyjna. Prawdziwy drugi mózg musi przepisywać, godzić, sy
**Prawdziwe przepisania wywiadu.** Kiedy wgrywam film na YouTube o kimś, kto już jest w moim skarbcu, strona tej osoby jest aktualizowana. Status startupu zmienia się z "rozważam dołączenie" na "dołączył w marcu 2026". Teza, która była "spekulacją", staje się "potwierdzona". Stara wersja jest zachowana jako datowany wpis poniżej, nie usunięta, ale aktualny stan strony odzwierciedla najnowsze dowody. **Prawdziwe przepisania wywiadu.** Kiedy wgrywam film na YouTube o kimś, kto już jest w moim skarbcu, strona tej osoby jest aktualizowana. Status startupu zmienia się z "rozważam dołączenie" na "dołączył w marcu 2026". Teza, która była "spekulacją", staje się "potwierdzona". Stara wersja jest zachowana jako datowany wpis poniżej, nie usunięta, ale aktualny stan strony odzwierciedla najnowsze dowody.
To jest różnica między rozwijającą się wiki a wiki, która się uczy. Bazy wiedzy tylko do dołączania stają się niewidoczne i niewidoczne, bo nic w ich czytaniu nie mówi, że fakt pochodzi z 2024 roku. Przepisywanie zmusza każdą stronę, by na górze była najlepsza odpowiedź. To jest różnica między rozwijającą się knowledge a knowledge, która się uczy. Bazy wiedzy tylko do dołączania stają się niewidoczne i niewidoczne, bo nic w ich czytaniu nie mówi, że fakt pochodzi z 2024 roku. Przepisywanie zmusza każdą stronę, by na górze była najlepsza odpowiedź.
![](https://substackcdn.com/image/fetch/$s_!87rV!,w_1456,c_limit,f_webp,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2Fd596c8d3-aebb-4c67-b91c-fe6a4953278d_1672x941.png) ![](https://substackcdn.com/image/fetch/$s_!87rV!,w_1456,c_limit,f_webp,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2Fd596c8d3-aebb-4c67-b91c-fe6a4953278d_1672x941.png)
### 2\. Sprzeczności muszą być rozwiązywane, a nie tylko oznaczane ### 2\. Sprzeczności muszą być rozwiązywane, a nie tylko oznaczane
**Wzorzec Karpathy'ego wytyka sprzeczności podczas spożycia. Rozwiązujesz je ręcznie.** W małej wiki to działa. W skarbcu dłuższym niż kilkaset stron sprzeczności gromadzą się szybciej, niż zdążysz je rozwiązać. Wiki staje się wewnętrznie niespójna, a przyszły Claude czerpiący z niej otrzymuje sprzeczne dane wejściowe i generuje zabezpieczone wyniki. **Wzorzec Karpathy'ego wytyka sprzeczności podczas spożycia. Rozwiązujesz je ręcznie.** W małej knowledge to działa. W skarbcu dłuższym niż kilkaset stron sprzeczności gromadzą się szybciej, niż zdążysz je rozwiązać. Knowledge Base staje się wewnętrznie niespójna, a przyszły Claude czerpiący z niej otrzymuje sprzeczne dane wejściowe i generuje zabezpieczone wyniki.
Rozwiązaniem jest automatyczne uzgadnianie. Dedykowany proces skanuje skarbiec, znajduje twierdzenia sprzeczne ze sobą na stronach i rozstrzyga je według aktualności źródła, autorytetu źródła oraz wyraźnych poziomów zaufania. Najbardziej aktualne, najlepiej zweryfikowane i najwyższe zaufanie wygrywa twierdzenie. Przegrany roszczenie jest archiwizowane wraz z wyjaśnieniem, dlaczego zostało zastąpione. Skarbiec pozostaje wewnętrznie spójny bez twojej pilnowania. Rozwiązaniem jest automatyczne uzgadnianie. Dedykowany proces skanuje skarbiec, znajduje twierdzenia sprzeczne ze sobą na stronach i rozstrzyga je według aktualności źródła, autorytetu źródła oraz wyraźnych poziomów zaufania. Najbardziej aktualne, najlepiej zweryfikowane i najwyższe zaufanie wygrywa twierdzenie. Przegrany roszczenie jest archiwizowane wraz z wyjaśnieniem, dlaczego zostało zastąpione. Skarbiec pozostaje wewnętrznie spójny bez twojej pilnowania.
### 3\. Wzory muszą być ujawnione bez pytania ### 3\. Wzory muszą być ujawnione bez pytania
**Wiki Karpathy'ego odpowiada na pytania, które mu zadasz. Nie może powiedzieć ci o wzorcach, które zauważył, a ty tego nie zrobiłeś.** To ogromna zmarnowana szansa. Połowa wartości bazy wiedzy to to, że LLM mówi ci: "wspomniałeś o tym pomyśle siedem razy w pięciu różnych notatkach i nigdy go nie nazwałeś. Oto o co chodzi." **Knowledge Base Karpathy'ego odpowiada na pytania, które mu zadasz. Nie może powiedzieć ci o wzorcach, które zauważył, a ty tego nie zrobiłeś.** To ogromna zmarnowana szansa. Połowa wartości bazy wiedzy to to, że LLM mówi ci: "wspomniałeś o tym pomyśle siedem razy w pięciu różnych notatkach i nigdy go nie nazwałeś. Oto o co chodzi."
Działający drugi mózg samodzielnie wykonuje syntezę. Przeszukuje skarbiec w poszukiwaniu nienazwanych, powtarzających się motywów, ukrytych sprzeczności między deklarowanymi wartościami ludzi a ich rzeczywistymi decyzjami oraz powiązań między projektami, które wydają się niepowiązane. Pisze strony syntezy bez wywołania wywołania. Skarbiec mówi ci, co zauważył w tobie. Działający drugi mózg samodzielnie wykonuje syntezę. Przeszukuje skarbiec w poszukiwaniu nienazwanych, powtarzających się motywów, ukrytych sprzeczności między deklarowanymi wartościami ludzi a ich rzeczywistymi decyzjami oraz powiązań między projektami, które wydają się niepowiązane. Pisze strony syntezy bez wywołania wywołania. Skarbiec mówi ci, co zauważył w tobie.
@@ -81,40 +81,40 @@ Rozwiązaniem są agenci na zaplanowanym poziomie. Nocny proces zamyka dzień, p
### 5\. Notatki muszą być pisane dla AI, a nie dla ludzi ### 5\. Notatki muszą być pisane dla AI, a nie dla ludzi
**To najbardziej kontrariański punkt i główny punkt tego artykułu.** Każda tradycja zarządzania wiedzą osobistą (Zettelkasten, Budowanie drugiego mózgu, [wieczne notatki](https://notes.andymatuschak.org/Evergreen_notes)) optymalizuje notatki do czytania przez człowieka. Wzorzec Karpathy'ego podąża za tą konwencją. Strony wiki wyglądają jak artykuły z Wikipedii, napisane płynną prozą, zaprojektowane tak, by człowiek mógł je pobieżnie czytać. **To najbardziej kontrariański punkt i główny punkt tego artykułu.** Każda tradycja zarządzania wiedzą osobistą (Zettelkasten, Budowanie drugiego mózgu, [wieczne notatki](https://notes.andymatuschak.org/Evergreen_notes)) optymalizuje notatki do czytania przez człowieka. Wzorzec Karpathy'ego podąża za tą konwencją. Strony knowledge wyglądają jak artykuły z Knowledge Basepedii, napisane płynną prozą, zaprojektowane tak, by człowiek mógł je pobieżnie czytać.
Założenie jest błędne. **Nie czytasz własnych notatek.** LLM tak. Powinny być więc zoptymalizowane do wyszukiwania LLM, a nie do czytania przez człowieka. To jest zasada AI z Vault First i jest to największe odblokowanie w tej odbudowie. Założenie jest błędne. **Nie czytasz własnych notatek.** LLM tak. Powinny być więc zoptymalizowane do wyszukiwania LLM, a nie do czytania przez człowieka. To jest zasada AI z Vault First i jest to największe odblokowanie w tej odbudowie.
## Zasada AI – Pierwsza Skarbca ## Zasada AI – Pierwsza Skarbca
**Notatki zaprojektowane do wyszukiwania AI pokonują notatki przeznaczone do czytania przez człowieka, w każdym sejfie, gdzie LLM wykonuje większość czytania.** Każda notatka spełnia siedem zasad: preambuła, maszynowo czytelna część okładkowa, obowiązkowe wikilinki, markery aktualności dla zewnętrznych twierdzeń, zachowane adresy URL dosłownie, poziomy zaufania tam, gdzie to możliwe, oraz samodzielny kontekst, dzięki któremu notatka może być dostępna samodzielnie.`## For future Claude` **Notatki zaprojektowane do wyszukiwania AI pokonują notatki przeznaczone do czytania przez człowieka, w każdym sejfie, gdzie LLM wykonuje większość czytania.** Każda notatka spełnia siedem zasad: preambuła, maszynowo czytelna część okładkowa, obowiązkowe knowledgelinki, markery aktualności dla zewnętrznych twierdzeń, zachowane adresy URL dosłownie, poziomy zaufania tam, gdzie to możliwe, oraz samodzielny kontekst, dzięki któremu notatka może być dostępna samodzielnie.`## For future Claude`
```markup ```markup
--- ---
type: person type: person
name: "Andrej Karpathy" name: "Andrej Karpathy"
date: 2026-04-29 date: 2026-04-29
tags: [ai-researcher, llm-wiki-pattern] tags: [ai-researcher, llm-knowledge-pattern]
ai-first: true ai-first: true
confidence: high confidence: high
--- ---
## For future Claude ## For future Claude
Andrej Karpathy is the originator of the LLM Wiki pattern, published as a public Andrej Karpathy is the originator of the LLM Knowledge Base pattern, published as a public
gist in early 2026. He proposes that LLMs should maintain a living markdown wiki gist in early 2026. He proposes that LLMs should maintain a living markdown knowledge
as the primary knowledge artifact, not a vector store. Use this page as the as the primary knowledge artifact, not a vector store. Use this page as the
canonical reference when reasoning about the LLM Wiki pattern. canonical reference when reasoning about the LLM Knowledge Base pattern.
## Key claims ## Key claims
- The wiki is the product. Chat is the interface (as of 2026-02, karpathy gist). - The knowledge is the product. Chat is the interface (as of 2026-02, karpathy gist).
- Knowledge should compound across sessions. Source: same. - Knowledge should compound across sessions. Source: same.
- Cross-references should already exist when a question is asked. Source: same. - Cross-references should already exist when a question is asked. Source: same.
## Related ## Related
[[LLM Wiki Pattern]] · [[Obsidian Second Brain]] · [[Append vs Rewrite]] [[LLM Knowledge Base Pattern]] · [[Obsidian Second Brain]] · [[Append vs Rewrite]]
``` ```
Ta strona jest trudniejsza do przejrzenia dla człowieka niż zwykła notatka w stylu Wikipedii. LLM jest znacznie szybszy w pobieraniu, analizowaniu i rozumowaniu. Przednia część informuje LLM, jaki to rodzaj notatki w trzech linijkach. Preambuła "Na przyszłość Claude" mówi mu, czy warto czytać resztę, w kolejnych trzech zdaniach. Wskaźniki świeżości mówią mu, co ma zweryfikować. Wikilinki mówią, dokąd iść dalej. Ta strona jest trudniejsza do przejrzenia dla człowieka niż zwykła notatka w stylu Knowledge Basepedii. LLM jest znacznie szybszy w pobieraniu, analizowaniu i rozumowaniu. Przednia część informuje LLM, jaki to rodzaj notatki w trzech linijkach. Preambuła "Na przyszłość Claude" mówi mu, czy warto czytać resztę, w kolejnych trzech zdaniach. Wskaźniki świeżości mówią mu, co ma zweryfikować. Knowledge Baselinki mówią, dokąd iść dalej.
Odwrócenie jest niewygodne dla każdego, kto zainwestował w piękny skarbiec z Obsydianu. To także jedyna rzecz, która sprawia, że sejf powyżej kilkuset nut faktycznie się kumuluje w workflow opartym na LLM. Gdy przestaniesz udawać, że przeczytasz swoje notatki ponownie, możesz je napisać w sposób, który będzie się kumulował dla systemu, który to zrobi. Odwrócenie jest niewygodne dla każdego, kto zainwestował w piękny skarbiec z Obsydianu. To także jedyna rzecz, która sprawia, że sejf powyżej kilkuset nut faktycznie się kumuluje w workflow opartym na LLM. Gdy przestaniesz udawać, że przeczytasz swoje notatki ponownie, możesz je napisać w sposób, który będzie się kumulował dla systemu, który to zrobi.
@@ -124,7 +124,7 @@ Odwrócenie jest niewygodne dla każdego, kto zainwestował w piękny skarbiec z
## Jak to się ma do oryginalnej wersji Karpathy'ego i v2 Rohitg00 ## Jak to się ma do oryginalnej wersji Karpathy'ego i v2 Rohitg00
**Ta przebudowa jest trzecią wersją publicznego wzoru LLM Wiki.** Sedno Karpathy'ego (2026-02) to v1: pobieranie tylko do dodawania, ręczne kłaczki, notatki czytelne dla człowieka. [rohitg00 w LLM Wiki v2](https://gist.github.com/rohitg00/2067ab416f7bbe447c1977edaaa681e2) (2026-03) dodała punktowanie pewności siebie, zastąpienie przestarzałych twierdzeń i wykrywanie sprzeczności. Ta przebudowa dodaje trzy rzeczy, których v2 nadal nie posiada: zaplanowanych agentów, automatyczną syntezę oraz strukturę nut opartą na AI. **Ta przebudowa jest trzecią wersją publicznego wzoru LLM Knowledge Base.** Sedno Karpathy'ego (2026-02) to v1: pobieranie tylko do dodawania, ręczne kłaczki, notatki czytelne dla człowieka. [rohitg00 w LLM Knowledge Base v2](https://gist.github.com/rohitg00/2067ab416f7bbe447c1977edaaa681e2) (2026-03) dodała punktowanie pewności siebie, zastąpienie przestarzałych twierdzeń i wykrywanie sprzeczności. Ta przebudowa dodaje trzy rzeczy, których v2 nadal nie posiada: zaplanowanych agentów, automatyczną syntezę oraz strukturę nut opartą na AI.
