Jun 11, 2026, 10:46 AM
This commit is contained in:
Paweł Domański
@@ -0,0 +1,28 @@
|
||||
---
|
||||
title: "Agent Formatting Dialects (Dialekty Formatowania Agentów)"
|
||||
type: "concept"
|
||||
tags: [agent-ai, syntax, markdown, obsidian]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/what-happens-giving-keys-to-llm-obsidian]]", "[[summaries/obsidian-vault-as-knowledge-graph]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# Agent Formatting Dialects (Dialekty Formatowania Agentów)
|
||||
|
||||
## Definition
|
||||
Specyficzne, niestandardowe rozszerzenia i dialekty formatów tekstowych (takie jak Obsidian-flavored Markdown), których agenty AI muszą się jawnie nauczyć, aby poprawnie pisać i modyfikować pliki wewnątrz wyspecjalizowanych środowisk programistycznych lub PKM.
|
||||
|
||||
## The Problem
|
||||
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.
|
||||
- Bloki wyróżnień (Callouts): `> [!info]`.
|
||||
- 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.
|
||||
|
||||
## The Solution
|
||||
Tworzenie i wgrywanie dedykowanych zestawów reguł i wzorców (np. oficjalnej biblioteki [[entities/obsidian-skills]] od Steph Ango). Uczą one agenta precyzyjnej obsługi specyficznego dialektu, gwarantując pełną poprawność składniową przy autonomicznych operacjach na plikach.
|
||||
|
||||
## Sources
|
||||
- [[summaries/what-happens-giving-keys-to-llm-obsidian]]
|
||||
- [[summaries/obsidian-vault-as-knowledge-graph]]
|
||||
@@ -0,0 +1,26 @@
|
||||
---
|
||||
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]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# Claude Skills (Umiejętności Claude'a)
|
||||
|
||||
## Definition
|
||||
Architektoniczny mechanizm rozszerzania możliwości agentów z rodziny Claude, polegający na grupowaniu instrukcji, przykładów i skryptów wykonawczych w odrębne, modularne foldery, które model ładuje dynamicznie tylko wtedy, gdy są one bezpośrednio dopasowane do zapytania użytkownika.
|
||||
|
||||
## How It Works
|
||||
Pojedyncza umiejętność (Skill) składa się z trzech opcjonalnych elementów:
|
||||
1. Pliku `SKILL.md` — zawierającego nazwę, opis (wyzwalacz) oraz precyzyjne instrukcje zachowania.
|
||||
2. Plików wspierających — szablonów dokumentów, logotypów czy przewodników marki.
|
||||
3. Skryptów wykonawczych (Python/Node.js) — które model może autonomicznie odpalać w tle do ciężkich zadań obliczeniowych lub edycyjnych.
|
||||
|
||||
## 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.
|
||||
|
||||
## Sources
|
||||
- [[summaries/best-12-claude-skills-setup]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
title: "Compounding Feedback Loops (Kumulujące Pętle Sprzężenia)"
|
||||
type: "concept"
|
||||
tags: [knowledge-representation, machine-learning, system-design]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/15-obsidian-workflows-and-plugins]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# Compounding Feedback Loops (Kumulujące Pętle Sprzężenia)
|
||||
|
||||
## Definition
|
||||
Praktyka i wzorzec architektoniczny polegający na ponownym wprowadzaniu wartościowych syntez wygenerowanych przez agenta AI podczas czatu z powrotem do bazy wiedzy jako trwałych notatek, co pozwala systemowi na trenowanie i wnioskowanie na bazie swojej własnej, doprecyzowanej wiedzy.
|
||||
|
||||
## How It Works
|
||||
Gdy użytkownik prowadzi eksplorację i prosi agenta AI o wygenerowanie głębokiego porównania, analizy rynkowej lub mapy relacji, ten wynik nie powinien ginąć w historii czatu. Proces przebiega następująco:
|
||||
1. Agent generuje wysokiej jakości syntezę lub odpowiedź.
|
||||
2. Odpowiedź ta jest zapisywana jako nowa strona (np. synteza lub notatka koncepcyjna) w `knowledge/`.
|
||||
3. Plik jest oznaczany specjalnym tagiem (np. `#machine-generated`), co pozwala na łatwe filtrowanie.
|
||||
4. Przyszłe zapytania i operacje ingestu korzystają już z tej zakumulowanej analizy, co buduje efekt procentu składanego (compounding knowledge).
|
||||
|
||||
## Why It Matters
|
||||
Zapobiega to marnowaniu zasobów obliczeniowych i intelektualnych. Baza wiedzy staje się dynamicznie rosnącym organizmem, który rozwija się wraz z każdą dyskusją i pytaniem użytkownika, podnosząc poziom inteligencji systemu wykładniczo.
