Jun 18, 2026, 11:56 AM

2026-06-18 09:56:58 +00:00
parent 02662603e8
commit 8190368188
24 changed files with 526 additions and 6 deletions
@@ -0,0 +1,27 @@
+---
+title: "Adversarial Framing (Afrontacyjne Ramy)"
+type: "concept"
+tags: [prompting, system-design, alignment, security]
+created: 2026-06-18
+updated: 2026-06-18
+sources: ["[[summaries/10-claude-prompts-replace-consultant]]"]
+confidence: high
+---
+
+# Adversarial Framing (Afrontacyjne Ramy)
+
+## Definition
+Technika inżynierii podpowiedzi (prompt engineering) polegająca na celowym instruowaniu modelu językowego do przyjęcia krytycznej, sceptycznej, wręcz wrogiej postawy wobec dostarczonego wejścia (kodu, umowy, tekstu). Usuwa to domyślne dążenie modelu do bycia miłym, uprzejmym i unikania bezpośredniej konfrontacji (tzw. filtr uprzejmości).
+
+## How It Works
+Większość modeli LLM podczas standardowej interakcji stara się podobać użytkownikowi, co sprawia, że ich recenzje są powierzchowne, a błędy logiczne łagodzone słowami pocieszenia. Afrontacyjne ramy przełamują tę barierę poprzez użycie rygorystycznych, dyrektywnych zwrotów:
+- *"Bądź głęboko sceptyczny wobec tego kodu i z nienawiścią podejdź do długu technicznego."*
+- *"Rozerwij tę umowę na strzępy."*
+- *"Pomiń wszelkie zastrzeżenia, uprzejmości i ostrzeżenia. Powiedz brutalnie szczerą prawdę."*
+- *"Nie bądź zachęcający — bądź bezwzględnie rygorystyczny."*
+
+## Why It Matters
+Afrontacyjne ramy drastycznie zmieniają jakość wyników analitycznych. Model przestaje działać jako prosty generator tekstu, a staje się surowym audytorem. Pomaga to wykryć krytyczne podatności w kodzie, ukryte ryzyka w umowach prawnych oraz luki w modelach biznesowych, których "uprzejmy asystent" nigdy by nie sformułował.
+
+## Sources
+- [[summaries/10-claude-prompts-replace-consultant]]
@@ -3,8 +3,8 @@ title: "Claude Skills (Umiejętności Claude'a)"
 type: "concept"
 tags: [claude, agent-ai, modularity, system-design]
 created: 2026-06-09
-updated: 2026-06-09
-sources: ["[[summaries/best-12-claude-skills-setup]]"]
+updated: 2026-06-18
+sources: ["[[summaries/best-12-claude-skills-setup]]", "[[summaries/archive-obsidian-skill]]"]
 confidence: high
 ---

@@ -22,5 +22,9 @@ Pojedyncza umiejętność (Skill) składa się z trzech opcjonalnych elementów:
 ## Incremental Context Loading
 Największą zaletą umiejętności jest tzw. **stopniowe ujawnianie (Incremental Context Loading)**. Agent nie ma wszystkich instrukcji wgranych na stałe do okna kontekstowego (co szybko przepełniłoby pamięć). Zamiast tego czyta jedynie krótkie opisy i nagłówki YAML z plików `SKILL.md`. Dopiero gdy zapytanie użytkownika pasuje do opisu (np. prośba o wygenerowanie pliku `.docx`), agent ładuje pełen zestaw instrukcji i plików powiązanych z tą konkretną umiejętnością.