Żadna z istniejących publicznych implementacji nie oferuje działającej integracji z kodem Claude jako umiejętność poleceń ukośnikowych. Żaden z nich nie dostarcza prawdziwej specyfikacji notatek stawiających na AI w pierwszym miejscu. Nie wysyłają agentów zaplanowanych. Repozytorium stojące za tym artykułem tak ma. Jest open-source, posiada licencję MIT i jest dostępny na GitHub: [eugeniughelbur/obsidian-second-brain](https://github.com/eugeniughelbur/obsidian-second-brain). Żadna z istniejących publicznych implementacji nie oferuje działającej integracji z kodem Claude jako umiejętność poleceń ukośnikowych. Żaden z nich nie dostarcza prawdziwej specyfikacji notatek stawiających na AI w pierwszym miejscu. Nie wysyłają agentów zaplanowanych. Repozytorium stojące za tym artykułem tak ma. Jest open-source, posiada licencję MIT i jest dostępny na GitHub: [eugeniughelbur/obsidian-second-brain](https://github.com/eugeniughelbur/obsidian-second-brain).
@@ -161,13 +161,13 @@ and one I would never let near it.
## Frequently asked questions ## Frequently asked questions
### What is the LLM Wiki pattern? ### What is the LLM Knowledge Base pattern?
The LLM Wiki pattern is a knowledge-base architecture proposed by Andrej Karpathy in early 2026. You drop sources into a folder, an LLM reads them and writes wiki pages, cross-references entities, and answers future questions from the wiki rather than from fresh web searches. The wiki is a persistent artifact that compounds across sessions, instead of being regenerated each chat. The LLM Knowledge Base pattern is a knowledge-base architecture proposed by Andrej Karpathy in early 2026. You drop sources into a folder, an LLM reads them and writes knowledge pages, cross-references entities, and answers future questions from the knowledge rather than from fresh web searches. The knowledge is a persistent artifact that compounds across sessions, instead of being regenerated each chat.
### How is this different from RAG? ### How is this different from RAG?
**RAG retrieves chunks of source documents at query time and feeds them to an LLM as context.** The LLM Wiki pattern flips this: an LLM reads sources once, distills them into structured wiki pages, and the wiki itself becomes the retrieval target. The result is faster, cheaper queries, plus cross-references that already exist instead of being inferred at query time. This rebuild adds write-back so the wiki stays current with new sources. **RAG retrieves chunks of source documents at query time and feeds them to an LLM as context.** The LLM Knowledge Base pattern flips this: an LLM reads sources once, distills them into structured knowledge pages, and the knowledge itself becomes the retrieval target. The result is faster, cheaper queries, plus cross-references that already exist instead of being inferred at query time. This rebuild adds write-back so the knowledge stays current with new sources.
### Do I need to know how to code to use this? ### Do I need to know how to code to use this?
@@ -189,22 +189,22 @@ The 26 vault commands work without any API keys: only your Claude Code subscript
## Key takeaways ## Key takeaways
- Karpathy’s LLM Wiki pattern is a brilliant foundation. The wiki is the product, chat is the interface, knowledge compounds across sessions. - Karpathy’s LLM Knowledge Base pattern is a brilliant foundation. The knowledge is the product, chat is the interface, knowledge compounds across sessions.
- Append-only ingest fails past a few hundred sources. Stale claims, unresolved contradictions, and missed patterns accumulate invisibly. - Append-only ingest fails past a few hundred sources. Stale claims, unresolved contradictions, and missed patterns accumulate invisibly.
- The five extensions that turn a Karpathy-style wiki into a working second brain are write-back, reconciliation, unsolicited synthesis, scheduled agents, and AI-first notes. - The five extensions that turn a Karpathy-style knowledge into a working second brain are write-back, reconciliation, unsolicited synthesis, scheduled agents, and AI-first notes.
- The AI-First Vault Principle is the most important of the five. Notes designed for AI retrieval beat notes designed for human reading in any vault where the LLM does most of the reading. - The AI-First Vault Principle is the most important of the five. Notes designed for AI retrieval beat notes designed for human reading in any vault where the LLM does most of the reading.
- Automation has to be reversible. Every scheduled agent in this rebuild writes a diff log and waits 24 hours before any change becomes permanent. - Automation has to be reversible. Every scheduled agent in this rebuild writes a diff log and waits 24 hours before any change becomes permanent.
- The open-source implementation is live on GitHub and runs as a Claude Code skill with 31 slash commands. Install in two minutes. - The open-source implementation is live on GitHub and runs as a Claude Code skill with 31 slash commands. Install in two minutes.
> **If Karpathy’s LLM Wiki is a knowledge base you maintain with an LLM, this rebuild is a knowledge base that maintains itself.** > **If Karpathy’s LLM Knowledge Base is a knowledge base you maintain with an LLM, this rebuild is a knowledge base that maintains itself.**
--- ---
## Further reading ## Further reading
- [Karpathy’s original LLM Wiki gist](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f) (2026-02): the canonical pattern. - [Karpathy’s original LLM Knowledge Base gist](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f) (2026-02): the canonical pattern.
- [rohitg00’s LLM Wiki v2 gist](https://gist.github.com/rohitg00/2067ab416f7bbe447c1977edaaa681e2) (2026-03): adds confidence and supersession. - [rohitg00’s LLM Knowledge Base v2 gist](https://gist.github.com/rohitg00/2067ab416f7bbe447c1977edaaa681e2) (2026-03): adds confidence and supersession.
- [Penfield Labs on what’s missing from Karpathy’s wiki](https://dev.to/penfieldlabs/what-karpathys-llm-wiki-is-missing-and-how-to-fix-it-1988): typed-link extension. - [Penfield Labs on what’s missing from Karpathy’s knowledge](https://dev.to/penfieldlabs/what-karpathys-llm-knowledge-is-missing-and-how-to-fix-it-1988): typed-link extension.
- [Andy Matuschak on evergreen notes](https://notes.andymatuschak.org/Evergreen_notes): the human-first PKM tradition this rebuild departs from. - [Andy Matuschak on evergreen notes](https://notes.andymatuschak.org/Evergreen_notes): the human-first PKM tradition this rebuild departs from.
- [obsidian-second-brain on GitHub](https://github.com/eugeniughelbur/obsidian-second-brain): the open-source implementation. - [obsidian-second-brain on GitHub](https://github.com/eugeniughelbur/obsidian-second-brain): the open-source implementation.
@@ -212,4 +212,4 @@ The 26 vault commands work without any API keys: only your Claude Code subscript
**About the author** **About the author**
Eugeniu Ghelbur is an AI Automation Engineer at Single Grain, where he builds production AI systems for marketing and sales workflows. He ships open-source Claude Code skills and writes about AI knowledge management at [ghelburlabs.substack.com](https://ghelburlabs.substack.com/). The obsidian-second-brain skill described in this article is live on GitHub at [github.com/eugeniughelbur/obsidian-second-brain](https://github.com/eugeniughelbur/obsidian-second-brain) and has been used in production since 2026-03. Eugeniu Ghelbur is an AI Automation Engineer at Single Grain, where he builds production AI systems for marketing and sales workflows. He ships open-source Claude Code skills and writes about AI knowledge management at [ghelburlabs.substack.com](https://ghelburlabs.substack.com/). The obsidian-second-brain skill described in this article is live on GitHub at [github.com/eugeniughelbur/obsidian-second-brain](https://github.com/eugeniughelbur/obsidian-second-brain) and has been used in production since 2026-03.
brain/raw/articles/Karpathy's LLM Wiki v2_ What to Keep, What to Skip.md → brain/raw/articles/Karpathy's LLM knowledge v2_ What to Keep, What to Skip.md
+32 -32
View File
@@ -1,6 +1,6 @@
--- ---
title: "Karpathy's LLM Wiki v2: What to Keep, What to Skip" title: "Karpathy's LLM Knowledge Base v2: What to Keep, What to Skip"
source: "https://theaioperator.io/p/karpathys-llm-wiki-v2-what-to-keep" source: "https://theaioperator.io/p/karpathys-llm-knowledge-v2-what-to-keep"
author: author:
- "[[Eugeniu Ghelbur]]" - "[[Eugeniu Ghelbur]]"
published: 2026-06-09 published: 2026-06-09
@@ -13,17 +13,17 @@ tags:
![](https://substackcdn.com/image/fetch/$s_!kLIX!,w_1456,c_limit,f_webp,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2Fea1804cb-8bab-413b-bbbb-5016e50931f8_1290x866.png) ![](https://substackcdn.com/image/fetch/$s_!kLIX!,w_1456,c_limit,f_webp,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2Fea1804cb-8bab-413b-bbbb-5016e50931f8_1290x866.png)
**Internet spędził dwa miesiące projektując "v2" LLM Wiki Andreja Karpathy'ego: oceny pewności, łańcuchy supersesji, zapominanie krzywych, wyszukiwanie wektorowe, haki cyklu życia.** **Internet spędził dwa miesiące projektując "v2" LLM Knowledge Base Andreja Karpathy'ego: oceny pewności, łańcuchy supersesji, zapominanie krzywych, wyszukiwanie wektorowe, haki cyklu życia.**
**Odbudowałem oryginał i od miesięcy uruchamiam go codziennie przez [repozytorium, które już 2 317 osób obsadziło.](https://github.com/eugeniughelbur/obsidian-second-brain)** **Odbudowałem oryginał i od miesięcy uruchamiam go codziennie przez [repozytorium, które już 2 317 osób obsadziło.](https://github.com/eugeniughelbur/obsidian-second-brain)**
**Oto szczery raport o tym, które pomysły v2 zasługują na swoje miejsce, a które są przesadzone i wyrwiecie je w tydzień.** **Oto szczery raport o tym, które pomysły v2 zasługują na swoje miejsce, a które są przesadzone i wyrwiecie je w tydzień.**
Andrej Karpathy opublikował w zeszłym roku ogólny opis, jak prowadzi wiki utrzymywane przez LLM: surowe źródła pozostają nietknięte, AI posiada folder z notatkami markdown, a plik reguł mówi jej, jak pobierać, aktualizować i zapytywać. Odbudowałem **[ten wzór jako działający system](https://theaioperator.io/p/i-rebuilt-karpathys-llm-wiki-heres)** i napisałem o tym, co oryginał pominął. Andrej Karpathy opublikował w zeszłym roku ogólny opis, jak prowadzi knowledge utrzymywane przez LLM: surowe źródła pozostają nietknięte, AI posiada folder z notatkami markdown, a plik reguł mówi jej, jak pobierać, aktualizować i zapytywać. Odbudowałem **[ten wzór jako działający system](https://theaioperator.io/p/i-rebuilt-karpathys-llm-knowledge-heres)** i napisałem o tym, co oryginał pominął.
Od tego czasu pojawił się niewielki gatunek. Ludzie publikują "LLM Wiki v2" gist. Najbardziej współdzielony (przez programistę o pseudonimie rohitg00) dodaje ocenę pewności, łańcuchy supersesji, zapominanie krzywych, hybrydowe wyszukiwanie wektorowe oraz haki zdarzeń. Inne wersje mają ścieżki audytowe, pamięć wielopoziomową i oceny jakości. Od tego czasu pojawił się niewielki gatunek. Ludzie publikują "LLM Knowledge Base v2" gist. Najbardziej współdzielony (przez programistę o pseudonimie rohitg00) dodaje ocenę pewności, łańcuchy supersesji, zapominanie krzywych, hybrydowe wyszukiwanie wektorowe oraz haki zdarzeń. Inne wersje mają ścieżki audytowe, pamięć wielopoziomową i oceny jakości.
Wygląda to jak prawdziwa aktualizacja. Większość z nich nie jest. Wygląda to jak prawdziwa aktualizacja. Większość z nich nie jest.
Nie teoretyzuję. Codziennie od miesięcy prowadzę odbudowaną wiki i udostępniłem ją jako **[obsydian-second-brain](https://github.com/eugeniughelbur/obsidian-second-brain)**. Oto różnica między pomysłami v2, które przetrwały codzienne użycie, a tymi, które w ogóle wyglądają na mądre, a w praktyce umierają. Nie teoretyzuję. Codziennie od miesięcy prowadzę odbudowaną knowledge i udostępniłem ją jako **[obsydian-second-brain](https://github.com/eugeniughelbur/obsidian-second-brain)**. Oto różnica między pomysłami v2, które przetrwały codzienne użycie, a tymi, które w ogóle wyglądają na mądre, a w praktyce umierają.
## Najpierw to, co wszyscy dobrze rozumieją ## Najpierw to, co wszyscy dobrze rozumieją
@@ -31,11 +31,11 @@ Jeśli trafiłeś tu na zimno, wzór to trzy warstwy i naprawdę działa.
Po pierwsze: surowe źródła, niezmienne. Cokolwiek mu włożysz (artykuł, transkrypcję, spotkanie), trafia do folderu i nigdy nie jest edytowane. To jest twoja prawda. Po pierwsze: surowe źródła, niezmienne. Cokolwiek mu włożysz (artykuł, transkrypcję, spotkanie), trafia do folderu i nigdy nie jest edytowane. To jest twoja prawda.
