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 +1,20 @@
+---
+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**.