+## Practical Evolution
+Zgodnie z koncepcją opisaną przez Bulenta Gorkema, budowa umiejętności jest logiczną ewolucją pracy ręcznej z MCP. Gdy manualny proces (np. archiwizacja rozmowy do Obsidian za pomocą `mcp-obsidian`) ustabilizuje się i przyjmie spójny format, spakowanie go w `SKILL.md` z unikalnym wyzwalaczem (np. "zarchiwizuj to") eliminuje konieczność ciągłego powtarzania instrukcji, zapewniając deterministyczny format wyjściowy w każdej nowej sesji czatu.
+
 ## Sources
 - [[summaries/best-12-claude-skills-setup]]
+- [[summaries/archive-obsidian-skill]]
@@ -0,0 +1,31 @@
+---
+title: "Conversation Archiving (Archiwizacja Rozmów AI)"
+type: "concept"
+tags: [pkm, knowledge-compilation, productivity, workflows]
+created: 2026-06-18
+updated: 2026-06-18
+sources: ["[[summaries/archive-obsidian-skill]]"]
+confidence: high
+---
+
+# Conversation Archiving (Archiwizacja Rozmów AI)
+
+## Definition
+Systematyczna praktyka destylowania wartościowych sesji konwersacyjnych z modelami AI i zapisywania ich w formie ustrukturyzowanych, trwałych notatek Markdown w lokalnym systemie zarządzania wiedzą (PKM).
+
+## How It Works
+Zamiast pozostawiać wartościową wiedzę w ulotnej historii czatu przeglądarki, użytkownik (często za pomocą serwera MCP lub dedykowanej Umiejętności) przekształca konwersację w notatkę referencyjną zawierającą:
+- Krótkie podsumowanie i kontekst podjęcia tematu.
+- **Kluczowe decyzje architektoniczne** ("wybraliśmy X zamiast Y, ponieważ Z").
+- **Działający kod** (gotowe skrypty, zapytania SQL, jednolinijkowce).
+- 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.
+
+## Why It Matters
+1. **Przetrwanie wiedzy**: Kluczowe wnioski z debugowania i kompromisy projektowe nie znikają po zamknięciu karty.
+2. **Kompilacja osobistego korpusu**: Z czasem użytkownik buduje bezcenną, lokalną i offline bazę wiedzy, która jest w pełni przeszukiwalna.
+3. **Optymalizacja kontekstu (Tani RAG)**: Wklejenie zarchiwizowanej, zwięzłej notatki z poprzedniej rozmowy z powrotem do nowego czatu to najszybszy i najtańszy sposób na przekazanie modelowi precyzyjnej "pamięci" o projekcie, eliminujący potrzebę ponownego tłumaczenia całego kontekstu od zera.
+
+## Sources
+- [[summaries/archive-obsidian-skill]]
@@ -0,0 +1,29 @@
+---
+title: "Deep Research (Głębokie Badania)"
+type: "concept"
+tags: [deep-research, autonomous-agents, reasoning, ai-pipelines]
+created: 2026-06-18
+updated: 2026-06-18
+sources: ["[[summaries/hyperresearch-deep-research-agent]]"]
+confidence: high
+---
+
+# Deep Research (Głębokie Badania)
+
+## Definition
+Zaawansowany wzorzec działania agentów AI, polegający na autonomicznym, wieloetapowym i iteracyjnym badaniu zadanego tematu. Proces ten obejmuje masowe przeszukiwanie sieci, wchodzenie w "królicze nory" linków referencyjnych, krzyżową weryfikację sprzeczności, krytyczną analizę własnych wniosków oraz generowanie syntetycznych raportów na poziomie akademickim (Ph.D.).
+
+## How It Works
+W przeciwieństwie do standardowego wyszukiwania (które polega na pojedynczym zapytaniu i streszczeniu pierwszej strony wyników), Głębokie Badania realizują skomplikowany, wieloetapowy potok:
+1. **Dekompozycja**: Rozbicie zapytania na atomowe podpytania.
+2. **Przemiatanie szerokości**: Równoległe pobieranie setek stron przez lekkie subagenty.
+3. **Analiza sprzeczności**: Automatyczne wykrywanie niespójności i sporów między źródłami rynkowymi.
+4. **Badanie głębi**: Drążenie specyficznych wątków (loci) i przyjmowanie zdecydowanych hipotez roboczych.
+5. **Krytyka i weryfikacja**: Kwestionowanie kierunku własnej analizy, aktywne szukanie dowodów przeciwnych (kontrdowodów) i uzupełnianie luk informacyjnych.
+6. **Synteza**: Tworzenie alternatywnych wersji roboczych raportu, scalanie ich i rygorystyczne redagowanie pod kątem czytelności i czystości tekstu.
+
+## Why It Matters
+Głębokie Badania zmieniają rolę LLM z pasywnego wyszukiwacza (RAG) w aktywnego naukowca. Pozwala to na pełną automatyzację skomplikowanych analiz rynkowych, audytów technicznych czy badań naukowych. Dzięki izolacji zadań w strukturach subagentowych (np. w HyperResearch), proces ten zapobiega przepełnieniu i "skażeniu" głównego okna kontekstowego modelu tysiącami słów surowych tekstów internetowych.
+
+## Sources
+- [[summaries/hyperresearch-deep-research-agent]]
@@ -0,0 +1,27 @@
+---
+title: "Dream Cycle (Cykl Snów)"
+type: "concept"
+tags: [knowledge-maintenance, optimization, memory-systems, autonomous-agents]
+created: 2026-06-18
+updated: 2026-06-18
+sources: ["[[summaries/gbrain-long-term-memory]]"]
+confidence: high
+---
+
+# Dream Cycle (Cykl Snów)
+
+## Definition
+Autonomiczny, periodyczny (zazwyczaj nocny) potok optymalizacji i konserwacji bazy wiedzy, realizowany przez agenta AI w celu utrzymania spójności, integralności i gęstości połączeń w przechowywanej pamięci trwałej.
+
+## 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:
+1. **Naprawa odnośników**: Wykrywa i naprawia uszkodzone, puste lub nieaktualne linki zwrotne (`[[WikiLinks]]`).
+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`).
+4. **Przebudowa osadzeń (Re-embedding)**: Generuje zaktualizowane wektory semantyczne dla dokumentów, które zostały zmodyfikowane w ciągu dnia, zapewniając ich wysoką wykrywalność w wyszukiwaniu hybrydowym.
+
+## Why It Matters
+Ludzie mają tendencję do porzucania baz wiedzy (PKM), ponieważ koszt ich ręcznej konserwacji (bookkeeping, aktualizacja indeksów, sprawdzanie linków) rośnie szybciej niż dostarczana wartość. Przeniesienie tego ciężaru na autonomiczny proces nocny (Dream Cycle) sprawia, że system uczy się w tle i codziennie rano jest czysty, spójny oraz mądrzejszy, bez żadnego wysiłku ze strony człowieka.
+
+## Sources
+- [[summaries/gbrain-long-term-memory]]
@@ -0,0 +1,27 @@
+---
+title: "Hybrid Search (Wyszukiwanie Hybrydowe)"
+type: "concept"
+tags: [retrieval, search-systems, database, vector-embeddings]
+created: 2026-06-18
+updated: 2026-06-18
+sources: ["[[summaries/gbrain-long-term-memory]]"]
+confidence: high
+---
+
+# Hybrid Search (Wyszukiwanie Hybrydowe)
+
+## Definition
+Zaawansowana strategia pobierania informacji (Retrieval), polegająca na jednoczesnym przeszukiwaniu bazy danych za pomocą dopasowania semantycznego (wyszukiwanie wektorowe/Dense Retrieval) oraz tradycyjnego dopasowania słów kluczowych (wyszukiwanie tekstowe/Sparse Retrieval, np. BM25/ripgrep), a następnie scaleniu i zreparametryzowaniu wyników w jeden zoptymalizowany ranking.
+
+## How It Works
+Wyszukiwanie hybrydowe łączy mocne strony dwóch odmiennych podejść:
+1. **Wyszukiwanie Wektorowe (np. pgvector)**: Rozumie kontekst i synonimy (np. zapytanie o "bazy danych" zwróci wyniki zawierające "PostgreSQL" lub "SQL Server", nawet jeśli słowo "baza" tam nie występuje). Jednak gubi się przy dokładnych dopasowaniach nazw własnych, unikalnych kodów, symboli czy numerów wersji.
+2. **Wyszukiwanie Słów Kluczowych (np. BM25)**: Doskonale radzi sobie z precyzyjnymi identyfikatorami (np. wyszukanie "0.7.0" lub specyficznego nazwiska), ale całkowicie ignoruje znaczenie pojęciowe słów.
+
+Po wykonaniu obu zapytań system stosuje algorytm fuzji (np. *Reciprocal Rank Fusion - RRF*), aby wygenerować ostateczną listę najbardziej trafnych wyników.
+
+## Performance Benchmark
+Zastosowanie wyszukiwania hybrydowego w rzeczywistych testach (np. w benchmarku *LongMemEval* systemu GBrain) pozwala osiągnąć dokładność **R@5 = 97,9%**, co oznacza, że poszukiwany fragment wiedzy znajduje się w pierwszej piątce wyników w niemal 98% przypadków. Przewyższa to czyste wyszukiwanie wektorowe stosowane w większości tradycyjnych potoków RAG.
+
+## Sources
+- [[summaries/gbrain-long-term-memory]]
@@ -3,8 +3,8 @@ title: "Multi-Agent Orchestration (Orkiestracja Wieloagentowa)"
 type: "concept"
 tags: [agent-orchestration, system-design, AI]
 created: 2026-06-09
-updated: 2026-06-09
-sources: ["[[summaries/building-llm-research-knowledge-philosophy]]"]
+updated: 2026-06-18
+sources: ["[[summaries/building-llm-research-knowledge-philosophy]]", "[[summaries/hyperresearch-deep-research-agent]]"]
 confidence: high
 ---

@@ -19,8 +19,12 @@ Przykładem praktycznego wdrożenia tej koncepcji była początkowa konfiguracja
 - **Agent B (Strateg migracji)**: Odpowiadał za opracowanie optymalnego podejścia do wdrożenia dużej, istniejącej kolekcji dokumentów i notatek użytkownika (problem "5000 notatek / 4000 PDF-ów").
 - **Agent C (Inicjalizator struktury)**: Stworzył fizyczną strukturę folderów, przygotował szablony dokumentów, napisał zasady w `CLAUDE.md` i wykonał pierwszy pełny proces ingestu dla 38 stron.

+## Subagent Isolation (Anti-Context Contamination)
+W nowoczesnych potokach analitycznych (takich jak **HyperResearch**), orkiestracja wieloagentowa służy jako tarcza chroniąca główne okno kontekstowe przed "skażeniem" (Context Contamination). Zamiast wklejać tysiące słów pobranych surowych stron internetowych bezpośrednio do głównego agenta piszącego raport, zadania te są delegowane do jednorazowych, izolowanych subagentów (pobierających). Główny koordynator otrzymuje jedynie zwięzłe destylaty i syntezy, działając w optymalnej i wolnej od szumu "strefie inteligentnej".
+
 ## Why It Matters
 Podział pracy zapobiega przeciążeniu okna kontekstowego pojedynczego agenta i drastycznie zwiększa jakość wykonywanej pracy (każdy agent skupia się na wąskiej specjalizacji). Po zakończeniu fazy orkiestracji, stały kontrakt (`CLAUDE.md`) pozwala jednemu agentowi pełnić rolę codziennego zarządcy systemu.