|
||||
|
||||
## Sources
|
||||
- [[summaries/15-obsidian-workflows-and-plugins]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
title: "Context Stack Management (Zarządzanie Stosem Kontekstu)"
|
||||
type: "concept"
|
||||
tags: [agent-ai, system-design, prompt-engineering]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/5-mental-models-for-ai-agents]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# Context Stack Management (Zarządzanie Stosem Kontekstu)
|
||||
|
||||
## Definition
|
||||
Inżynieryjny proces precyzyjnego komponowania, hierarchizowania i optymalizowania wszystkich warstw danych składających się na okno kontekstowe (RAM) agenta AI podczas jego aktywnej sesji operacyjnej.
|
||||
|
||||
## The Context Stack Layers
|
||||
Stos kontekstu nie jest jednolitą masą tekstu. Składa się z warstw o różnym rygorze i priorytecie:
|
||||
1. **Instrukcje systemowe (System Prompts)**: Stałe, głębokie definicje tożsamości, bezpieczeństwa i ról agenta (najwyższa waga).
|
||||
2. **Kontrakt aktywny (Active Instructions / Config)**: Lokalne reguły i ograniczenia projektu (np. pliki `CLAUDE.md`, `GEMINI.md` czy wczytane [[concepts/claude-skills]]).
|
||||
3. **Aktywny kontekst operacyjny (Active Context)**: Informacje o tym, nad czym dokładnie użytkownik obecnie pracuje w tej konkretnej minucie.
|
||||
4. **Historia konwersacji (Session History)**: Logi poprzednich wiadomości i kroków (zarządzane za pomocą strategii przycinania, aby uniknąć marnowania tokenów).
|
||||
5. **Dopasowane wycinki merytoryczne (Retrieved Chunks)**: Wyselekcjonowane fragmenty z bazy wiedzy wczytane za pomocą wyszukiwania semantycznego (RAG) lub serwerów [[concepts/mcp-servers]].
|
||||
|
||||
## The Core Tension
|
||||
Inżynierowie balansują na cienkiej linii między dostarczeniem modelowi zbyt małego kontekstu (co skutkuje halucynacjami i brakiem uziemienia w faktach) a przeładowaniem stosu (co prowadzi do eksplozji kosztów tokenów, powolnego czasu reakcji i ignorowania twardych wytycznych z instrukcji systemowych).
|
||||
|
||||
## Sources
|
||||
- [[summaries/5-mental-models-for-ai-agents]]
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
title: "Doer-Judge Split (Separacja Wykonawcy od Sędziego)"
|
||||
type: "concept"
|
||||
tags: [agent-ai, system-design, validation, verification]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/5-mental-models-for-ai-agents]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# Doer-Judge Split (Separacja Wykonawcy od Sędziego)
|
||||
|
||||
## Definition
|
||||
Zasada projektowania systemów agentowych, nakazująca fizyczny podział ról na agenta wykonującego zadanie (**Doer** / Wykonawca) oraz niezależnego agenta weryfikującego jakość, poprawność i zgodność wyniku z regułami (**Judge** / Sędzia).
|
||||
|
||||
## How It Works
|
||||
Uruchomienie jednego agenta, który jednocześnie wykonuje pracę i sam ocenia swój wynik, jest częstym trybem awaryjnym (model ma skłonność do ignorowania własnych błędów). Wzdrzec Doer-Judge Split eliminuje to zjawisko:
|
||||
- **Doer (Wykonawca)**: Skupia się na kreatywnym lub technicznym rozwiązaniu problemu (np. pisanie kodu, generowanie raportu, parsowanie maili).
|
||||
- **Judge (Sędzia)**: Posiada rygorystyczny zestaw kryteriów walidacji (np. testy jednostkowe, schemat YAML, reguły bezpieczeństwa) i bezwzględnie odrzuca wyniki, które nie spełniają norm, wymuszając na wykonawcy poprawki.
|
||||
|
||||
## The Verification Spectrum (Spektrum Weryfikacji)
|
||||
Sędziowanie i walidacja mogą odbywać się na różnych poziomach rygoru:
|
||||
1. *Walidacja deterministyczna*: Kompilatory, parsery JSON, lintery (np. nasz `lint_knowledge.ps1`). Szybkie i bezkosztowe.
|
||||
2. *Weryfikacja LLM (Model-as-a-Judge)*: Użycie mniejszego, wyspecjalizowanego modelu do oceny semantycznej poprawności i spójności.
|
||||
3. *Human-in-the-Loop (Nadzór człowieka)*: Ostateczna brama weryfikacji przed krytycznym zatwierdzeniem zmian w systemie.
|
||||
|
||||
## Why It Matters
|
||||
Separacja ta drastycznie podnosi niezawodność systemów agentowych w środowiskach produkcyjnych (np. w systemach finansowych, analizie oszustw, administracji bazami danych), eliminując przypadkowe halucynacje i błędy formatowania.
|
||||
|
||||
## Sources
|
||||
- [[summaries/5-mental-models-for-ai-agents]]
|
||||
@@ -0,0 +1,26 @@
|
||||
---
|
||||
title: "Graduated Autonomy (Stopniowana Autonomia)"
|
||||
type: "concept"
|
||||
tags: [agent-ai, human-in-the-loop, automation, trust-building]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/5-mental-models-for-ai-agents]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# Graduated Autonomy (Stopniowana Autonomia)
|
||||
|
||||
## Definition
|
||||
Podejście do wdrażania systemów autonomicznych (agentów AI) polegające na stopniowym zwiększaniu ich niezależności operacyjnej w miarę budowania i weryfikowania zaufania do ich decyzji przez człowieka.
