Jun 18, 2026, 11:56 AM

brain/knowledge/feynman_problems.md

@@ -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)...*