 ## Sources
 - [[summaries/building-llm-research-knowledge-philosophy]]
+- [[summaries/hyperresearch-deep-research-agent]]
@@ -0,0 +1,27 @@
+---
+title: "Role Specificity (Specyficzność Roli)"
+type: "concept"
+tags: [prompting, expert-roles, persona, system-design]
+created: 2026-06-18
+updated: 2026-06-18
+sources: ["[[summaries/10-claude-prompts-replace-consultant]]"]
+confidence: high
+---
+
+# Role Specificity (Specyficzność Roli)
+
+## Definition
+Zaawansowana technika promptowania polegająca na konfigurowaniu modelu LLM poprzez nadawanie mu ultradokładnych, wąskich i niszowych tożsamości eksperckich z realnym kontekstem operacyjnym, zamiast ogólnego polecenia "działaj jak ekspert".
+
+## How It Works
+Generyczne polecenia ("działaj jak CFO" lub "bądź programistą") generują generyczne odpowiedzi, ponieważ model uśrednia wiedzę ze zbioru treningowego. Aby uzyskać precyzyjną, profesjonalną analizę, rola musi być maksymalnie zawężona i osadzona w realiach:
+- **Zamiast**: *"Bądź prawnikiem i oceń umowę."*
+- **Należy użyć**: *"Jesteś starszym prawnikiem handlowym specjalizującym się w kontraktach SaaS i B2B. Twoim zadaniem jest..."*
+- **Zamiast**: *"Działaj jak inwestor."*
+- **Należy użyć**: *"Jesteś partnerem w funduszu VC klasy Series A, który przeanalizował w tym roku 1,000 pitch decków i sfinansował tylko 8..."*
+
+## Why It Matters
+Modele LLM domyślnie dopasowują poziom swoich wypowiedzi do przeciętnego zapytania. Dokładne opisanie roli, doświadczenia, środowiska pracy oraz codziennych wyzwań wirtualnego eksperta zmusza model do wydobycia z parametrów najbardziej wyspecjalizowanej i głębokiej wiedzy domenowej, co skutkuje odpowiedziami o nieporównywalnie wyższej wartości merytorycznej.
+
+## Sources
+- [[summaries/10-claude-prompts-replace-consultant]]
@@ -0,0 +1,20 @@
+---
+title: "Aeza"
+type: "entity"
+tags: [hosting, vps, cloud, infrastructure]
+created: 2026-06-18
+updated: 2026-06-18
+sources: ["[[summaries/gbrain-long-term-memory]]"]
+confidence: high
+---
+
+# Aeza
+
+## Description
+Europejski dostawca usług hostingu w chmurze i serwerów VPS (Virtual Private Server), ceniony za doskonały stosunek ceny do wydajności oraz zaawansowaną ochronę sieciową.
+
+## Use Case in Agentic Memory
+W kontekście systemów pamięci agentowej (takich jak GBrain), Aeza jest rekomendowanym dostawcą serwerów z następujących powodów:
+- **Ciągłe procesy nocne**: Autonomiczna optymalizacja bazy (Dream Cycle) wymaga maszyny działającej 24/7, co wyklucza komputery osobiste, które są usypiane na noc.
+- **Zasoby i pgvector**: Hybrydowe wyszukiwanie z użyciem PostgreSQL i pgvector wymaga stabilnego CPU oraz pamięci RAM (konfiguracje VPS zaczynające się od ~$5/miesięcznie z 1 vCPU i 2GB RAM są w pełni wystarczające do obsługi GBrain).
+- **Bezpieczeństwo**: Wbudowana natywna ochrona DDoS KVM chroni krytyczną, osobistą bazę wiedzy użytkownika przed atakami zewnętrznymi.
@@ -0,0 +1,24 @@
+---
+title: "GBrain"
+type: "entity"
+tags: [gbrain, y-combinator, memory-system, open-source]
+created: 2026-06-18
+updated: 2026-06-18
+sources: ["[[summaries/gbrain-long-term-memory]]"]
+confidence: high
+---
+
+# GBrain
+
+## Description
+Otwartoźródłowy system pamięci długoterminowej dla agentów AI, stworzony i udostępniony przez Garry'ego Tana (partnera zarządzającego w Y Combinator). Projekt zdobył ogromną popularność na GitHubie (~5 tys. gwiazdek w 24 godziny).
+
+## Key Characteristics
+- **Baza w Markdown**: Przechowuje dane w prostych, otwartych i wersjonowanych za pomocą Gita plikach Markdown, zapobiegając uwięzieniu danych (vendor lock-in).
+- **Automatyczny Graf Wiedzy**: System samoczynnie wyodrębnia kluczowe encje (ludzie, firmy, daty) oraz mapuje relacje zachodzące między nimi (np. `met_with`, `works_at`, `invested_in`).
+- **Wyszukiwanie Hybrydowe**: Korzysta z zaawansowanej kombinacji wyszukiwania semantycznego (rozszerzenie `pgvector` w PostgreSQL) oraz tradycyjnego silnika tekstowego (słowa kluczowe `BM25`), osiągając dokładność wyszukiwania 97,9% w testach R@5.
+- **Dream Cycle (Cykl snów)**: Uruchamiany automatycznie w nocy proces konserwacji i optymalizacji bazy, w tym przebudowy osadzeń i naprawy linków.
+- **Natywne wsparcie MCP**: Wystawia serwer Model Context Protocol (MCP) pod adresem `localhost:3000/mcp`, dzięki czemu natychmiastowo integruje się z Claude Code, Cursorem czy Windsurf.
+
+## Repository
+- GitHub: [github.com/garrytan/gbrain](https://github.com/garrytan/gbrain)
@@ -0,0 +1,24 @@
+---
+title: "HyperResearch"
+type: "entity"
+tags: [hyperresearch, deep-research, autonomous-agents, reasoning]
+created: 2026-06-18
+updated: 2026-06-18
+sources: ["[[summaries/hyperresearch-deep-research-agent]]"]
+confidence: high
+---
+
+# HyperResearch
+
+## Description
+Otwartoźródłowy, zaawansowany agent głębokich badań (Deep Research), zaprojektowany jako zestaw umiejętności (skills) i rozszerzenie terminalowego środowiska Claude Code. Stworzony przez Jordana Gibbsa, system zajmuje pierwsze miejsce w benchmarku *RACE DeepResearchBench*, dostarczając analizy o jakości badań na poziomie akademickim (Ph.D.).
+
+## Architecture & Workflow
+HyperResearch opiera się na 16-etapowym, rygorystycznym potoku (pipeline) badawczym, który zapobiega skażeniu kontekstu i gwarantuje krytyczną weryfikację informacji:
+- **Faza Przygotowania**: Rozbija główne zadanie na elementy atomowe (Dekompozycja) i generuje plan równoległego wyszukiwania.
+- **Faza Masowego Pobierania**: Izolowane subagenty pobierające (używające tańszego modelu Claude Haiku) zbierają setki stron i linków pierwotnych.
+- **Faza Analizy i Krytyki**: Buduje "graf sprzeczności" rynkowych, analizuje specyficzne zagadnienia (loci), celowo poszukuje dowodów obalających aktualną tezę i generuje podsumowanie dowodów z cytatami.
+- **Faza Pisania i Redagowania**: Trzy alternatywne wersje raportu są syntetyzowane w jeden dokument, który następnie jest poddawany surowej krytyce przez czterech oponentów AI, patchowany chirurgicznymi poprawkami przy zablokowanych uprawnieniach narzędzi (Read+Edit only), a na koniec polerowany pod kątem czytelności i eliminacji artefaktów.
+
+## Repository
+- GitHub: [github.com/jordan-gibbs/hyperresearch](https://github.com/jordan-gibbs/hyperresearch)
@@ -0,0 +1,20 @@
+---
+title: "pgvector"
+type: "entity"
+tags: [postgresql, database, vector-embeddings, open-source]
+created: 2026-06-18
+updated: 2026-06-18
+sources: ["[[summaries/gbrain-long-term-memory]]"]
+confidence: high
+---
+
+# pgvector
+
+## Description
+Otwartoźródłowe rozszerzenie dla bazy danych PostgreSQL, które umożliwia bezpośrednie zapisywanie, indeksowanie i przeszukiwanie wektorów (embeddings) o wysokim wymiarze.
+
+## Key Capabilities
+- **Wyszukiwanie Podobieństwa**: Wspiera zaawansowane algorytmy wyszukiwania najbliższych sąsiadów (np. kosinusowe podobieństwo, odległość euklidesowa, iloczyn skalarny).
+- **Trwałość i Relacyjność**: Pozwala na bezpośrednie łączenie danych wektorowych z tradycyjnymi tabelami relacyjnymi PostgreSQL w ramach jednej bazy, eliminując potrzebę posiadania osobnej, wyspecjalizowanej bazy wektorowej (np. Pinecone czy Milvus).
+- **Wydajność**: Oferuje silne mechanizmy indeksowania wektorów, takie jak HNSW (Hierarchical Navigable Small World) oraz IVFFlat.
+- **Integracja w RAG**: Stanowi podstawę wyszukiwania semantycznego w wielu nowoczesnych systemach agentowych, w tym w rdzeniu systemu pamięci **GBrain**.
@@ -14,6 +14,7 @@ Poniższa lista zawiera kluczowe pytania i obszary zainteresowań, które są "t
    - [[summaries/building-llm-research-knowledge-philosophy]]: Etapowe podejście do wdrażania bazy i odrzucenie "fantazji migracyjnej" chroni przed wypaleniem narzędziowym.
    - [[summaries/15-obsidian-workflows-and-plugins]]: Autonomiczne potoki wykonawcze (autopsje, audyty stanu, inicjalizacja) usuwają konieczność ręcznej administracji bazą.
    - [[summaries/best-12-claude-skills-setup]]: Ustrukturyzowane, modularne umiejętności (np. `schedule`, `consolidate-memory`) zwiększają precyzję pracy agentów przy minimalnym zużyciu tokenów.
+    - [[summaries/archive-obsidian-skill]]: Archiwizacja wartościowych czatów z AI jako ustrukturyzowanych notatek w Obsidian eliminuje konieczność rekonstrukcji kontekstu w przyszłości.