Po drugie: wiki. Folder z notatkami markdown, które AI posiada i przepisuje. Nowe informacje nie są dodawane na dole. Jest on wklejany do istniejącej nuty, a sprzeczności są godzone. Po drugie: knowledge. Folder z notatkami markdown, które AI posiada i przepisuje. Nowe informacje nie są dodawane na dole. Jest on wklejany do istniejącej nuty, a sprzeczności są godzone.
Po trzecie: plik zasad. Jeden plik Markdown, który informuje AI, jak pobrać źródło, jak zaktualizować stronę, jak zapisać to, co zrobiła. An do nawigacji i tylko do dołączania do historii.`index.md` `log.md` Po trzecie: plik zasad. Jeden plik Markdown, który informuje AI, jak pobrać źródło, jak zaktualizować stronę, jak zapisać to, co zrobiła. An do nawigacji i tylko do dołączania do historii.`index.md` `log.md`
Powód, dla którego to lepsze niż wrzucenie wszystkiego do ogromnego okna kontekstu: wyselekcjonowana wiki z 50 000 do 100 000 tokenów odpowiada na większość pytań bez ładowania całego korpusu. Wydajesz żetony na odpowiedź, nie na stóg siana. Ta część jest prawdziwa i v2 tego nie zmienia. Powód, dla którego to lepsze niż wrzucenie wszystkiego do ogromnego okna kontekstu: wyselekcjonowana knowledge z 50 000 do 100 000 tokenów odpowiada na większość pytań bez ładowania całego korpusu. Wydajesz żetony na odpowiedź, nie na stóg siana. Ta część jest prawdziwa i v2 tego nie zmienia.
![](https://substackcdn.com/image/fetch/$s_!Ka3M!,w_1456,c_limit,f_webp,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F7b4d7331-f77b-4812-be27-df2912a5c20e_1292x862.png) ![](https://substackcdn.com/image/fetch/$s_!Ka3M!,w_1456,c_limit,f_webp,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F7b4d7331-f77b-4812-be27-df2912a5c20e_1292x862.png)
@@ -47,7 +47,7 @@ Cechy ładu: wskaźniki zaufania do roszczeń, łańcuchy supersesji, więc star
Wyszukiwanie i infrastruktura: wyszukiwanie hybrydowe (słowa kluczowe plus osadzenia wektorowe), haki cyklu życia i zdarzeń, ocena jakości, pamięć wielopoziomowa. Wyszukiwanie i infrastruktura: wyszukiwanie hybrydowe (słowa kluczowe plus osadzenia wektorowe), haki cyklu życia i zdarzeń, ocena jakości, pamięć wielopoziomowa.
Pierwszy kubeł dotyczy tego, czy wiki mówi prawdę. Druga dotyczy maszyn. Po miesiącach prowadzenia tego projektu, podział między nimi to dokładnie ten podział między tym, co działa, a tym, co jest przesadą. Pierwszy kubeł dotyczy tego, czy knowledge mówi prawdę. Druga dotyczy maszyn. Po miesiącach prowadzenia tego projektu, podział między nimi to dokładnie ten podział między tym, co działa, a tym, co jest przesadą.
![](https://substackcdn.com/image/fetch/$s_!0CzH!,w_1456,c_limit,f_webp,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F08f20328-1c06-44de-9f17-48691ceac221_1290x862.png) ![](https://substackcdn.com/image/fetch/$s_!0CzH!,w_1456,c_limit,f_webp,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F08f20328-1c06-44de-9f17-48691ceac221_1290x862.png)
@@ -55,13 +55,13 @@ Pierwszy kubeł dotyczy tego, czy wiki mówi prawdę. Druga dotyczy maszyn. Po m
Kubełek zarządzania zasługuje na swoje miejsce. Każdy z tych elementów jest w systemie, który prowadzę. Kubełek zarządzania zasługuje na swoje miejsce. Każdy z tych elementów jest w systemie, który prowadzę.
**Wskaźniki pewności.** Każde twierdzenie, które pisze moja wiki, nosi tag:,, lub. Kosztuje prawie nic (jedno słowo na fakt) i zmienia sposób czytania. Gdy AI syntetyzuje między notatkami, twierdzenie traktowane jest jako cytat, a nie prawda. To jest najdroższy pomysł v2 o najwyższej wartości i nie wymaga żadnej infrastruktury.`stated` `high` `low` `stated` **Wskaźniki pewności.** Każde twierdzenie, które pisze moja knowledge, nosi tag:,, lub. Kosztuje prawie nic (jedno słowo na fakt) i zmienia sposób czytania. Gdy AI syntetyzuje między notatkami, twierdzenie traktowane jest jako cytat, a nie prawda. To jest najdroższy pomysł v2 o najwyższej wartości i nie wymaga żadnej infrastruktury.`stated` `high` `low` `stated`
**Supersession, zrobione jako pojednanie.** Gdy nowe źródło przeczy istniejącej notatce, wiki nie zachowuje obu i wzrusza ramionami. Polecenie je uzgadnia: notatka jest przepisywana na aktualną prawdę, a zmiana jest rejestrowana. Nie potrzebujesz formalnej struktury danych "łańcucha supersesji". Potrzebujesz, żeby AI faktycznie rozwiązało konflikt, zamiast go gromadzić. **Supersession, zrobione jako pojednanie.** Gdy nowe źródło przeczy istniejącej notatce, knowledge nie zachowuje obu i wzrusza ramionami. Polecenie je uzgadnia: notatka jest przepisywana na aktualną prawdę, a zmiana jest rejestrowana. Nie potrzebujesz formalnej struktury danych "łańcucha supersesji". Potrzebujesz, żeby AI faktycznie rozwiązało konflikt, zamiast go gromadzić.
**Zapominająca krzywa, ale nudna.** Wersja wymyślna obejmuje ścieżki spadku i znaczniki czasu. Moja jest prostsza: lekcje są powtarzane, a te, które przestały być prawdziwe, są przycinane. **[Notatki, które się gromadzą, stają się cmentarzem](https://theaioperator.io/p/your-notes-are-a-graveyard)**. Celem krzywej zapominania nie jest matematyka. Chodzi o to, że coś się usuwa. **Zapominająca krzywa, ale nudna.** Wersja wymyślna obejmuje ścieżki spadku i znaczniki czasu. Moja jest prostsza: lekcje są powtarzane, a te, które przestały być prawdziwe, są przycinane. **[Notatki, które się gromadzą, stają się cmentarzem](https://theaioperator.io/p/your-notes-are-a-graveyard)**. Celem krzywej zapominania nie jest matematyka. Chodzi o to, że coś się usuwa.
**Haczyki cyklu życia, jako agenci zaplanowani.** Ten jest prawdziwy i prowadzę go. Agenci tła budzą się według harmonogramu i utrzymują wiki, gdy ja nie patrzę: pojednają sprzeczności, syntetyzują wzorce, oznaczają przestarzałe twierdzenia. Nie potrzebujesz abstrakcji z magistrali zdarzeń. Potrzebujesz crona i pliku reguł. **Haczyki cyklu życia, jako agenci zaplanowani.** Ten jest prawdziwy i prowadzę go. Agenci tła budzą się według harmonogramu i utrzymują knowledge, gdy ja nie patrzę: pojednają sprzeczności, syntetyzują wzorce, oznaczają przestarzałe twierdzenia. Nie potrzebujesz abstrakcji z magistrali zdarzeń. Potrzebujesz crona i pliku reguł.
![](https://substackcdn.com/image/fetch/$s_!AEFK!,w_1456,c_limit,f_webp,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F4e550cf4-bdc7-4406-b7f5-9477e4bdfce3_1290x856.png) ![](https://substackcdn.com/image/fetch/$s_!AEFK!,w_1456,c_limit,f_webp,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F4e550cf4-bdc7-4406-b7f5-9477e4bdfce3_1290x856.png)
@@ -69,11 +69,11 @@ Kubełek zarządzania zasługuje na swoje miejsce. Każdy z tych elementów jest
Hybrydowe wyszukiwanie wektorowe to główna cecha niemal każdego gist-a v2. Próbowałem. Wyjąłem ją. Hybrydowe wyszukiwanie wektorowe to główna cecha niemal każdego gist-a v2. Próbowałem. Wyjąłem ją.
Oto coś, czego nikt piszący te analizy nie zmierzył: na poziomie wiki nie ma problemu z odzyskiwaniem informacji. Selekcjonowana wiki to od 50 000 do 100 000 tokenów. To mała sprawa. Grep plus read znajduje właściwą notatkę szybciej i bardziej przewidywalnie niż wyszukiwanie embedding, bez bazy wektorowej do hostowania, bez indeksu do utrzymania świeżości i bez debugowania "dlaczego zwrócił ten fragment". Oto coś, czego nikt piszący te analizy nie zmierzył: na poziomie knowledge nie ma problemu z odzyskiwaniem informacji. Selekcjonowana knowledge to od 50 000 do 100 000 tokenów. To mała sprawa. Grep plus read znajduje właściwą notatkę szybciej i bardziej przewidywalnie niż wyszukiwanie embedding, bez bazy wektorowej do hostowania, bez indeksu do utrzymania świeżości i bez debugowania "dlaczego zwrócił ten fragment".
Wyszukiwanie wektorowe zarabia na setkach tysięcy dokumentów. Osobista czy zespołowa wiki to nie jest to. Przykręcanie osadzeń na sejf o 200 banknotach to rozwiązanie problemu, którego nie masz, i płacenie za bazę danych, żeby to zrobić. Wyszukiwanie wektorowe zarabia na setkach tysięcy dokumentów. Osobista czy zespołowa knowledge to nie jest to. Przykręcanie osadzeń na sejf o 200 banknotach to rozwiązanie problemu, którego nie masz, i płacenie za bazę danych, żeby to zrobić.
To samo dotyczy wielopoziomowej pamięci i rozbudowanych silników punktacji jakości. Są odpowiedziami na problemy ze skalą. Na poziomie, w którym wiki LLM jest faktycznie użyteczne, są one ważne. To samo dotyczy wielopoziomowej pamięci i rozbudowanych silników punktacji jakości. Są odpowiedziami na problemy ze skalą. Na poziomie, w którym knowledge LLM jest faktycznie użyteczne, są one ważne.
![](https://substackcdn.com/image/fetch/$s_!_Wdm!,w_1456,c_limit,f_webp,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F907e4af4-c5d1-413e-8d0b-2f3631cc9da2_1290x860.png) ![](https://substackcdn.com/image/fetch/$s_!_Wdm!,w_1456,c_limit,f_webp,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F907e4af4-c5d1-413e-8d0b-2f3631cc9da2_1290x860.png)
@@ -81,7 +81,7 @@ To samo dotyczy wielopoziomowej pamięci i rozbudowanych silników punktacji jak
Szczerość działa w obie strony, więc oto luka, którą w2 gists też pomija. Szczerość działa w obie strony, więc oto luka, którą w2 gists też pomija.
Żaden z nich nie ma prawdziwej ochrony przed tym, by AI kłamało na temat tego, co jest w wiki. Przekonałem się tego na własnej skórze: gdy czytałem widełki mojego repozytorium, obca osoba dodała dokładnie to, czego mi brakowało. Najczęstszą porażką nie jest to, że AI wymyśla fakt. To AI mówi "nie ma notatki o tym", gdy jest, bo odpowiedziała z pamięci, zamiast faktycznie szukać. Żaden z nich nie ma prawdziwej ochrony przed tym, by AI kłamało na temat tego, co jest w knowledge. Przekonałem się tego na własnej skórze: gdy czytałem widełki mojego repozytorium, obca osoba dodała dokładnie to, czego mi brakowało. Najczęstszą porażką nie jest to, że AI wymyśla fakt. To AI mówi "nie ma notatki o tym", gdy jest, bo odpowiedziała z pamięci, zamiast faktycznie szukać.
To jest prawdziwa granica v2. Nie bardziej wyszukane wyszukiwanie. Reguła, która zmusza model do weryfikacji obecności i nieobecności poprzez wymienianie i greppowanie, nigdy z pamięci, zanim powie ci, że coś nie istnieje. Teraz łączę tę opaskę. Żaden wopis v2, który nie widziałem, by to uwzględniał. To jest prawdziwa granica v2. Nie bardziej wyszukane wyszukiwanie. Reguła, która zmusza model do weryfikacji obecności i nieobecności poprzez wymienianie i greppowanie, nigdy z pamięci, zanim powie ci, że coś nie istnieje. Teraz łączę tę opaskę. Żaden wopis v2, który nie widziałem, by to uwzględniał.
@@ -93,7 +93,7 @@ Dyskurs v2 ma kierunek odwrotny. Traktuje tę aktualizację jak maszynę, któr
Wersja, która działa, jest odwrotna. To najmniejszy zestaw zasad, które sprawiają, że AI zachowuje własną prawdę. Pewność w każdym roszczeniu. Sprzeczności rozwiązane, nie gromadzone. Usunięto starze notatki. Agent, który wykonuje konserwację według harmonogramu. Wszystko to znajduje się w pliku reguł i żadne z tego nie wymaga bazy danych. Wersja, która działa, jest odwrotna. To najmniejszy zestaw zasad, które sprawiają, że AI zachowuje własną prawdę. Pewność w każdym roszczeniu. Sprzeczności rozwiązane, nie gromadzone. Usunięto starze notatki. Agent, który wykonuje konserwację według harmonogramu. Wszystko to znajduje się w pliku reguł i żadne z tego nie wymaga bazy danych.
Pierwotna intuicja Karpathy'ego była taka, że wiki powinno być zwykłym markdownem, który należy do AI. Prawdziwa wersja 2 to szanuje. Nie zalewa go w infrastrukturze. Pierwotna intuicja Karpathy'ego była taka, że knowledge powinno być zwykłym markdownem, który należy do AI. Prawdziwa wersja 2 to szanuje. Nie zalewa go w infrastrukturze.
