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]]