 ## 2. Zarządzanie bazami danych
 - **Notatki i połączenia**: 
@@ -21,6 +22,7 @@ Poniższa lista zawiera kluczowe pytania i obszary zainteresowań, które są "t
    - [[entities/sql-server]]: Główny ekosystem techniczny dla zadań administracyjnych.
    - [[summaries/ai-impact-on-dba]]: AI jako narzędzie wspierające DBA w monitoringu i optymalizacji.
    - [[summaries/software-2-0]]: Koncepcja "Learned Index Structures" – zastąpienie tradycyjnych struktur danych (jak B-Tree) wyuczonymi modelami sieci neuronowych dla większej wydajności.
+    - [[entities/pgvector]]: Wykorzystanie rozszerzenia PostgreSQL do natywnego zapisywania, indeksowania i przeszukiwania osadzeń wektorowych (embeddings) bezpośrednio w relacyjnej bazie danych.

 ## 3. Generatywna Sztuczna Inteligencja
 - **Notatki i połączenia**: 
@@ -33,6 +35,7 @@ Poniższa lista zawiera kluczowe pytania i obszary zainteresowań, które są "t
    - [[summaries/obsidian-vault-as-knowledge-graph]]: Zastosowanie serwerów [[concepts/mcp-servers]] (np. [[entities/mcpvault]]) pozwala LLM na strukturalną i grafową analizę pojęć w bazie.
    - [[summaries/what-happens-giving-keys-to-llm-obsidian]]: Zestawy cech `obsidian-skills` od Steph Ango uczą modele poprawnej składni dialektu Obsidian, eliminując błędy formatowania.
    - [[summaries/5-mental-models-for-ai-agents]]: Optymalizacja stosu kontekstowego (Context Stack) oraz separacja wykonawcy od sędziego (Doer-Judge Split) zapewniają stabilność i poprawność generatywnych operacji biznesowych.
+    - [[summaries/10-claude-prompts-replace-consultant]]: Zastosowanie specyficzności roli (Role Specificity) i rami afrontacyjnych (Adversarial Framing) w inżynierii podpowiedzi pozwala ominąć domyślne filtry uprzejmości modeli LLM.

 ## 4. Automatyzacja i Agenci AI
 - **Notatki i połączenia**: 
@@ -45,6 +48,8 @@ Poniższa lista zawiera kluczowe pytania i obszary zainteresowań, które są "t
    - [[summaries/obsidian-vault-as-knowledge-graph]]: Wykorzystanie Claude Code bezpośrednio na bazie Markdown jako "bazy kodu", z użyciem specjalnych "umiejętności" Obsidiana.
    - [[summaries/what-happens-giving-keys-to-llm-obsidian]]: Zwrot ról: LLM nie jest już tylko pasywną wyszukiwarką (RAG), lecz autonomicznym redaktorem naczelnym bazy wiedzy (Search-assisted writing).
    - [[summaries/5-mental-models-for-ai-agents]]: Pięć konsensusowych modeli dla agentów AI (rusztowanie jako OS, trójwarstwowa struktura pamięci, stopniowana autonomia) definiuje profesjonalne ramy systemów autonomicznych.
+    - [[summaries/hyperresearch-deep-research-agent]]: Zastosowanie 16-etapowego zautomatyzowanego potoku HyperResearch i struktur orkiestracji subagentów zapobiega skażeniu głównego okna kontekstowego.
+    - [[summaries/gbrain-long-term-memory]]: Trwała, samoorganizująca się pamięć semantyczna w postaci grafu wiedzy GBrain integrowanego przez serwery MCP.

 ---
 *Miejsce na kolejne problemy (5-12)...*
@@ -6,6 +6,8 @@ Zbiór zasobów dotyczących nowej paradygmatu programowania, systemów opartych
 - [[summaries/karpathy-llm-knowledge-breakdown]] — Analiza LLM Knowledge Base Karpathy'ego.
 - [[summaries/how-to-deploy-autoresearch]] — Przewodnik po Autoresearch.
 - [[summaries/software-2-0]] — Manifest Software 2.0.
+- [[summaries/gbrain-long-term-memory]] — Pamięć długoterminowa dla agentów AI.
+- [[summaries/hyperresearch-deep-research-agent]] — 16-etapowy agent głębokich badań Deep Research.