Cały system jest open source w **[obsidian-second-brain](https://github.com/eugeniughelbur/obsidian-second-brain)**. **[Najpierw zbudowałem go dla siebie](https://theaioperator.io/p/i-built-this-for-myself-then-1374)** i warto przeczytać plik zasad. To tam faktycznie mieszka wersja 2. Cały system jest open source w **[obsidian-second-brain](https://github.com/eugeniughelbur/obsidian-second-brain)**. **[Najpierw zbudowałem go dla siebie](https://theaioperator.io/p/i-built-this-for-myself-then-1374)** i warto przeczytać plik zasad. To tam faktycznie mieszka wersja 2.
@@ -101,20 +101,20 @@ Cały system jest open source w **[obsidian-second-brain](https://github.com/eug
## Najczęściej zadawane pytania ## Najczęściej zadawane pytania
**Czym jest Wiki LLM Karpathy'ego?** **Czym jest Knowledge Base LLM Karpathy'ego?**
Wzorzec, który Andrej Karpathy podzielił, pozwalając AI utrzymywać niewielką bazę wiedzy o cenzurach. Trzy warstwy: surowe źródła pozostają niezmienne, wiki z notatkami, które AI posiada i przepisuje, oraz plik reguł, który informuje ją, jak pobierać, aktualizować i zapytywać. Wzorzec, który Andrej Karpathy podzielił, pozwalając AI utrzymywać niewielką bazę wiedzy o cenzurach. Trzy warstwy: surowe źródła pozostają niezmienne, knowledge z notatkami, które AI posiada i przepisuje, oraz plik reguł, który informuje ją, jak pobierać, aktualizować i zapytywać.
**Czym jest "LLM Wiki v2"?** **Czym jest "LLM Knowledge Base v2"?**
Wytwórnia społecznościowa, a nie oficjalne wydanie. Główny wątek Karpathy'ego jest nadal jedyną kanoniczną specyfikacją. "v2" odnosi się do dodawań, które ludzie proponują we własnych gistach: wskaźniki pewności, łańcuchy supersesji, zapominanie krzywych, hybrydowe wyszukiwanie wektorowe oraz haki cyklu życia. Wytwórnia społecznościowa, a nie oficjalne wydanie. Główny wątek Karpathy'ego jest nadal jedyną kanoniczną specyfikacją. "v2" odnosi się do dodawań, które ludzie proponują we własnych gistach: wskaźniki pewności, łańcuchy supersesji, zapominanie krzywych, hybrydowe wyszukiwanie wektorowe oraz haki cyklu życia.
**Czy potrzebujesz wyszukiwania wektorowego do wiki LLM?** **Czy potrzebujesz wyszukiwania wektorowego do knowledge LLM?**
Nie, nie na poziomie wiki. Kuratorowana wiki to 50 000 do 100 000 tokenów, a grep plus read znajduje właściwą notę szybciej i bardziej przewidywalnie niż osadzenia, bez bazy danych do hostowania. Wyszukiwanie wektorowe zdobywa swoje miejsce wśród setek tysięcy dokumentów. Nie, nie na poziomie knowledge. Kuratorowana knowledge to 50 000 do 100 000 tokenów, a grep plus read znajduje właściwą notę szybciej i bardziej przewidywalnie niż osadzenia, bez bazy danych do hostowania. Wyszukiwanie wektorowe zdobywa swoje miejsce wśród setek tysięcy dokumentów.
**Które pomysły na v2 faktycznie warto dodać?** **Które pomysły na v2 faktycznie warto dodać?**
Te dotyczące zarządzania: tagi zaufania przy roszczeniach, uzgadnianie sprzeczności zamiast ich gromadzenia, usuwanie starych notatek oraz zaplanowany agent utrzymujący wiki. Każda z nich to kilka linii w pliku reguł, a nie nowa infrastruktura. Te dotyczące zarządzania: tagi zaufania przy roszczeniach, uzgadnianie sprzeczności zamiast ich gromadzenia, usuwanie starych notatek oraz zaplanowany agent utrzymujący knowledge. Każda z nich to kilka linii w pliku reguł, a nie nowa infrastruktura.
**Jak duży może być wiki LLM, zanim się zepsuje?** **Jak duży może być knowledge LLM, zanim się zepsuje?**
Jest budowany dla małych, starannie wyselekcjonowanych korpusów, około 50 000 do 100 000 tokenów. Poza tym zaczynają mieć znaczenie cechy skale, które proponują gists v2. W rozmiarze, w którym wiki LLM jest najbardziej przydatna, są one ważne. Jest budowany dla małych, starannie wyselekcjonowanych korpusów, około 50 000 do 100 000 tokenów. Poza tym zaczynają mieć znaczenie cechy skale, które proponują gists v2. W rozmiarze, w którym knowledge LLM jest najbardziej przydatna, są one ważne.
**Gdzie mogę uzyskać działającą implementację?** **Gdzie mogę uzyskać działającą implementację?**
Cały system jest open source jako obsidian-second-brain, umiejętność Claude Code na GitHubie. Cały system jest open source jako obsidian-second-brain, umiejętność Claude Code na GitHubie.
@@ -123,10 +123,10 @@ Cały system jest open source jako obsidian-second-brain, umiejętność Claude
## Kluczowe wnioski ## Kluczowe wnioski
- Trójwarstwowy wzór Karpathy'ego (niezmienne źródła, wiki należące do AI, plik reguł) jest solidny i v2 go nie zmienia. - Trójwarstwowy wzór Karpathy'ego (niezmienne źródła, knowledge należące do AI, plik reguł) jest solidny i v2 go nie zmienia.
- "LLM Wiki v2" to wytwórnia społecznościowa, a nie oficjalne wydanie. Istota Karpathy'ego to wciąż jedyna kanoniczna specjalizacja. - "LLM Knowledge Base v2" to wytwórnia społecznościowa, a nie oficjalne wydanie. Istota Karpathy'ego to wciąż jedyna kanoniczna specjalizacja.
- Pomysły v2, które warto zachować, to wszystkie zarządzanie: tagi zaufania, pojednanie, przycinanie i zaplanowani agenti. Każda z nich kosztuje kilka linii w pliku zasad. - Pomysły v2, które warto zachować, to wszystkie zarządzanie: tagi zaufania, pojednanie, przycinanie i zaplanowani agenti. Każda z nich kosztuje kilka linii w pliku zasad.
- Hybrydowe wyszukiwanie wektorowe jest przesadą na skalę wiki. Grep plus read wygrywa wśród setek tysięcy dokumentów. - Hybrydowe wyszukiwanie wektorowe jest przesadą na skalę knowledge. Grep plus read wygrywa wśród setek tysięcy dokumentów.
- Prawdziwą luką, którą nie pokrywa gist v2, jest ochrona przed fałszywą nieobecnością: AI twierdzi, że notatka nie istnieje, gdy jednak istnieje. - Prawdziwą luką, którą nie pokrywa gist v2, jest ochrona przed fałszywą nieobecnością: AI twierdzi, że notatka nie istnieje, gdy jednak istnieje.
- Ulepszenie to zasady, które AI narzucuje sobie sama, a nie przymontowane maszyny. - Ulepszenie to zasady, które AI narzucuje sobie sama, a nie przymontowane maszyny.
@@ -134,9 +134,9 @@ Cały system jest open source jako obsidian-second-brain, umiejętność Claude
## Dalsza lektura ## Dalsza lektura
- Oryginalny smysł LLM na Wiki Andreja Karpathy'ego (2026-02) - Oryginalny smysł LLM na Knowledge Base Andreja Karpathy'ego (2026-02)
- Smysł rohitg00 do Wiki v2 (2026-03) - Smysł rohitg00 do Knowledge Base v2 (2026-03)
- [Odbudowałem Wiki LLM Karpathy'ego. Oto, czego brakuje w oryginale.](https://theaioperator.io/p/i-rebuilt-karpathys-llm-wiki-heres) - [Odbudowałem Knowledge Base LLM Karpathy'ego. Oto, czego brakuje w oryginale.](https://theaioperator.io/p/i-rebuilt-karpathys-llm-knowledge-heres)
- [Twoje notatki to cmentarz. Oto jak je przywrócić do życia.](https://theaioperator.io/p/your-notes-are-a-graveyard) - [Twoje notatki to cmentarz. Oto jak je przywrócić do życia.](https://theaioperator.io/p/your-notes-are-a-graveyard)
- [obsydian-second-brain na GitHub](https://github.com/eugeniughelbur/obsidian-second-brain) - [obsydian-second-brain na GitHub](https://github.com/eugeniughelbur/obsidian-second-brain)
@@ -152,4 +152,4 @@ Eugeniu Ghelbur jest inżynierem automatyzacji AI w Single Grain, gdzie tworzy s
Autor: Eugeniu Ghelbur · Uruchomiony 2 lata temu · Uruchomiony 2 lata temu Autor: Eugeniu Ghelbur · Uruchomiony 2 lata temu · Uruchomiony 2 lata temu
Systemy agentów AI, napisane przez kogoś, kto wysyła je w produkcji. Systemy agentów AI, napisane przez kogoś, kto wysyła je w produkcji.
brain/raw/articles/Od początkującego do eksperta_ pierwsze 60 sekund z OpenCode.md
+2 -2
View File
@@ -61,7 +61,7 @@ Depending on what kind of computer you are using, the way you “get” OpenCode
You need to have Node.js and Git installed. If you already have Chocolatey you can read all the steps here. You need to have Node.js and Git installed. If you already have Chocolatey you can read all the steps here.
## [Beyond catastrophic forgetting: how to build an LLM-Wiki for the long game](https://medium.com/artificial-intel-ligence-playground/beyond-catastrophic-forgetting-how-to-build-an-llm-wiki-for-the-long-game-8cea92f3868c?source=post_page-----bf9d5800f6b3---------------------------------------) ## [Beyond catastrophic forgetting: how to build an LLM-Knowledge Base for the long game](https://medium.com/artificial-intel-ligence-playground/beyond-catastrophic-forgetting-how-to-build-an-llm-knowledge-for-the-long-game-8cea92f3868c?source=post_page-----bf9d5800f6b3---------------------------------------)
### A guide for you to turn scattered PDFs into a compounding Personal Knowledge Base using Python, Agents, and a little… ### A guide for you to turn scattered PDFs into a compounding Personal Knowledge Base using Python, Agents, and a little…
@@ -294,4 +294,4 @@ medium.com
### A blueprint for beating the “Memory Tax” and running private, agentic automation factories straight from your desk. ### A blueprint for beating the “Memory Tax” and running private, agentic automation factories straight from your desk.
medium.com medium.com
brain/raw/articles/Ogrodnictwo cyfrowe w 2026 roku_ Powrót kuratorowanego internetu.md
+2 -2
View File
@@ -55,7 +55,7 @@ Infrastruktura stojąca za ogrodami cyfrowymi dzieli się teraz na dwie wyraźne
- **Obsidian**: Zbudowany wokół lokalnego skarbca plików Markdown, Obsidian pozwala wizualizować relacje za pomocą Graph View. System zachęca do organicznego połączenia — idee łączą się podczas pisania, tworząc widoczną sieć myśli. - **Obsidian**: Zbudowany wokół lokalnego skarbca plików Markdown, Obsidian pozwala wizualizować relacje za pomocą Graph View. System zachęca do organicznego połączenia — idee łączą się podczas pisania, tworząc widoczną sieć myśli.
- **Notion**: Łączy notatki ze strukturalnymi bazami danych, dając użytkownikom elastyczność w organizowaniu projektów i badań. Jego własnościowy format może jednak utrudnić publikacje zewnętrzne i długoterminową przenośność. - **Notion**: Łączy notatki ze strukturalnymi bazami danych, dając użytkownikom elastyczność w organizowaniu projektów i badań. Jego własnościowy format może jednak utrudnić publikacje zewnętrzne i długoterminową przenośność.
- **TiddlyWiki**: Samodzielna wiki, która działa całkowicie w Twojej przeglądarce. Każda notatka, wtyczka i konfiguracja znajdują się w jednym pliku HTML, ucieleśniając najczystszą formę osobistego własności strony internetowej. - **TiddlyKnowledge Base**: Samodzielna knowledge, która działa całkowicie w Twojej przeglądarce. Każda notatka, wtyczka i konfiguracja znajdują się w jednym pliku HTML, ucieleśniając najczystszą formę osobistego własności strony internetowej.
**Technologie wyświetlania** **Technologie wyświetlania**
@@ -172,4 +172,4 @@ Koszty dotyczą oceny opcji publikowania na statycznych stronach pod kątem łat
### Czym jest Constella.App i jak usprawnia cyfrowe procesy ogrodnictwa? ### Czym jest Constella.App i jak usprawnia cyfrowe procesy ogrodnictwa?