 ## Koncepcje
 - [[concepts/software-1-0]] — Tradycyjne programowanie (instrukcje).
@@ -16,7 +18,12 @@ Zbiór zasobów dotyczących nowej paradygmatu programowania, systemów opartych
 - [[concepts/rag-vs-knowledge]] — Porównanie podejścia stanowego i bezstanowego.
 - [[concepts/human-in-the-loop]] — Model współpracy człowieka z AI.
 - [[concepts/val-bpb]] — Metryka jakości modelu (Bits Per Byte).
+- [[concepts/dream-cycle]] — Autonomiczna, nocna optymalizacja pamięci agenta.
+- [[concepts/hybrid-search]] — Połączenie wyszukiwania wektorowego i słów kluczowych.
+- [[concepts/deep-research]] — Iteracyjne potoki analityczne agentów badawczych.

 ## Podmioty
 - [[entities/tavily]] — Silnik researchu dla AI.
-
+- [[entities/gbrain]] — Otwartoźródłowa pamięć długoterminowa Garry'ego Tana.
+- [[entities/pgvector]] — Wektorowe rozszerzenie do PostgreSQL.
+- [[entities/hyperresearch]] — Otwartoźródłowy agent Deep Research oparty o Claude Code.
@@ -37,3 +37,9 @@ Słownik terminów i modeli mentalnych zgromadzonych w knowledge.
 - [[concepts/doer-judge-split]]
 - [[concepts/three-tier-memory]]
 - [[concepts/graduated-autonomy]]
+- [[concepts/adversarial-framing]]
+- [[concepts/role-specificity]]
+- [[concepts/dream-cycle]]
+- [[concepts/hybrid-search]]
+- [[concepts/conversation-archiving]]
+- [[concepts/deep-research]]
@@ -16,3 +16,7 @@ Katalog narzędzi, technologii i organizacji.
 - [[entities/obsidian-skills]]
 - [[entities/mistral-nemo]]
 - [[entities/fastmcp]]
+- [[entities/gbrain]]
+- [[entities/pgvector]]
+- [[entities/aeza]]
+- [[entities/hyperresearch]]
@@ -10,6 +10,9 @@ Metodyki gromadzenia wiedzy, budowania własnego PKM (Personal Knowledge Managem
 - [[summaries/google-nanobanana-workflow]] — Workflow Nanobanana (Rahul Gaur).
 - [[summaries/loom-thinking-tool]] — Narzędzie do kolizji myśli (Klinstar).
 - [[summaries/free-blog-seo-strategy]] — Strategia SEO dla darmowego bloga.
+- [[summaries/10-claude-prompts-replace-consultant]] — 10 szablonów zaawansowanych promptów dla Claude'a.
+- [[summaries/archive-obsidian-skill]] — Standaryzacja archiwizacji rozmów z AI w Obsidian.
+- [[summaries/sholay-1975-epic]] — Analiza i synteza kultowego filmu Sholay.

 ## Koncepcje
 - [[concepts/plain-text-productivity]] — Produktywność oparta na plikach tekstowych.
@@ -18,4 +21,6 @@ Metodyki gromadzenia wiedzy, budowania własnego PKM (Personal Knowledge Managem
 - [[concepts/compounding-knowledge]] — Wiedza, która staje się gęstsza z czasem.
 - [[concepts/idea-collision]] — Zderzanie pomysłów w celu generowania innowacji.
 - [[concepts/metacognition-as-a-service]] — AI jako wsparcie analizy własnych procesów myślowych.
-
+- [[concepts/role-specificity]] — Definiowanie niszowych tożsamości eksperckich dla modeli.
+- [[concepts/adversarial-framing]] — Znoszenie filtru uprzejmości przez ramy konfrontacyjne.
+- [[concepts/conversation-archiving]] — Systematyczne zapisywanie sesji z AI do PKM.
@@ -20,3 +20,8 @@ Pełna lista streszczeń materiałów źródłowych.
 - [[summaries/what-happens-giving-keys-to-llm-obsidian]]
 - [[summaries/best-12-claude-skills-setup]]
 - [[summaries/5-mental-models-for-ai-agents]]
+- [[summaries/10-claude-prompts-replace-consultant]]
+- [[summaries/gbrain-long-term-memory]]
+- [[summaries/archive-obsidian-skill]]
+- [[summaries/hyperresearch-deep-research-agent]]
+- [[summaries/sholay-1975-epic]]
@@ -2,6 +2,15 @@

 Chronologiczny zapis operacji na knowledge.