Constella.App to asystent badawczy oparty na sztucznej inteligencji, zaprojektowany tak, aby uzupełnić cyfrowe ogrodnictwo, integrując odkrywanie badań, notowanie i budowanie powiązań w jednym interfejsie bez konieczności przełączania aplikacji. Wizualnie pokazuje pochodzenie badań, jednocześnie podkreślając kluczowe wyniki dla szybkiego zrozumienia. To narzędzie wspiera badania akademickie, osobiste lub korporacyjne, przyspieszając tworzenie drugiego mózgu i pracę nad głęboką wiedzą dzięki płynnej integracji procesów pracy. Constella.App to asystent badawczy oparty na sztucznej inteligencji, zaprojektowany tak, aby uzupełnić cyfrowe ogrodnictwo, integrując odkrywanie badań, notowanie i budowanie powiązań w jednym interfejsie bez konieczności przełączania aplikacji. Wizualnie pokazuje pochodzenie badań, jednocześnie podkreślając kluczowe wyniki dla szybkiego zrozumienia. To narzędzie wspiera badania akademickie, osobiste lub korporacyjne, przyspieszając tworzenie drugiego mózgu i pracę nad głęboką wiedzą dzięki płynnej integracji procesów pracy.
brain/raw/articles/Poza tradycyjnym RAG_ Dogłębne zagłębienie się w koncepcję LLM Wiki Andreja Karpathy'ego.md → brain/raw/articles/Poza tradycyjnym RAG_ Dogłębne zagłębienie się w koncepcję LLM knowledge Andreja Karpathy'ego.md
+19 -19
View File
@@ -1,6 +1,6 @@
--- ---
title: "Poza tradycyjnym RAG: Dogłębne zagłębienie się w koncepcję LLM Wiki Andreja Karpathy'ego" title: "Poza tradycyjnym RAG: Dogłębne zagłębienie się w koncepcję LLM Knowledge Base Andreja Karpathy'ego"
source: "https://medium.com/codetodeploy/beyond-traditional-rag-a-deep-dive-into-andrej-karpathys-llm-wiki-concept-329cbeebd842" source: "https://medium.com/codetodeploy/beyond-traditional-rag-a-deep-dive-into-andrej-karpathys-llm-knowledge-concept-329cbeebd842"
author: author:
- "[[Jiten Oswal]]" - "[[Jiten Oswal]]"
published: 2026-04-11 published: 2026-04-11
@@ -9,62 +9,62 @@ description: "More"
tags: tags:
- "clippings" - "clippings"
--- ---
*Niedawno Andrej Karpathy zaproponował przełomową alternatywę zwaną* ***LLM Wiki (***[***gist link***](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f)***).*** *Zamiast pobierać surowe dane na bieżąco, LLM stopniowo buduje i utrzymuje ustrukturyzowaną, powiązaną kolekcję plików markdown, która znajduje się pomiędzy tobą a surowymi źródłami.* *Niedawno Andrej Karpathy zaproponował przełomową alternatywę zwaną* ***LLM Knowledge Base (***[***gist link***](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f)***).*** *Zamiast pobierać surowe dane na bieżąco, LLM stopniowo buduje i utrzymuje ustrukturyzowaną, powiązaną kolekcję plików markdown, która znajduje się pomiędzy tobą a surowymi źródłami.*
Większość programistów budujących obecnie duże modele językowe opiera się na generowaniu rozszerzonym na wyszukiwanie (RAG). Typowy przebieg jest prosty: przesyłasz dokumenty, system je dzieli na części, pobiera odpowiednie fragmenty w czasie zapytania i generuje odpowiedź. Choć to działa, cierpi na poważną wadę — amnezję. LLM jest zmuszony odkrywać wiedzę od zera przy każdym zapytaniu. Jeśli zadasz zniuansowane pytanie wymagające syntezy wielu dokumentów, system musi wielokrotnie odnajdywać i składać te fragmenty. Nic się nie kumuluje. Większość programistów budujących obecnie duże modele językowe opiera się na generowaniu rozszerzonym na wyszukiwanie (RAG). Typowy przebieg jest prosty: przesyłasz dokumenty, system je dzieli na części, pobiera odpowiednie fragmenty w czasie zapytania i generuje odpowiedź. Choć to działa, cierpi na poważną wadę — amnezję. LLM jest zmuszony odkrywać wiedzę od zera przy każdym zapytaniu. Jeśli zadasz zniuansowane pytanie wymagające syntezy wielu dokumentów, system musi wielokrotnie odnajdywać i składać te fragmenty. Nic się nie kumuluje.
> 🆓 Przeczytaj cały artykuł za darmo tutaj → [darmowy link](https://medium.com/@jiten.p.oswal/329cbeebd842?sk=3b89204ccd17ca9540c1a4df705c6891) > 🆓 Przeczytaj cały artykuł za darmo tutaj → [darmowy link](https://medium.com/@jiten.p.oswal/329cbeebd842?sk=3b89204ccd17ca9540c1a4df705c6891)
> 👉 do artykułu. Śledź, aby poznać więcej takich szczegółowych analiz AI → [https://medium.com/@jiten.p.oswal](https://medium.com/@jiten.p.oswal) > 👉 do artykułu. Śledź, aby poznać więcej takich szczegółowych analiz AI → [https://medium.com/@jiten.p.oswal](https://medium.com/@jiten.p.oswal)
Niedawno Andrej Karpathy zaproponował przełomową alternatywę zwaną **LLM Wiki (**[**gist link**](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f)**).** Zamiast pobierać surowe dane na bieżąco, LLM stopniowo buduje i utrzymuje ustrukturyzowaną, powiązaną kolekcję plików markdown, która znajduje się pomiędzy tobą a surowymi źródłami. Czyta, wyodrębnia i integruje nowe informacje w rozwijającej się wiki. Niedawno Andrej Karpathy zaproponował przełomową alternatywę zwaną **LLM Knowledge Base (**[**gist link**](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f)**).** Zamiast pobierać surowe dane na bieżąco, LLM stopniowo buduje i utrzymuje ustrukturyzowaną, powiązaną kolekcję plików markdown, która znajduje się pomiędzy tobą a surowymi źródłami. Czyta, wyodrębnia i integruje nowe informacje w rozwijającej się knowledge.
**Oto dogłębne wyjaśnienie, jak działa ta architektura, dlaczego rozwiązuje wąskie gardło RAG oraz jak społeczność open-source już ją rozwija.** **Oto dogłębne wyjaśnienie, jak działa ta architektura, dlaczego rozwiązuje wąskie gardło RAG oraz jak społeczność open-source już ją rozwija.**
![](https://miro.medium.com/v2/resize:fit:1400/format:webp/1*5sWuOvJbsSot8kwHQtzYoQ.png) ![](https://miro.medium.com/v2/resize:fit:1400/format:webp/1*5sWuOvJbsSot8kwHQtzYoQ.png)
RAG vs. LLM Wiki — Od efemerycznego wyszukiwania do kumulacji wiedzy RAG vs. LLM Knowledge Base — Od efemerycznego wyszukiwania do kumulacji wiedzy
### Główna koncepcja: Trwały, kumulujący się artefakt ### Główna koncepcja: Trwały, kumulujący się artefakt
Najważniejszą różnicą między tradycyjnym RAG a LLM Wiki jest to, że wiki jest trwałym**, kumulującym się artefaktem**. Odniesienia krzyżowe są wyraźnie tworzone, sprzeczności są oznaczane, a synteza wiedzy odzwierciedla wszystko, co zgromadziłeś przez lata. Najważniejszą różnicą między tradycyjnym RAG a LLM Knowledge Base jest to, że knowledge jest trwałym**, kumulującym się artefaktem**. Odniesienia krzyżowe są wyraźnie tworzone, sprzeczności są oznaczane, a synteza wiedzy odzwierciedla wszystko, co zgromadziłeś przez lata.
W tym workflow rzadko piszesz wiki sam. Twoja rola polega na kuratorstwie i eksploracji: pozyskiwaniu dokumentów i zadawaniu właściwych pytań. LLM pełni rolę opiekuna, wykonując żmudną księgowość — streszczając, krzyżując i archiwizując. Jak opisuje Karpathy, jeśli Obsidian jest IDE, to LLM jest programistą, a wiki to baza kodu. W tym workflow rzadko piszesz knowledge sam. Twoja rola polega na kuratorstwie i eksploracji: pozyskiwaniu dokumentów i zadawaniu właściwych pytań. LLM pełni rolę opiekuna, wykonując żmudną księgowość — streszczając, krzyżując i archiwizując. Jak opisuje Karpathy, jeśli Obsidian jest IDE, to LLM jest programistą, a knowledge to baza kodu.
### Architektura trójwarstwowa ### Architektura trójwarstwowa
Aby to działało, architektura jest podzielona na trzy wyraźne warstwy: Aby to działało, architektura jest podzielona na trzy wyraźne warstwy:
1. **Surowe źródła:** Twoja wyselekcjonowana kolekcja PDF-ów, artykułów, obrazów i plików danych. Są one niezmienne; LLM je czyta, ale nigdy ich nie zmienia, służąc jako twoje absolutne źródło prawdy. 1. **Surowe źródła:** Twoja wyselekcjonowana kolekcja PDF-ów, artykułów, obrazów i plików danych. Są one niezmienne; LLM je czyta, ale nigdy ich nie zmienia, służąc jako twoje absolutne źródło prawdy.
2. **Wiki:** Katalog plików markdown generowanych przez LLM, zawierających strony koncepcyjne, podsumowania encji i syntezy. LLM całkowicie kontroluje tę warstwę — pisze i aktualizuje ją wraz z pojawianiem się nowych źródeł. 2. **Knowledge Base:** Katalog plików markdown generowanych przez LLM, zawierających strony koncepcyjne, podsumowania encji i syntezy. LLM całkowicie kontroluje tę warstwę — pisze i aktualizuje ją wraz z pojawianiem się nowych źródeł.
3. **Schemat:** Dokument konfiguracyjny (taki jak lub ), który określa strukturę, konwencje i workflow wiki. To zapobiega działaniu LLM jak zwykły chatbot i dyscyplinuje go do rygorystycznego otrzymywania wiki.`CLAUDE.md` `AGENTS.md` 3. **Schemat:** Dokument konfiguracyjny (taki jak lub ), który określa strukturę, konwencje i workflow knowledge. To zapobiega działaniu LLM jak zwykły chatbot i dyscyplinuje go do rygorystycznego otrzymywania knowledge.`CLAUDE.md` `AGENTS.md`
![](https://miro.medium.com/v2/resize:fit:1400/format:webp/1*BCxbf8r21aLZCOc_aoQHKg.png) ![](https://miro.medium.com/v2/resize:fit:1400/format:webp/1*BCxbf8r21aLZCOc_aoQHKg.png)
LLM Wiki — Architektura 3-poziomowa do łączenia wiedzy LLM Knowledge Base — Architektura 3-poziomowa do łączenia wiedzy
### Silnik wiki: operacje i księgowość ### Silnik knowledge: operacje i księgowość
System pozostaje dynamiczny poprzez trzy kluczowe operacje: System pozostaje dynamiczny poprzez trzy kluczowe operacje:
- **Spożycie:** Gdy dodane jest nowe źródło, LLM je czyta, omawia z Tobą wnioski, pisze stronę podsumowującą, aktualizuje odpowiednie strony koncepcyjne i rejestruje działania. - **Spożycie:** Gdy dodane jest nowe źródło, LLM je czyta, omawia z Tobą wnioski, pisze stronę podsumowującą, aktualizuje odpowiednie strony koncepcyjne i rejestruje działania.
- **Zapytanie:** Zadajesz pytania na wiki. Prawdziwą magią jest tu koncepcja "file back": dobre odpowiedzi, porównania czy analizy generowane podczas zapytania nie powinny zniknąć w historii czatu. Są one ponownie wpisywane do wiki jako zupełnie nowe strony, co pozwala na kumulację eksploracji. - **Zapytanie:** Zadajesz pytania na knowledge. Prawdziwą magią jest tu koncepcja "file back": dobre odpowiedzi, porównania czy analizy generowane podczas zapytania nie powinny zniknąć w historii czatu. Są one ponownie wpisywane do knowledge jako zupełnie nowe strony, co pozwala na kumulację eksploracji.
- **Kłaczki:** Okresowo LLM pełni rolę kontrolera zdrowia. Skanuje pod kątem przestarzałych twierdzeń, brakujących odnośników, sierot stron i sprzeczności. - **Kłaczki:** Okresowo LLM pełni rolę kontrolera zdrowia. Skanuje pod kątem przestarzałych twierdzeń, brakujących odnośników, sierot stron i sprzeczności.
Aby poruszać się po tym bez silnej infrastruktury wektorowej, wiki opiera się na (katalogu wszystkich stron zorientowanym na treść) oraz (chronologicznym, tylko do dodawania zapisie wejścia i zapytań).`index.md` `log.md` Aby poruszać się po tym bez silnej infrastruktury wektorowej, knowledge opiera się na (katalogu wszystkich stron zorientowanym na treść) oraz (chronologicznym, tylko do dodawania zapisie wejścia i zapytań).`index.md` `log.md`
![](https://miro.medium.com/v2/resize:fit:1400/format:webp/1*TACWdLtKPTtrnyuYaO7N8w.png) ![](https://miro.medium.com/v2/resize:fit:1400/format:webp/1*TACWdLtKPTtrnyuYaO7N8w.png)
LLM Wiki — Cykl Wiedzy Złożonej LLM Knowledge Base — Cykl Wiedzy Złożonej
### Innowacje społecznościowe na LLM Wiki ### Innowacje społecznościowe na LLM Knowledge Base
Społeczność deweloperów szybko zjednoczyła się wokół tej koncepcji, identyfikując wyzwania i budując solidne rozszerzenia: Społeczność deweloperów szybko zjednoczyła się wokół tej koncepcji, identyfikując wyzwania i budując solidne rozszerzenia:
- **Deterministyczne wyszukiwanie:** Deweloper *emailhuynhhuy* dostosował architekturę do przepływów pracy n8n, traktując warstwę wiki jako graf nawigacyjny Obsidian, jednocześnie zachowując surowe źródła jako zweryfikowane, wykonywalne pliki JSON — zapewniając 100% niezawodne i wolne od halucynacji wykonanie. - **Deterministyczne wyszukiwanie:** Deweloper *emailhuynhhuy* dostosował architekturę do przepływów pracy n8n, traktując warstwę knowledge jako graf nawigacyjny Obsidian, jednocześnie zachowując surowe źródła jako zweryfikowane, wykonywalne pliki JSON — zapewniając 100% niezawodne i wolne od halucynacji wykonanie.
- **Progresywna pamięć i zarządzanie:** Projekt *AI-Context-OS* wprowadził warstwowe elementy frontowe YAML (L0, L1, L2) do kontroli gęstości informacji i zapisywania tokenów kontekstowych, obok aktywnej telemetrii opartej na SQLite do audytu stanu pamięci i automatycznego usuwania redundancji. - **Progresywna pamięć i zarządzanie:** Projekt *AI-Context-OS* wprowadził warstwowe elementy frontowe YAML (L0, L1, L2) do kontroli gęstości informacji i zapisywania tokenów kontekstowych, obok aktywnej telemetrii opartej na SQLite do audytu stanu pamięci i automatycznego usuwania redundancji.