+## [2026-06-18] Ingest | Expert Prompting, Long-Term Memory, Obsidian Archiving & Deep Research
+- Przetworzono `10 Claude Prompts That Replace a $900_hr Consultant.md`: dodano podsumowanie `[[summaries/10-claude-prompts-replace-consultant]]`, koncepcje `[[concepts/role-specificity]]` oraz `[[concepts/adversarial-framing]]`.
+- Przetworzono `Nadaj swojemu AI Agentowi 36 supermocy_ pamięć długotrwałą w kilka minut dzięki GBrain (open source).md`: dodano podsumowanie `[[summaries/gbrain-long-term-memory]]`, koncepcje `[[concepts/dream-cycle]]`, `[[concepts/hybrid-search]]` oraz podmioty `[[entities/gbrain]]`, `[[entities/pgvector]]` i `[[entities/aeza]]`.
+- Przetworzono `Przestań tracić najlepsze rozmowy AI_ archiwizuj Obsidian z umiejętnością.md`: dodano podsumowanie `[[summaries/archive-obsidian-skill]]`, zaktualizowano koncepcje `[[concepts/claude-skills]]` i dodano `[[concepts/conversation-archiving]]`.
+- Przetworzono `Zbudowałem najbardziej inteligentnego agenta badawczego.md`: dodano podsumowanie `[[summaries/hyperresearch-deep-research-agent]]`, zaktualizowano koncepcje `[[concepts/multi-agent-orchestration]]` i dodano `[[concepts/deep-research]]`, oraz podmioty `[[entities/hyperresearch]]`.
+- Przetworzono `Sholay.md`: dodano podsumowanie `[[summaries/sholay-1975-epic]]`.
+- Zaktualizowano powiązania z Feynman Problems w `[[feynman_problems]]` (Problemy #1, #2, #3, #4).
+- Zaktualizowano indeksy podsumowań, koncepcji, podmiotów oraz indeksy tematyczne.
+
 ## [2026-06-09] Ingest | PKM Automation & AI Agent Harness Architectures
 - Przetworzono `15 workflowów i wtyczek Obsidian, których większość ludzi nie zna.md`: dodano podsumowanie `[[summaries/15-obsidian-workflows-and-plugins]]`, koncepcje `[[concepts/pkm-automation]]`, `[[concepts/vault-as-database]]`, `[[concepts/compounding-feedback-loops]]` oraz podmioty `[[entities/dataview]]` i `[[entities/obsidian-git]]`.
 - Przetworzono `Co się dzieje, gdy dasz LLM-owi klucze do swojego skarbca Obsidian.md`: dodano podsumowanie `[[summaries/what-happens-giving-keys-to-llm-obsidian]]`, koncepcje `[[concepts/search-assisted-writing]]`, `[[concepts/agent-formatting-dialects]]` oraz podmioty `[[entities/obsidian-skills]]` i `[[entities/mistral-nemo]]`.
@@ -0,0 +1,40 @@
+---
+title: "10 Claude Prompts That Replace a $900/hr Consultant"
+type: "summary"
+tags: [claude, prompting, expert-roles, adversarial-framing, strategy]
+created: 2026-06-18
+updated: 2026-06-18
+sources: ["raw/inbox/10 Claude Prompts That Replace a $900_hr Consultant.md"]
+confidence: high
+---
+
+# 10 Claude Prompts That Replace a $900/hr Consultant
+
+Artykuł Mike'a Writtena (AI Trends 24) opisuje, jak zrezygnować z generycznych i krótkich zapytań do Claude'a na rzecz precyzyjnie skonstruowanych szablonów, które zdejmują z modelu tzw. "filtr uprzejmości" i zmuszają go do głębokiego, krytycznego myślenia na poziomie wysokiej klasy konsultantów biznesowych (kosztujących setki dolarów za godzinę).
+
+## Key Points
+
+### Trzy filary skutecznego promptowania
+Wysoką jakość odpowiedzi modeli w 2026 roku gwarantuje połączenie trzech kluczowych technik projektowania instrukcji:
+1. **Specyficzność Roli (Role Specificity)**: Claude nie powinien po prostu "działać jak ekspert". Trzeba nadać mu ultradokładną tożsamość, np. *partner w funduszu VC, który przeanalizował w tym roku 1000 pitch decków i sfinansował 8*.
+2. **Afrontacyjne Ramy (Adversarial Framing)**: Wprowadzenie instrukcji takich jak "rozerwij ten kod na strzępy", "bądź sceptyczny", "pomiń uprzejmości i zastrzeżenia". To zdejmuje domyślną potrzebę bycia miłym i asekuracyjnym przez model.
+3. **Jawny Format Wyjściowy (Explicit Output Format)**: Każdy prompt wymaga precyzyjnego podziału (np. numerowana lista 3 kluczowych decyzji, konkretna liczba słów).
+
+### 10 szablonów eksperckich (Streszczenie ról)
+- **Konsultant ds. strategii (Strategy Consultant)**: Analizuje sytuację firmy pod kątem 3 najważniejszych decyzji na kolejne 90 dni, ignorowanych ryzyk oraz nieintuicyjnych ruchów.
+- **Prawnik kontraktowy (Contract Lawyer)**: Wyłapuje klauzule mogące zaszkodzić dostawcy SaaS, ograniczenia wyjścia z umowy oraz limity odpowiedzialności.
+- **Analityk analizy rynku (Market Intelligence Analyst)**: Mapuje 5 konkurentów, nisze rynkowe oraz najbardziej obronny punkt wejścia.
+- **Starszy recenzent kodu (Senior Code Reviewer)**: Ocenia dług techniczny, ryzyka bezpieczeństwa i to, co wyłoży się pod obciążeniem (podejście sceptycznego programisty).
+- **Audytor modelu finansowego (CFO Model Auditor)**: Analizuje logikę finansową startupu, wyłapując zbyt optymistyczne założenia.
+- **Krytyk pitch decku (Pitch Deck Critic)**: Symuluje brutalnie szczerą reakcję partnera funduszu VC na prezentację inwestorską.
+- **Trener negocjacyjny (Negotiation Coach)**: Przygotowuje liderów do negocjacji o wysoką stawkę (punkty nacisku, tanie ustępstwa dające dużą wartość drugiej stronie).
+- **Rozmówca rekrutacyjny (Interview Interviewer)**: Przygotowuje precyzyjne pytania rekrutacyjne i wzorce dobrych vs średnich odpowiedzi na podstawie CV i opisu stanowiska.
+- **Doradca ds. komunikacji kryzysowej (Crisis PR Advisor)**: Tworzy szybkie oświadczenia w sytuacjach kryzysowych, redukując ryzyko PR-owe.
+- **Strateg produktowy (Product Strategist)**: Kwestionuje pomysły na nowe funkcje produktu przez pryzmat metodyki Jobs-to-be-done i uproszczenia zakresu o 10x.
+
+## Relevant Concepts
+- [[concepts/role-specificity]] — Definiowanie precyzyjnych i niszowych tożsamości eksperckich dla modeli LLM.
+- [[concepts/adversarial-framing]] — Usuwanie filtrów uprzejmości i asekuracji poprzez ramy konfrontacyjne.
+
+## Sources
+- `raw/inbox/10 Claude Prompts That Replace a $900_hr Consultant.md`
@@ -0,0 +1,43 @@
+---
+title: "Przestań tracić najlepsze rozmowy AI: archiwizuj Obsidian z umiejętnością"
+type: "summary"
+tags: [obsidian, mcp, claude-skills, knowledge-compilation, productivity]
+created: 2026-06-18
+updated: 2026-06-18
+sources: ["raw/inbox/Przestań tracić najlepsze rozmowy AI_ archiwizuj Obsidian z umiejętnością.md"]
+confidence: high
+---
+
+# Przestań tracić najlepsze rozmowy AI: archiwizuj Obsidian z umiejętnością
+
+Artykuł Bulenta Gorkema omawia problem "ulotności" interakcji z modelami AI — wartościowe analizy architektoniczne, gotowe fragmenty kodu i kluczowe kompromisy projektowe bezpowrotnie znikają po zamknięciu zakładki przeglądarki. Autor proponuje dwuetapowe rozwiązanie: najpierw ręczną archiwizację wartościowych czatów w lokalnym skarbcu Obsidian za pomocą serwera Obsidian MCP, a następnie automatyzację i standaryzację tego procesu poprzez spakowanie go w dedykowaną **Umiejętność Claude'a (Claude Skill)**.
+
+## Key Points
+
+### Dlaczego warto archiwizować rozmowy z AI?
+- **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.
+- **Budowa kontekstu historycznego**: Linki zwrotne (`[[WikiLinks]]`) 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.
+
+### Ewolucja: Od promptu ręcznego do Umiejętności (Skill)
+1. **Etap ręczny (Obsidian MCP)**: Pod koniec sesji użytkownik ręcznie wydaje Claude'owi złożoną instrukcję podsumowania czatu i zapisania go pod określoną ścieżką z YAML frontmatter. Prowadzi to jednak do "dryfu formatu" (notatki różnią się strukturą w zależności od sesji) i wymaga powtarzania instrukcji.
+2. **Etap automatyczny (Claude Skill)**: Zapakowanie instrukcji w ustrukturyzowany plik `SKILL.md` z unikalną tożsamością, opisem i przykładowymi szablonami. Claude automatycznie wykrywa intencję użytkownika (np. "zarchiwizuj ten czat") i uruchamia poprawny workflow w stałym, z góry zdefiniowanym formacie.
+
+### Anatomia dobrej Umiejętności (Skill Design Principles)
+- **Frontmatter jako interfejs**: Najważniejsza część to pole `description`. Musi ono precyzyjnie opisywać frazy kluczowe, przy których model powinien aktywować dany plik instrukcji (np. *save*, *archive*, *log*, *capture*).
+- **Jasne rozgraniczenie kompatybilności**: Wymagane narzędzia zewnętrzne (np. `mcp-obsidian`) należy umieszczać bezpośrednio w polu `compatibility` w nagłówku YAML, a nie w treści pliku.
+- **Zasada 500 linii**: Dobra umiejętność powinna być zwięzła (poniżej 500 linii). Dłuższe opisy i dokumentację należy wydzielić do katalogu `references/`.
+- **Niezależne testowanie**: Działanie umiejętności należy przetestować na "zimno" w świeżym oknie czatu za pomocą różnych sformułowań wyzwalających, aby upewnić się, że model poprawnie ją interpretuje.
+
+## Relevant Concepts
+- [[concepts/conversation-archiving]] — Systematyczne zapisywanie wartościowych interakcji z AI do osobistej bazy wiedzy.
+- [[concepts/claude-skills]] — Paczkowanie instrukcji i potoków wykonawczych w modularne umiejętności agenta.
+- [[concepts/mcp-servers]] — Wykorzystanie protokołu MCP do fizycznego zapisu plików w skarbcu.
+
+## Relevant Entities
+- [[entities/obsidian]] — Lokalne narzędzie PKM służące jako IDE dla bazy wiedzy.
+- [[entities/obsidian-skills]] — Konfiguracje umiejętności wspierające integrację modeli ze skarbcem.
+
+## Sources
+- `raw/inbox/Przestań tracić najlepsze rozmowy AI_ archiwizuj Obsidian z umiejętnością.md`
@@ -0,0 +1,48 @@
+---
+title: "Nadaj swojemu AI Agentowi 36 supermocy: pamięć długotrwałą w kilka minut dzięki GBrain (open source)"
+type: "summary"
+tags: [gbrain, long-term-memory, knowledge-graph, hybrid-search, mcp]
+created: 2026-06-18
+updated: 2026-06-18
+sources: ["raw/inbox/Nadaj swojemu AI Agentowi 36 supermocy_ pamięć długotrwałą w kilka minut dzięki GBrain (open source).md"]
+confidence: high
+---
+
+# Nadaj swojemu AI Agentowi 36 supermocy: pamięć długotrwałą w kilka minut dzięki GBrain (open source)
+
+Artykuł autorstwa Tort Mario opisuje system **GBrain** — otwartoźródłową platformę pamięci długoterminowej dla agentów AI, zainicjowaną przez Garry'ego Tana (szefa Y Combinator). GBrain rozwiązuje problem "amnezji agentów" (bezstanowości sesji) poprzez automatyczne przekształcanie lokalnych plików Markdown w ustrukturyzowany, samoorganizujący się graf wiedzy zintegrowany z interfejsami programistycznymi poprzez Model Context Protocol (MCP).
+
+## Key Points
+
+### Architektura GBrain
+System opiera się na 4 odrębnych warstwach:
+1. **Repozytorium Mózgu (Brain Repo)**: Standardowe, czytelne dla człowieka pliki Markdown wersjonowane za pomocą Gita.
+2. **Warstwa Umiejętności (Skill Layer)**: 34 gotowe scenariusze (workflows) uruchamiane automatycznie na podstawie kontekstu. Do najważniejszych należą:
+   - *Procesor spotkań (Meeting Processor)*: Wyodrębnia decyzje i zadania z transkrypcji spotkań.
+   - *Podsumowanie e-maili (Email Summarizer)*: Łączy nadawców z grafem organizacji.
+   - *Relacje linków (Link Linker)*: Odkrywa powiązania między URL a notatkami.
+   - *Cykl snów (Dream Cycle)*: Autonomiczna, nocna optymalizacja bazy wiedzy.
+3. **Rdzeń GBrain (Core)**: Wykonuje szybką ekstrakcję encji (ludzie, firmy, daty) i relacji (np. `works_at`, `invested_in`) bez używania drogich modeli LLM oraz uruchamia serwer MCP.
+4. **Warstwa Wyszukiwania (Retrieval)**: Hybrydowe wyszukiwanie łączące dopasowanie semantyczne (`pgvector` w PostgreSQL) oraz dopasowanie słów kluczowych (`BM25`/`ripgrep`).
+
+### Przełomowe cechy użytkowe
+- **Dream Cycle (Cykl snów)**: Nocny potok optymalizacyjny, który naprawia uszkodzone odnośniki w bazie, aktualizuje relacje, usuwa duplikaty i przebudowuje osadzenia (embeddings), dzięki czemu baza codziennie rano jest spójna i zoptymalizowana.
+- **Wyszukiwanie Hybrydowe (Hybrid Search)**: Sam wektor gubi precyzyjne numery wersji lub nazwy własne, z kolei wyszukiwanie tekstowe gubi semantykę. Połączenie pgvector i BM25 w GBrain daje niespotykaną dotąd dokładność wyszukiwania (R@5 = 97,9% w teście *LongMemEval*).
+- **Rodzimy MCP**: Serwer GBrain udostępnia pamięć bezpośrednio dla Claude Code, Kursora i Windsurfa za pomocą komendy `gbrain start` wystawionej na `localhost:3000/mcp`.
+
+### Wdrożenie na serwerze (VPS)
+Aby cykl snów (Dream Cycle) mógł bez przeszkód działać w nocy, zaleca się wdrożenie GBrain na serwerze VPS (np. dostawca Aeza, z konfiguracją Ubuntu, PostgreSQL z rozszerzeniem `vector`, silnikiem Bun lub npm oraz usługą systemd zapewniającą ciągłość działania).
+
+## Relevant Concepts
+- [[concepts/dream-cycle]] — Autonomiczna optymalizacja i konserwacja bazy wiedzy w okresach niskiej aktywności.
+- [[concepts/hybrid-search]] — Połączenie wyszukiwania wektorowego z tradycyjnym dopasowaniem słów kluczowych (BM25).
+- [[concepts/three-tier-memory]] — Zarządzanie pamięcią trwałą w architekturze agentowej.
+- [[concepts/mcp-servers]] — Protokół komunikacyjny łączący agentów z zewnętrznymi źródłami danych.
+
+## Relevant Entities
+- [[entities/gbrain]] — Otwartoźródłowy system pamięci i grafu wiedzy dla agentów AI.
+- [[entities/pgvector]] — Rozszerzenie PostgreSQL do przechowywania i wyszukiwania wektorów.
+- [[entities/aeza]] — Dostawca hostingu VPS wykorzystywany do wdrażania agentów pamięciowych.
+
+## Sources
+- `raw/inbox/Nadaj swojemu AI Agentowi 36 supermocy_ pamięć długotrwałą w kilka minut dzięki GBrain (open source).md`
@@ -0,0 +1,50 @@
+---
+title: "Zbudowałem najbardziej inteligentnego agenta badawczego"
+type: "summary"
+tags: [hyperresearch, deep-research, subagent-orchestration, multi-agent-orchestration, ai-pipelines]
+created: 2026-06-18
+updated: 2026-06-18
+sources: ["raw/inbox/Zbudowałem najbardziej inteligentnego agenta badawczego.md"]
+confidence: high
+---
+
+# Zbudowałem najbardziej inteligentnego agenta badawczego
+