- **Pisane kontrakty JSON:** Projekt *wikimind* odkrył, że użycie typowanego kontraktu JSON zamiast swobodnego markdownu sprawia, że kompilator jest znacznie bardziej stabilny wśród różnych dostawców LLM, a jednocześnie dodaje "twierdzenia oznaczone zaufaniem", aby faza lintingu była prostym zapytaniem SQL. - **Pisane kontrakty JSON:** Projekt *knowledgemind* odkrył, że użycie typowanego kontraktu JSON zamiast swobodnego markdownu sprawia, że kompilator jest znacznie bardziej stabilny wśród różnych dostawców LLM, a jednocześnie dodaje "twierdzenia oznaczone zaufaniem", aby faza lintingu była prostym zapytaniem SQL.
- **Architektura grafów:** Projekty takie jak *SwarmVault* i *grover* traktują odwołania krzyżowe jako pierwszorzędne, trwałe krawędzie grafu, a nie tylko linki tekstowe, co pozwala na buforowanie podobieństw semantycznych i automatyczne śledzenie zależności. - **Architektura grafów:** Projekty takie jak *SwarmVault* i *grover* traktują odwołania krzyżowe jako pierwszorzędne, trwałe krawędzie grafu, a nie tylko linki tekstowe, co pozwala na buforowanie podobieństw semantycznych i automatyczne śledzenie zależności.
Wzór LLM Wiki udowadnia, że przyszłość osobistej i organizacyjnej AI to nie tylko szybsze czytanie; chodzi o efektywne kumulowanie wiedzy, tak aby koszt utrzymania genialnej, powiązanej bazy wiedzy spadł niemal do zera. Wzór LLM Knowledge Base udowadnia, że przyszłość osobistej i organizacyjnej AI to nie tylko szybsze czytanie; chodzi o efektywne kumulowanie wiedzy, tak aby koszt utrzymania genialnej, powiązanej bazy wiedzy spadł niemal do zera.
### Podobało Ci się to dogłębne zanurzenie? ### Podobało Ci się to dogłębne zanurzenie?
@@ -78,4 +78,4 @@ Piszę o systemach AI, AI i inżynierii danych, wewnętrznych aspektach LLM, arc
*Zanim pójdziesz:* *Zanim pójdziesz:*
👉 Koniecznie **klaszcz** i **podążaj za** autorem 👉 Koniecznie **klaszcz** i **podążaj za** autorem
brain/raw/articles/RAG, LLM Wiki, or Gbrain_ How Your Agent Remembers Changes Everything.md → brain/raw/articles/RAG, LLM knowledge, or Gbrain_ How Your Agent Remembers Changes Everything.md
+32 -32
View File
@@ -1,23 +1,23 @@
--- ---
title: "RAG, LLM Wiki, or Gbrain? How Your Agent Remembers Changes Everything" title: "RAG, LLM Knowledge Base, or Gbrain? How Your Agent Remembers Changes Everything"
source: "https://ai.gopubby.com/rag-llm-wiki-or-gbrain-how-your-agent-remembers-changes-everything-56829e66725c" source: "https://ai.gopubby.com/rag-llm-knowledge-or-gbrain-how-your-agent-remembers-changes-everything-56829e66725c"
author: author:
- "[[Yanli Liu]]" - "[[Yanli Liu]]"
published: 2026-04-27 published: 2026-04-27
created: 2026-06-11 created: 2026-06-11
description: "RAG, LLM Wiki, or Gbrain? How Your Agent Remembers Changes Everything Karpathy’s compounding wiki, Garry Tan’s autonomous brain, and the decision framework most teams skip Read this for …" description: "RAG, LLM Knowledge Base, or Gbrain? How Your Agent Remembers Changes Everything Karpathy’s compounding knowledge, Garry Tan’s autonomous brain, and the decision framework most teams skip Read this for …"
tags: tags:
- "clippings" - "clippings"
--- ---
## Wiki kompoundingu Karpathy'ego, autonomiczny mózg Garry'ego Tana i ramy decyzyjne, które większość zespołów pomija ## Knowledge Base kompoundingu Karpathy'ego, autonomiczny mózg Garry'ego Tana i ramy decyzyjne, które większość zespołów pomija
![](https://miro.medium.com/v2/resize:fit:1400/format:webp/0*v-DU4BcrM21CVxps) ![](https://miro.medium.com/v2/resize:fit:1400/format:webp/0*v-DU4BcrM21CVxps)
Zdjęcie: Elisa na Unsplash Zdjęcie: Elisa na Unsplash
[Przeczytaj to za darmo](https://medium.com/ai-advances/rag-llm-wiki-or-gbrain-how-your-agent-remembers-changes-everything-56829e66725c?sk=451323ab65a9d49cd1ae653ef4a1e8cb) [Przeczytaj to za darmo](https://medium.com/ai-advances/rag-llm-knowledge-or-gbrain-how-your-agent-remembers-changes-everything-56829e66725c?sk=451323ab65a9d49cd1ae653ef4a1e8cb)
Trzy tygodnie temu Andrej Karpathy opublikował na GitHubie informację, która w ciągu kilku dni osiągnęła 5 000 gwiazdek. Jego argument: przestań używać LLM-ów jako wyszukiwarek do swoich dokumentów. Wykorzystaj ich jako inżynierów wiedzy, którzy kompilują, odwołują i utrzymują żywą wiki. System się uczy. Wiedza się kumuluje. Trzy tygodnie temu Andrej Karpathy opublikował na GitHubie informację, która w ciągu kilku dni osiągnęła 5 000 gwiazdek. Jego argument: przestań używać LLM-ów jako wyszukiwarek do swoich dokumentów. Wykorzystaj ich jako inżynierów wiedzy, którzy kompilują, odwołują i utrzymują żywą knowledge. System się uczy. Wiedza się kumuluje.
Później Garry Tan wysłał GBrain – 24 autonomiczne umiejętności, 21 cronowych zadań oraz mózg obejmujący 17 888 stron. Jego system nie tylko zapamiętuje rzeczy. Działa na nich. Autonomicznie. Później Garry Tan wysłał GBrain – 24 autonomiczne umiejętności, 21 cronowych zadań oraz mózg obejmujący 17 888 stron. Jego system nie tylko zapamiętuje rzeczy. Działa na nich. Autonomicznie.
@@ -25,7 +25,7 @@ Obaj zgadzają się co do diagnozy: **samo RAG to za mało**. Twój agent czyta
Ale ich rozwiązania idą w przeciwnych kierunkach. Ale ich rozwiązania idą w przeciwnych kierunkach.
> Karpathy chce, aby twój agent zbudował trwałą, powiązaną wiki — wiedzę, która wzbogaca się z każdym kolejnym źródłem, które jej podajesz. > Karpathy chce, aby twój agent zbudował trwałą, powiązaną knowledge — wiedzę, która wzbogaca się z każdym kolejnym źródłem, które jej podajesz.
> >
> Garry Tan chce, aby twój agent wykorzystał tę wiedzę — umiejętności, które nie tylko wiedzą, ale też działają, działając w tle, gdy śpisz. > Garry Tan chce, aby twój agent wykorzystał tę wiedzę — umiejętności, które nie tylko wiedzą, ale też działają, działając w tle, gdy śpisz.
@@ -60,7 +60,7 @@ Jednak RAG ma fundamentalne ograniczenie, które [artykuł naukowy z 2024 roku o
**Problem bierności.** RAG czeka, aż zapytasz. Nigdy nie zauważa, że dokument, który indeksował w zeszły wtorek, stoi w sprzeczności z tym, który indeksował dziś. Nigdy nie wskazuje, że trzy źródła nie zgadzają się co do kluczowego szczegółu. Nigdy nie działa na podstawie tego, co wie. **Problem bierności.** RAG czeka, aż zapytasz. Nigdy nie zauważa, że dokument, który indeksował w zeszły wtorek, stoi w sprzeczności z tym, który indeksował dziś. Nigdy nie wskazuje, że trzy źródła nie zgadzają się co do kluczowego szczegółu. Nigdy nie działa na podstawie tego, co wie.
Te trzy luki — fragmentaryczny kontekst, brak kumulacji, brak działań — to właśnie to, do czego celują dwie nowe architektury. Wiki LLM Karpathy'ego atakuje pierwsze dwa. GBrain Garry'ego Tana atakuje wszystkie trzy. Te trzy luki — fragmentaryczny kontekst, brak kumulacji, brak działań — to właśnie to, do czego celują dwie nowe architektury. Knowledge Base LLM Karpathy'ego atakuje pierwsze dwa. GBrain Garry'ego Tana atakuje wszystkie trzy.
![](https://miro.medium.com/v2/resize:fit:1400/format:webp/1*BIEdTUr9mfaTZNp3IfqJFA.png) ![](https://miro.medium.com/v2/resize:fit:1400/format:webp/1*BIEdTUr9mfaTZNp3IfqJFA.png)
@@ -74,9 +74,9 @@ RAG wygrywa na dużą skalę, a przegrywa na głębokości. Jeśli masz 100 000
Architektura jest dojrzała. LangChain, LlamaIndex i kilkanaście innych frameworków ustandaryzowały ją. Twój zespół prawdopodobnie już wie, jak go zbudować. To ma większe znaczenie, niż przyznaje większość porównań architektonicznych. Architektura jest dojrzała. LangChain, LlamaIndex i kilkanaście innych frameworków ustandaryzowały ją. Twój zespół prawdopodobnie już wie, jak go zbudować. To ma większe znaczenie, niż przyznaje większość porównań architektonicznych.
**Tam, gdzie się trzyma.** RAG radzi sobie z rozmiarami korpusów, które mogłyby zablokować alternatywy. Firma posiadająca 200 000 wewnętrznych dokumentów — polityk, notatek, specyfikacji, eksportów ze Slacka — może indeksować wszystko i zacząć odpowiadać na pytania tego samego dnia. Brak wstępnego przetwarzania na strony wiki. Nie mam umiejętności inżynierskich w marce-down. Po prostu wstaw i idź. **Tam, gdzie się trzyma.** RAG radzi sobie z rozmiarami korpusów, które mogłyby zablokować alternatywy. Firma posiadająca 200 000 wewnętrznych dokumentów — polityk, notatek, specyfikacji, eksportów ze Slacka — może indeksować wszystko i zacząć odpowiadać na pytania tego samego dnia. Brak wstępnego przetwarzania na strony knowledge. Nie mam umiejętności inżynierskich w marce-down. Po prostu wstaw i idź.
Radzi sobie też ze świeżością. Gdy dokument się zmienia, ponownie go osadzasz. Następne zapytanie otrzymuje zaktualizowaną wersję. Nie jest potrzebny audyt wiki, nie trzeba przepisywać umiejętności. Radzi sobie też ze świeżością. Gdy dokument się zmienia, ponownie go osadzasz. Następne zapytanie otrzymuje zaktualizowaną wersję. Nie jest potrzebny audyt knowledge, nie trzeba przepisywać umiejętności.
**Gdzie się łamie.** Problem z chunkingiem z Sekcji 2 jest konstrukcyjny, nie da się go naprawić lepszymi rozmiarami chwałek. [Badanie z 2024 roku zidentyfikowało siedem punktów awarii](https://arxiv.org/abs/2401.05856) w produkcyjnych systemach RAG — a trzy z siedmiu występują zanim model językowy w ogóle zobaczy kontekst. **Gdzie się łamie.** Problem z chunkingiem z Sekcji 2 jest konstrukcyjny, nie da się go naprawić lepszymi rozmiarami chwałek. [Badanie z 2024 roku zidentyfikowało siedem punktów awarii](https://arxiv.org/abs/2401.05856) w produkcyjnych systemach RAG — a trzy z siedmiu występują zanim model językowy w ogóle zobaczy kontekst.
@@ -92,49 +92,49 @@ To także kwestia zgodności architektonicznej, którą zespoły rozumieją. Two
Diagram autora: Potok architektury RAG z punktami awarii Diagram autora: Potok architektury RAG z punktami awarii
## Architektura 2: LLM Wiki — Kompilator ## Architektura 2: LLM Knowledge Base — Kompilator
Wiki LLM wygrywa na poziomie głębokości, a przegrywa na skali. Jeśli masz mniej niż 1000 źródeł i chcesz, aby twoja wiedza wzbogacała się z każdym dokumentem, który jej przekazujesz, to właśnie ta architektura się kumuluje. Ale spróbuj na 100 000 dokumentów, a koszty utrzymania cię pogrążą. Knowledge Base LLM wygrywa na poziomie głębokości, a przegrywa na skali. Jeśli masz mniej niż 1000 źródeł i chcesz, aby twoja wiedza wzbogacała się z każdym dokumentem, który jej przekazujesz, to właśnie ta architektura się kumuluje. Ale spróbuj na 100 000 dokumentów, a koszty utrzymania cię pogrążą.
[Smysł Wiki LLM](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f) Karpathy'ego proponuje prostą, ale potężną zmianę: zamiast pobierać surowe fragmenty w czasie zapytania, użyj LLM do wstępnego skompilowania źródeł do trwałej, powiązanej wiki. Model wykonuje syntezę raz. Każde przyszłe zapytanie korzysta z tej pracy. [Smysł Knowledge Base LLM](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f) Karpathy'ego proponuje prostą, ale potężną zmianę: zamiast pobierać surowe fragmenty w czasie zapytania, użyj LLM do wstępnego skompilowania źródeł do trwałej, powiązanej knowledge. Model wykonuje syntezę raz. Każde przyszłe zapytanie korzysta z tej pracy.
**Architektura trójwarstwowa.** Surowe źródła są na dole — PDF-y, artykuły, transkrypcje, zakładki. Są niezmienne. LLM je czyta, ale nigdy ich nie modyfikuje. **Architektura trójwarstwowa.** Surowe źródła są na dole — PDF-y, artykuły, transkrypcje, zakładki. Są niezmienne. LLM je czyta, ale nigdy ich nie modyfikuje.
Powyżej znajduje się samo wiki — strony markdown generowane przez LLM, zawierające streszczenia, strony encji, definicje pojęć i odnośniki krzyżowe. LLM całkowicie kontroluje tę warstwę. Powyżej znajduje się samo knowledge — strony markdown generowane przez LLM, zawierające streszczenia, strony encji, definicje pojęć i odnośniki krzyżowe. LLM całkowicie kontroluje tę warstwę.
Na górze znajduje się schemat — plik konfiguracyjny (pomyśl CLAUDE.md), który informuje LLM, jak utrzymywać wiki: konwencje nazewnictwa, reguły krzyżowe, co jest sprzecznością. Na górze znajduje się schemat — plik konfiguracyjny (pomyśl CLAUDE.md), który informuje LLM, jak utrzymywać knowledge: konwencje nazewnictwa, reguły krzyżowe, co jest sprzecznością.
![](https://miro.medium.com/v2/resize:fit:1400/format:webp/1*EbqHmqSG0virfOJABcA3UA.png) ![](https://miro.medium.com/v2/resize:fit:1400/format:webp/1*EbqHmqSG0virfOJABcA3UA.png)
Diagram autora: LLM Wiki architektura trójwarstwowa Diagram autora: LLM Knowledge Base architektura trójwarstwowa
**Jak działa naliczanie składane.** Gdy wprowadzasz do systemu nowy dokument, LLM nie tworzy po prostu strony podsumowującej. Odczytuje nowe źródło względem istniejącej wiki i aktualizuje każdą stronę, która została dotknięta. Pojedynczy ingest zazwyczaj obejmuje 10–15 stron wiki — dodając odwołania, oznaczając sprzeczności, aktualizując profile podmiotów. **Jak działa naliczanie składane.** Gdy wprowadzasz do systemu nowy dokument, LLM nie tworzy po prostu strony podsumowującej. Odczytuje nowe źródło względem istniejącej knowledge i aktualizuje każdą stronę, która została dotknięta. Pojedynczy ingest zazwyczaj obejmuje 10–15 stron knowledge — dodając odwołania, oznaczając sprzeczności, aktualizując profile podmiotów.
Pętla zapytań dodatkowo to potęguje. Gdy zadajesz pytanie i otrzymujesz zsyntezowaną odpowiedź reprezentującą nową wiedzę, ta odpowiedź jest archiwizowana jako nowa strona wiki. Pocisk pochodzi z samego pytania. Jutrzejsze zapytania korzystają z dzisiejszej syntezy. Pętla zapytań dodatkowo to potęguje. Gdy zadajesz pytanie i otrzymujesz zsyntezowaną odpowiedź reprezentującą nową wiedzę, ta odpowiedź jest archiwizowana jako nowa strona knowledge. Pocisk pochodzi z samego pytania. Jutrzejsze zapytania korzystają z dzisiejszej syntezy.
I jest pętla konserwacji, którą większość ludzi pomija: proces usuwania kłaczków. Okresowo LLM audytuje całą wiki — znajduje osierocone strony bez linków, oznacza przestarzałe twierdzenia, identyfikuje koncepcje wspomniane, ale nigdy nie otrzymujące własnej strony. Wiki pozostaje zdrowa, bo maszyna wykonuje konserwację, którą ludzie zawsze porzucają. I jest pętla konserwacji, którą większość ludzi pomija: proces usuwania kłaczków. Okresowo LLM audytuje całą knowledge — znajduje osierocone strony bez linków, oznacza przestarzałe twierdzenia, identyfikuje koncepcje wspomniane, ale nigdy nie otrzymujące własnej strony. Knowledge Base pozostaje zdrowa, bo maszyna wykonuje konserwację, którą ludzie zawsze porzucają.
![](https://miro.medium.com/v2/resize:fit:1400/format:webp/1*_XMe1n7H40Y16g_k6aMyqg.png) ![](https://miro.medium.com/v2/resize:fit:1400/format:webp/1*_XMe1n7H40Y16g_k6aMyqg.png)
Diagram autora: Jak jeden dokument zajmuje 15 stron Diagram autora: Jak jeden dokument zajmuje 15 stron
==**Gdzie się łamie.**== ==Skala to twardy sufit. Wiki korzysta z plików markdown, które nawigują przez BM25 lub grep. To działa świetnie przy 100 źródłach, generując kilkaset stron wiki. Przy 10 000 źródeł nawigacja się psuje. Przy 100 000 jest nieużyteczny bez dodania warstwy wyszukiwania na wierzchu — co znów zaczyna przypominać RAG.== ==**Gdzie się łamie.**== ==Skala to twardy sufit. Knowledge Base korzysta z plików markdown, które nawigują przez BM25 lub grep. To działa świetnie przy 100 źródłach, generując kilkaset stron knowledge. Przy 10 000 źródeł nawigacja się psuje. Przy 100 000 jest nieużyteczny bez dodania warstwy wyszukiwania na wierzchu — co znów zaczyna przypominać RAG.==
Jest też koszt obliczeniowy z góry. Każde wejście wymaga od LLM przeczytania nowego źródła, przeczytania odpowiednich istniejących stron wiki oraz przepisania całej dotkniętej treści. To jest znacznie droższe za dokument niż osadzenie RAG. Dla osobistej wiki badawczej koszt jest do ogarnięcia. Dla bazy wiedzy korporacyjnej to rozmowa o budżecie. Jest też koszt obliczeniowy z góry. Każde wejście wymaga od LLM przeczytania nowego źródła, przeczytania odpowiednich istniejących stron knowledge oraz przepisania całej dotkniętej treści. To jest znacznie droższe za dokument niż osadzenie RAG. Dla osobistej knowledge badawczej koszt jest do ogarnięcia. Dla bazy wiedzy korporacyjnej to rozmowa o budżecie.
A wiki jest bierna. Pięknie gromadzi wiedzę, ale nie działa na jej podstawie. Nie zauważy, że termin wspomniany w trzech źródłach już minął. Nie wywoła powiadomienia, gdy nowy dokument jest sprzeczny z obowiązującą polityką. Wie — ale nie robi. A knowledge jest bierna. Pięknie gromadzi wiedzę, ale nie działa na jej podstawie. Nie zauważy, że termin wspomniany w trzech źródłach już minął. Nie wywoła powiadomienia, gdy nowy dokument jest sprzeczny z obowiązującą polityką. Wie — ale nie robi.
**Rzeczywistość biznesowa.** Ta architektura najlepiej sprawdza się dla badaczy, analityków i małych zespołów budujących głęboką wiedzę w konkretnej dziedzinie. Zespół śledzący zmiany regulacyjne w 200 dokumentach źródłowych? Świetne dopasowanie. Firma próbująca uczynić 500 000 stron Confluence podatnymi na zapytania? Złe narzędzie. **Rzeczywistość biznesowa.** Ta architektura najlepiej sprawdza się dla badaczy, analityków i małych zespołów budujących głęboką wiedzę w konkretnej dziedzinie. Zespół śledzący zmiany regulacyjne w 200 dokumentach źródłowych? Świetne dopasowanie. Firma próbująca uczynić 500 000 stron Confluence podatnymi na zapytania? Złe narzędzie.
Historia zarządzania danymi jest mieszana. Wiki tworzy kopie pochodne twojego materiału źródłowego — streszczenia, odnośniki, strony syntetyczne. W niektórych środowiskach regulacyjnych te artefakty pochodne podlegają wymogom przechowywania i audytu. To nie jest powód do rozstania, ale to rozmowa, którą powinien przeprowadzić twój zespół prawny. Historia zarządzania danymi jest mieszana. Knowledge Base tworzy kopie pochodne twojego materiału źródłowego — streszczenia, odnośniki, strony syntetyczne. W niektórych środowiskach regulacyjnych te artefakty pochodne podlegają wymogom przechowywania i audytu. To nie jest powód do rozstania, ale to rozmowa, którą powinien przeprowadzić twój zespół prawny.
**Werdykt:** Korzystaj z LLM Wiki, gdy twoich źródeł jest setki (nie tysiące), twoja wiedza powinna się kumulować z czasem, a chcesz syntezy — nie tylko wyszukiwania. Nie używaj go, gdy potrzebujesz świeżości w czasie rzeczywistym, ogromnej skali czy autonomicznej akcji. **Werdykt:** Korzystaj z LLM Knowledge Base, gdy twoich źródeł jest setki (nie tysiące), twoja wiedza powinna się kumulować z czasem, a chcesz syntezy — nie tylko wyszukiwania. Nie używaj go, gdy potrzebujesz świeżości w czasie rzeczywistym, ogromnej skali czy autonomicznej akcji.
## Architektura 3: Umiejętności grube — Operator ## Architektura 3: Umiejętności grube — Operator
Umiejętności grube wygrywają na autonomii, a tracą na dostępności. Jeśli chcesz wiedzy, która nie tylko leży, ale uruchamia akcje, działa według harmonogramów i z czasem powiększa swoje możliwości, to właśnie ta architektura działa. Ale wymaga to prawdziwych inwestycji inżynieryjnych — a obecnie to jednoosobowy spektakl. Umiejętności grube wygrywają na autonomii, a tracą na dostępności. Jeśli chcesz wiedzy, która nie tylko leży, ale uruchamia akcje, działa według harmonogramów i z czasem powiększa swoje możliwości, to właśnie ta architektura działa. Ale wymaga to prawdziwych inwestycji inżynieryjnych — a obecnie to jednoosobowy spektakl.
[GBrain](https://github.com/garrytan/gbrain) Garry'ego Tana wprowadza ideę, której ani RAG, ani LLM Wiki nie próbują: wiedzę, która działa. Nie tylko "co wiemy?", ale "co powinniśmy z tym zrobić i kiedy?" [GBrain](https://github.com/garrytan/gbrain) Garry'ego Tana wprowadza ideę, której ani RAG, ani LLM Knowledge Base nie próbują: wiedzę, która działa. Nie tylko "co wiemy?", ale "co powinniśmy z tym zrobić i kiedy?"
**Ważny kontekst:** *GBrain nie został zaprojektowany jako produkt korporacyjny. Został stworzony do działania na osobistych agentach AI — konkretnie na OpenClaw, Hermes i Claude Code*. README jest bezpośredni: " *Nasz agent AI jest bystry, ale zapominalski. GBrain nadaje mu mózg."* To infrastruktura zbudowana przez CEO Y Combinator, aby prowadzić własnych agentów, a następnie udostępniona jako open source. To pochodzenie kształtuje wszystko w architekturze — optymalizuje pod kątem przepływów pracy jednego użytkownika, a nie wdrożenia organizacyjnego. **Ważny kontekst:** *GBrain nie został zaprojektowany jako produkt korporacyjny. Został stworzony do działania na osobistych agentach AI — konkretnie na OpenClaw, Hermes i Claude Code*. README jest bezpośredni: " *Nasz agent AI jest bystry, ale zapominalski. GBrain nadaje mu mózg."* To infrastruktura zbudowana przez CEO Y Combinator, aby prowadzić własnych agentów, a następnie udostępniona jako open source. To pochodzenie kształtuje wszystko w architekturze — optymalizuje pod kątem przepływów pracy jednego użytkownika, a nie wdrożenia organizacyjnego.
@@ -198,7 +198,7 @@ Typowy zestaw crona może obejmować: scrapowanie Hacker News co sześć godzin
To też bardzo osobiste. GBrain opiera się na specyficznych przepływach pracy Garry'ego Tana — jego ludziach, firmach, harmonogramie wydawniczym. Architektura jest przenośna, ale implementacja nie polega na przeciąganiu i upuść. Nie możesz npm zainstalować czyjegoś mózgu. To też bardzo osobiste. GBrain opiera się na specyficznych przepływach pracy Garry'ego Tana — jego ludziach, firmach, harmonogramie wydawniczym. Architektura jest przenośna, ale implementacja nie polega na przeciąganiu i upuść. Nie możesz npm zainstalować czyjegoś mózgu.
A pytanie o skalę różni się od RAG czy Wiki. Repozytorium mózgowe GBraina obejmuje 17 888 stron — imponujące jak na system osobisty, niewielkie jak na przedsiębiorstwo. Zaplecze Postgres + pgvector teoretycznie mogłoby skalować się dalej, ale architektura umiejętności zakłada jednego operatora, który rozumie cały system. A pytanie o skalę różni się od RAG czy Knowledge Base. Repozytorium mózgowe GBraina obejmuje 17 888 stron — imponujące jak na system osobisty, niewielkie jak na przedsiębiorstwo. Zaplecze Postgres + pgvector teoretycznie mogłoby skalować się dalej, ale architektura umiejętności zakłada jednego operatora, który rozumie cały system.
**Rzeczywistość biznesowa.** Ta architektura dobrze pasuje do konkretnego wzorca przedsiębiorstwa: użytkownika zaawansowanego, który pełni rolę mnożnika siły dla swojego zespołu. Starszy analityk prowadzący autonomiczne procesy badawcze. Lider produktu, który potrzebuje codziennej aktualizacji analizy konkurencyjnej bez prośby. Kierownik inżynierii, którego agent monitoruje stan wdrożenia i eskaluje autonomicznie. **Rzeczywistość biznesowa.** Ta architektura dobrze pasuje do konkretnego wzorca przedsiębiorstwa: użytkownika zaawansowanego, który pełni rolę mnożnika siły dla swojego zespołu. Starszy analityk prowadzący autonomiczne procesy badawcze. Lider produktu, który potrzebuje codziennej aktualizacji analizy konkurencyjnej bez prośby. Kierownik inżynierii, którego agent monitoruje stan wdrożenia i eskaluje autonomicznie.