+Artykuł Jordana Gibbsa przedstawia **HyperResearch** — otwartoźródłowego, 16-etapowego agenta głębokich badań (deep research), napisanego jako rozszerzenie umiejętności (skills) dla Claude Code. HyperResearch bije na głowę zamknięte systemy gigantów technologicznych ( OpenAI, Anthropic, NVIDIA) i zajmuje pierwsze miejsce w benchmarku *RACE DeepResearchBench*, generując raporty na poziomie prac doktorskich (Ph.D.).
+
+## Key Points
+
+### Dlaczego HyperResearch osiąga tak wysokie wyniki?
+- **Trwałe i powiązane bazy wiedzy**: HR nie traci zgromadzonych informacji. Generuje pliki Markdown ze źródłami, tagami i linkami zwrotnymi bezpośrednio na komputerze użytkownika, budując trwały graf wiedzy (podobnie jak Obsidian).
+- **Ultraszerokie i głębokie badanie**: Potrafi przeanalizować setki źródeł na sesję. Potrafi budować "plany ataku na królicze nory" (rabbit holes), śledząc linki osadzone na odwiedzanych stronach internetowych i docierając do źródeł pierwotnych.
+- **Orkiestracja wieloagentowa przeciwko skażeniu kontekstu**: Tradycyjne potoki badawcze są "skażone" tysiącami słów przeczytanych artykułów wklejonych bezpośrednio do głównego okna kontekstowego. HyperResearch izoluje fazę wyszukiwania i analizy w wyspecjalizowanych subagentach (np. pobierających dane), dzięki czemu główny agent orkiestrujący i piszący raport działa zawsze w czystej, optymalnej "strefie inteligentnej".
+
+### 16-etapowa ścieżka badawcza HyperResearch
+1. **Rozkład (Decomposition)**: Rozbija główne zapytanie na atomowe podpytania i tworzy macierz pokrycia źródeł.
+2. **Przemiatanie szerokości (Breadth-sweep)**: Tworzy plan wyszukiwania i równolegle uruchamia tanich subagentów (Claude Haiku) do masowego pobierania stron pod adresami URL.
+3. **Graf sprzeczności (Contradiction Graph)**: Wyszukuje pary źródeł, które sobie przeczą i szereguje te niespójności pod względem ważności.
+4. **Analiza loci (Loci Analysis)**: Dwóch analityków identyfikuje kluczowe podtematy (miejsca - *loci*) i przydziela im budżety pobierania.
+5. **Badanie głębi (Depth-probe)**: Dedykowani śledczy głęboko analizują każdy locus i piszą notatkę tymczasową, która musi przyjąć jasne, bezkompromisowe stanowisko (bez asekuranctwa).
+6. **Pojednanie (Cross-locus Reconciliation)**: Porównuje stanowiska z różnych badań głębi i generuje plik `comparisons.md` rozwiązujący konflikty i nakładanie się tematów.
+7. **Napięcia źródłowe (Source Tensions)**: Zapisuje różnice zdań między zewnętrznymi ekspertami do pliku `source-tensions.json`.
+8. **Krytyk korpusu (Corpus Critic)**: Pyta: "jakie źródło, gdyby istniało, obaliłoby naszą analizę?" i wykonuje celowane do-pobranie stron w celu weryfikacji.
+9. **Podsumowanie dowodów (Evidence Digest)**: Tworzy plik `evidence-digest.md` z najsilniejszymi tezami i dosłownymi cytatami, tworząc czyste odniesienie dla etapu pisania.
+10. **Potrójny draft (Triple-draft)**: Trzech niezależnych agentów pisze równolegle trzy pełne, alternatywne wersje raportu.
+11. **Synteza (Synthesis)**: Główny syntetyzator scala trzy wersje w jeden zoptymalizowany raport końcowy `final_report.md`.
+12. **Krytycy (Critics)**: Czterech wyspecjalizowanych oponentów (krytyk dialektyczny, głębi, szerokości i instrukcji) równolegle szuka słabych punktów i zapisuje wyniki w formacie JSON.
+13. **Uzupełnienie braków (Gap-fetch)**: Pobiera dodatkowe źródła internetowe w celu zaadresowania konkretnych luk wskazanych przez krytyków.
+14. **Poprawki (Patcher)**: Nanosi chirurgiczne, lokalne zmiany w raporcie. Agent jest fizycznie zablokowany uprawnieniami (Read+Edit), co uniemożliwia mu ponowne pisanie całego raportu od zera.
+15. **Polerowanie (Polish)**: Kolejny zablokowany agent usuwa sekcje techniczne, metadane YAML na początku i inne artefakty, zapewniając czystość tekstu.
+16. **Audyt czytelności (Readability Audit)**: Poprawia dynamikę prozy, akapitów i konwertuje skomplikowane bloki tekstu na czytelne tabele lub listy.
+
+## Relevant Concepts
+- [[concepts/deep-research]] — Wielofazowe, ustrukturyzowane badanie i synteza informacji przy użyciu LLM.
+- [[concepts/multi-agent-orchestration]] — Podział złożonego zadania analitycznego na wyspecjalizowane, izolowane subagenty.
+- [[concepts/ai-pipelines]] — Sztywne, zautomatyzowane rurociągi wieloetapowego przetwarzania danych.
+
+## Relevant Entities
+- [[entities/hyperresearch]] — Otwartoźródłowy, 16-etapowy agent badawczy oparty na Claude Code.
+- [[entities/claude-code]] — Terminalowe środowisko programistyczne i agentowe od Anthropic.
+
+## Sources
+- `raw/inbox/Zbudowałem najbardziej inteligentnego agenta badawczego.md`
@@ -0,0 +1,34 @@
+---
+title: "Sholay (1975) - The Definitive Epic"
+type: "summary"
+tags: [film-review, culture, storytelling, masala-genre]
+created: 2026-06-18
+updated: 2026-06-18
+sources: ["raw/inbox/Sholay.md"]
+confidence: high
+---
+
+# Sholay (1975) - The Definitive Epic
+
+Ten dokument stanowi ustrukturyzowane omówienie i syntezę kultowego indyjskiego filmu akcji i przygody **Sholay** (1975) w reżyserii Ramesha Sippy'ego. Film ten zdefiniował gatunek "Masala" w indyjskiej kinematografii, łącząc elementy zachodnich westernów z głęboką indyjską dramaturgią i emocjonalnością, przez co często zyskał miano "Curry Westernu".
+
+## Key Points
+
+### Zarys fabuły i konflikt centralny
+- **Fabuła**: Emerytowany oficer policji, Thakur Baldev Singh, rekrutuje dwóch drobnych złodziejaszków (Jai i Veeru), których kiedyś sam aresztował, wyczuwając ich lojalność i odwagę. Celem jest pojmanie bezwzględnego przywódcy bandytów, Gabbara Singha, który terroryzuje wioskę Ramgarh.
+- **Konflikt centralny**: Osią filmu jest psychologiczne i fizyczne starcie między Thakurem (reprezentującym okaleczony i bezradny system sprawiedliwości zmuszony do walki partyzanckiej) a Gabbarem (reprezentującym czysty, nihilistyczny chaos).
+
+### Kluczowe postacie i dynamika relacji
+- **Gabbar Singh**: Jeden z najbardziej ikonicznych czarnych charakterów w historii kina indyjskiego, znany z bezwzględności i legendarnych kwestii dialogowych.
+- **Jai i Veeru**: Legendarny duet przyjaciół. Jai (grany przez Amitabh Bachchana) to stoicki mózg operacji, podczas gdy Veeru (Dharmendra) to porywczy romantyk. Ich braterska więź stała się symbolem lojalności w popkulturze.
+- **Thakur Baldev Singh**: Policjant napędzany osobistą tragedią (jego rodzina została zamordowana, a ręce odcięte przez Gabbara).
+
+### Dziedzictwo i wpływ kulturowy
+- Film zrewolucjonizował indyjski przemysł filmowy i był wyświetlany nieprzerwanie przez ponad 5 lat w kinie Minerva w Bombaju.
+- Do popkultury na stałe weszły kultowe dialogi (np. *"Jo darr gaya, samjho marr gaya"* — Kto się boi, ten nie żyje) oraz motyw muzyczny nieskończonej przyjaźni *"Yeh Dosti"*.
+
+## Relevant Concepts
+- [[concepts/compounding-knowledge]] — Choć film nie jest powiązany z technologiami AI, jego ustrukturyzowana analiza w bazie wiedzy ilustruje koncepcję zbierania różnorodnych domen w jednym, spójnym grafie referencyjnym.
+
+## Sources
+- `raw/inbox/Sholay.md`