@@ -226,21 +226,21 @@ Używaj RAG. To nie jest efektowne, ale to architektura, która skaluje się do
**Twój agent buduje wiedzę, która powinna się kumulować z czasem.** Masz setki źródeł — artykuły naukowe, dokumenty regulacyjne, analizy konkurencji, specyfikacje techniczne. Wartość nie tkwi w żadnym pojedynczym dokumencie, lecz w powiązaniach między nimi. Chcesz, żeby twój agent stawał się coraz mądrzejszy, im dłużej go używasz. **Twój agent buduje wiedzę, która powinna się kumulować z czasem.** Masz setki źródeł — artykuły naukowe, dokumenty regulacyjne, analizy konkurencji, specyfikacje techniczne. Wartość nie tkwi w żadnym pojedynczym dokumencie, lecz w powiązaniach między nimi. Chcesz, żeby twój agent stawał się coraz mądrzejszy, im dłużej go używasz.
Użyj LLM Wiki. Podaj mu swoje źródła, pozwól mu budować odwołania krzyżowe i zapytuj skompilowaną wiki zamiast surowych fragmentów. Twoje setne zapytanie będzie znacznie lepsze niż pierwsze — czego RAG nigdy nie będzie w stanie obiecać. Użyj LLM Knowledge Base. Podaj mu swoje źródła, pozwól mu budować odwołania krzyżowe i zapytuj skompilowaną knowledge zamiast surowych fragmentów. Twoje setne zapytanie będzie znacznie lepsze niż pierwsze — czego RAG nigdy nie będzie w stanie obiecać.
**Twój agent musi działać na podstawie tego, co wie, bez proszenia.** Nie chcesz tylko odpowiedzi. Chcesz, aby twój agent monitorował, oznaczał, wzbogacał i realizował. Chcesz, żeby działał podczas snu, rejestrował informacje z powrotem do systemu, uruchamiał przepływy pracy przy zmianie warunków. **Twój agent musi działać na podstawie tego, co wie, bez proszenia.** Nie chcesz tylko odpowiedzi. Chcesz, aby twój agent monitorował, oznaczał, wzbogacał i realizował. Chcesz, żeby działał podczas snu, rejestrował informacje z powrotem do systemu, uruchamiał przepływy pracy przy zmianie warunków.
Używaj umiejętności otyłości. Ale budżet na inżynierię. To nie jest weekendowy hack — to baza kodu z testami, ocenami i nakładem na konserwację. Efektem jest agent, który działa, a nie tylko odpowiada. Używaj umiejętności otyłości. Ale budżet na inżynierię. To nie jest weekendowy hack — to baza kodu z testami, ocenami i nakładem na konserwację. Efektem jest agent, który działa, a nie tylko odpowiada.
**Hybrydowa rzeczywistość.** Systemy produkcyjne nie będą trzymać się jednego pasa. Najbardziej zaawansowane architektury łączą wszystkie trzy: RAG dla warstwy wyszukiwania (znajdowanie istotnej zawartości na dużą skalę), Wiki dla warstwy syntezy (kompilacja pobranych treści do trwałej wiedzy) oraz umiejętności dla warstwy akcji (operacjonalizacja tej wiedzy w autonomicznych przepływach pracy). **Hybrydowa rzeczywistość.** Systemy produkcyjne nie będą trzymać się jednego pasa. Najbardziej zaawansowane architektury łączą wszystkie trzy: RAG dla warstwy wyszukiwania (znajdowanie istotnej zawartości na dużą skalę), Knowledge Base dla warstwy syntezy (kompilacja pobranych treści do trwałej wiedzy) oraz umiejętności dla warstwy akcji (operacjonalizacja tej wiedzy w autonomicznych przepływach pracy).
Claude Code już sugeruje tę zbieżność. CLAUDE.md pliki działają jak mini-wiki (trwały kontekst, który kumuluje się między sesjami). Pamięć automatyczna uczy się na podstawie interakcji (kumulacja). Umiejętności wywołują przepływy pracy (akcję). To nie jest celowe wdrożenie wszystkich trzech wzorców — ale te same naciski przyniosły te same rozwiązania. Claude Code już sugeruje tę zbieżność. CLAUDE.md pliki działają jak mini-knowledge (trwały kontekst, który kumuluje się między sesjami). Pamięć automatyczna uczy się na podstawie interakcji (kumulacja). Umiejętności wywołują przepływy pracy (akcję). To nie jest celowe wdrożenie wszystkich trzech wzorców — ale te same naciski przyniosły te same rozwiązania.
## Dokąd to zmierza ## Dokąd to zmierza
Podział na trzy strony nie potrwa długo. Podobnie jak bazy danych ewoluowały od "wybierz SQL lub NoSQL" do systemów hybrydowych obsługujących oba te systemy, tak architektury wiedzy się zbliżają. Podział na trzy strony nie potrwa długo. Podobnie jak bazy danych ewoluowały od "wybierz SQL lub NoSQL" do systemów hybrydowych obsługujących oba te systemy, tak architektury wiedzy się zbliżają.
Wczesne oznaki są już widoczne. Rozszerzenia społecznościowe LLM Wiki v2 firmy Karpathy [dodają warstwy wyszukiwania na skompilowanych wiki](https://gist.github.com/rohitg00/2067ab416f7bbe447c1977edaaa681e2) — łącząc skalę łączącą się ze skalą. Umiejętności GBraina już teraz zapytują backend Postgres + pgvector — akcja spotyka się z wyszukiwaniem. A platformy korporacyjne, takie jak Neo4j, [budują warstwy wiedzy](https://neo4j.com/blog/agentic-ai/knowledge-layer/) łączące bazy danych grafów, wyszukiwanie wektorowe i rozumowanie semantyczne w jednym punkcie dostępowym. Wczesne oznaki są już widoczne. Rozszerzenia społecznościowe LLM Knowledge Base v2 firmy Karpathy [dodają warstwy wyszukiwania na skompilowanych knowledge](https://gist.github.com/rohitg00/2067ab416f7bbe447c1977edaaa681e2) — łącząc skalę łączącą się ze skalą. Umiejętności GBraina już teraz zapytują backend Postgres + pgvector — akcja spotyka się z wyszukiwaniem. A platformy korporacyjne, takie jak Neo4j, [budują warstwy wiedzy](https://neo4j.com/blog/agentic-ai/knowledge-layer/) łączące bazy danych grafów, wyszukiwanie wektorowe i rozumowanie semantyczne w jednym punkcie dostępowym.
Pytanie na 2026 rok nie brzmi "która architektura wygra". Chodzi o to, jak szybko granice między pobieraniem, kompilowaniem i działaniem rozmywają się w jednym systemie operacyjnym z wiedzą, który obsługuje wszystkie trzy elementy. Pytanie na 2026 rok nie brzmi "która architektura wygra". Chodzi o to, jak szybko granice między pobieraniem, kompilowaniem i działaniem rozmywają się w jednym systemie operacyjnym z wiedzą, który obsługuje wszystkie trzy elementy.
@@ -251,7 +251,7 @@ Diagram autora: Konwergencja — pobieranie, kompilacja, nakładanie się dział
Jeśli chcesz zacząć eksplorować już dziś: Jeśli chcesz zacząć eksplorować już dziś:
- **RAG:** [Samouczek RAG od LangChain](https://python.langchain.com/docs/tutorials/rag/) to wciąż najszybsza droga do działającego prototypu - **RAG:** [Samouczek RAG od LangChain](https://python.langchain.com/docs/tutorials/rag/) to wciąż najszybsza droga do działającego prototypu
- **LLM Wiki:** [Sedno Karpathy'ego](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f) to 200 linii schematu, które możesz dziś wykorzystać przeciwko Claude'owi lub GPT - **LLM Knowledge Base:** [Sedno Karpathy'ego](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f) to 200 linii schematu, które możesz dziś wykorzystać przeciwko Claude'owi lub GPT
- **Fat Skills:** [repozytorium GBraina](https://github.com/garrytan/gbrain) jest otwartoźródłowe — przeczytaj RESOLVER.md i THIN\_HARNESS\_FAT\_SKILLS.md zanim przeczytasz jakikolwiek kod - **Fat Skills:** [repozytorium GBraina](https://github.com/garrytan/gbrain) jest otwartoźródłowe — przeczytaj RESOLVER.md i THIN\_HARNESS\_FAT\_SKILLS.md zanim przeczytasz jakikolwiek kod
Warstwa wiedzy to ta część stosu agentów, o której nikt nie mówi, dopóki nie zepsuje się. Teraz już wiesz, jakie masz opcje. Warstwa wiedzy to ta część stosu agentów, o której nikt nie mówi, dopóki nie zepsuje się. Teraz już wiesz, jakie masz opcje.
@@ -291,4 +291,4 @@ Jeśli podobała ci się moja historia i chcesz mnie wesprzeć:
### Przeczytaj teksty Yanli Liu na Medium. Dzienny specjalista finansowy z Luksemburga, doświadczony programista i pasjonat... ### Przeczytaj teksty Yanli Liu na Medium. Dzienny specjalista finansowy z Luksemburga, doświadczony programista i pasjonat...
medium.com medium.com
brain/raw/articles/Rewolucja OpenCode_ coś więcej niż kolejny chatbot.md
+3 -3
View File
@@ -158,9 +158,9 @@ Opencode with local AI:
medium.com medium.com
## [LLM-wiki local & locall LLM: part 2](https://medium.com/artificial-intel-ligence-playground/llm-wiki-local-locall-llm-part-2-88ecfa2cf6c2?source=post_page-----21706215701f---------------------------------------) ## [LLM-knowledge local & locall LLM: part 2](https://medium.com/artificial-intel-ligence-playground/llm-knowledge-local-locall-llm-part-2-88ecfa2cf6c2?source=post_page-----21706215701f---------------------------------------)
### How to implement LLM-Wiki with opencode and llama.cpp, all tricks included ### How to implement LLM-Knowledge Base with opencode and llama.cpp, all tricks included
medium.com medium.com
@@ -253,4 +253,4 @@ medium.com
### And why this is not what you think: it is a tragedy! ### And why this is not what you think: it is a tragedy!
medium.com medium.com
brain/raw/articles/Wielka debata Folgezettel.md
+2 -2
View File
@@ -31,7 +31,7 @@ Czasami miałem trudności z Folgezettel, zwłaszcza gdy moje archiwum przekrocz
Jednym z najważniejszych przełomów w rozbudowie mojego systemu PKM było wprowadzenie stałych notacji. Gdy notatka zostanie przypisana do UID i umieszczona w archiwum, pozostaje tam. Nie tasuję indeksu tylko dlatego, że notatka może lepiej pasować gdzie indziej. To ograniczenie zmusza mnie do myślenia relacyjnie, a nie hierarchicznie. Zamiast reorganizować, tworzę ogniwa — wyraźne, zamierzone powiązania między łańcuchami myśli. Jednym z najważniejszych przełomów w rozbudowie mojego systemu PKM było wprowadzenie stałych notacji. Gdy notatka zostanie przypisana do UID i umieszczona w archiwum, pozostaje tam. Nie tasuję indeksu tylko dlatego, że notatka może lepiej pasować gdzie indziej. To ograniczenie zmusza mnie do myślenia relacyjnie, a nie hierarchicznie. Zamiast reorganizować, tworzę ogniwa — wyraźne, zamierzone powiązania między łańcuchami myśli.
Te linki nie są przypadkowe. To nie są hiperłącza w stylu Wiki wrzucone dla wygody. Każdy musi odpowiedzieć na pytanie: Dlaczego nawiązano to połączenie? To rozumowanie staje się częścią znaczenia notatki. To nie tylko nawigacja — to kwestia interpretacji. Te linki nie są przypadkowe. To nie są hiperłącza w stylu Knowledge Base wrzucone dla wygody. Każdy musi odpowiedzieć na pytanie: Dlaczego nawiązano to połączenie? To rozumowanie staje się częścią znaczenia notatki. To nie tylko nawigacja — to kwestia interpretacji.
Zauważyłem wykładniczą korzyść w "przesiewaniu" linii myślenia folgezettel, aby znaleźć właściwy punkt wstawienia. Ten proces nie jest tylko mechaniczny — jest też poznawczy. Zmusza mnie to do ponownego przemyślenia wcześniejszych pomysłów, sprawdzenia ich trafności i wyjaśnienia relacji między nową a istniejącą wiedzą. Akt umieszczania staje się formą myślenia. Zauważyłem wykładniczą korzyść w "przesiewaniu" linii myślenia folgezettel, aby znaleźć właściwy punkt wstawienia. Ten proces nie jest tylko mechaniczny — jest też poznawczy. Zmusza mnie to do ponownego przemyślenia wcześniejszych pomysłów, sprawdzenia ich trafności i wyjaśnienia relacji między nową a istniejącą wiedzą. Akt umieszczania staje się formą myślenia.
@@ -67,4 +67,4 @@ medium.com
### Przypisy i bibliografia ### Przypisy i bibliografia
(1) Sascha Fast, (28 lutego 2022) "Nie, nie lekceważę mocy mrocznego folgezettel — przyjmuję jego źródło mocy," Zettelkasten.de. Pobrano z < [https://zettelkasten.de/posts/embrace-dark-folgezettel-power/](https://zettelkasten.de/posts/embrace-dark-folgezettel-power/) (Zweryfikowany link: 2025–09-15) (1) Sascha Fast, (28 lutego 2022) "Nie, nie lekceważę mocy mrocznego folgezettel — przyjmuję jego źródło mocy," Zettelkasten.de. Pobrano z < [https://zettelkasten.de/posts/embrace-dark-folgezettel-power/](https://zettelkasten.de/posts/embrace-dark-folgezettel-power/) (Zweryfikowany link: 2025–09-15)