|
||||
|
||||
## The Autonomy Gradient
|
||||
Zamiast zero-jedynkowego wyboru między całkowicie manualną pracą a pełną, niekontrolowaną automatyzacją, Graduated Autonomy wprowadza płynne spektrum:
|
||||
1. **Human-in-the-Loop (HITL)**: Agent przygotowuje propozycje i plany działań, ale *każda* operacja fizycznie modyfikująca system (zapis na dysk, wysłanie przelewu) wymaga wyraźnej autoryzacji i zatwierdzenia przez człowieka.
|
||||
2. **Human-on-the-Loop**: Agent działa autonomicznie i bezpośrednio wykonuje zadania, ale człowiek monitoruje jego pracę w czasie rzeczywistym i ma możliwość natychmiastowego cofnięcia operacji (np. za pomocą bramki czasowej - delay przed zatwierdzeniem).
|
||||
3. **Pełna autonomia (Human-out-of-the-loop)**: Agent działa całkowicie samodzielnie i podejmuje suwerenne decyzje. Człowiek wkracza wyłącznie w przypadku wystąpienia błędów krytycznych lub anomalii zgłoszonych przez agenta kontrolnego (Sędziego).
|
||||
|
||||
## Why It Matters
|
||||
Stopniowana autonomia pozwala na bezpieczne wdrażanie sztucznej inteligencji do krytycznych obszarów biznesowych (takich jak analiza oszustw, monitoring sieci czy administracja bazami danych). Pozwala wyłapać anomalie projektowe w fazie HITL przed oddaniem agentowi pełnej kontroli nad systemem.
|
||||
|
||||
## Sources
|
||||
- [[summaries/5-mental-models-for-ai-agents]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
title: "Incremental Context Loading (Dynamiczne Ładowanie Kontekstu)"
|
||||
type: "concept"
|
||||
tags: [prompt-engineering, system-design, agent-ai, optimization]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/best-12-claude-skills-setup]]", "[[summaries/5-mental-models-for-ai-agents]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# Incremental Context Loading (Dynamiczne Ładowanie Kontekstu)
|
||||
|
||||
## Definition
|
||||
Strategia optymalizacji systemów agentowych, polegająca na dynamicznym, wybiórczym wprowadzaniu szczegółowych instrukcji, plików referencyjnych lub baz danych do okna kontekstowego (RAM) modelu LLM wyłącznie w momencie, gdy są one niezbędne do realizacji bieżącego zadania.
|
||||
|
||||
## Why It Matters
|
||||
Wielkie okna kontekstowe (sięgające milionów tokenów) kuszą inżynierów do "wrzucania wszystkiego naraz" (wszystkich instrukcji, dokumentacji technicznych i historii sesji). Prowadzi to do poważnych problemów:
|
||||
- **Wzrost kosztów**: Wykładniczy wzrost zużycia tokenów przy każdej kolejnej wiadomości.
|
||||
- **Spowolnienie działania (Latency)**: Dłuższy czas przetwarzania i generowania odpowiedzi.
|
||||
- **Zaszybianie uwagi (Attention Loss)**: Model "gubi się" w gigantycznym natłoku instrukcji i ignoruje kluczowe reguły (błędy wykonawcze).
|
||||
|
||||
## How It Is Solved
|
||||
Poprzez wdrożenie ustrukturyzowanych klastrów wiedzy i umiejętności (takich jak [[concepts/claude-skills]]). System ocenia nagłówek zapytania, wybiera wąską specjalizację i podczytuje tylko te instrukcje, które są skojarzone z aktywnym pod-zadaniem. Gwarantuje to maksymalną szybkość działania i najwyższą precyzję wykonywanej pracy.
|
||||
|
||||
## Sources
|
||||
- [[summaries/best-12-claude-skills-setup]]
|
||||
- [[summaries/5-mental-models-for-ai-agents]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
title: "Model as CPU, Harness as OS (Model jako CPU, Rusztowanie jako OS)"
|
||||
type: "concept"
|
||||
tags: [agent-ai, system-design, scaffolding, software-architecture]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/5-mental-models-for-ai-agents]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# Model as CPU, Harness as OS (Model jako CPU, Rusztowanie jako OS)
|
||||
|
||||
## Definition
|
||||
Mentalny wzorzec architektoniczny w inżynierii systemów agentowych, w którym sam model językowy (LLM) jest traktowany jak surowa jednostka obliczeniowa (CPU), natomiast rusztowanie systemowe (harness / scaffolding) pełni rolę systemu operacyjnego (OS).
|
||||
|
||||
## How It Works
|
||||
Model językowy (np. Gemini lub Claude) sam z siebie jest bezstanowy i po prostu zgaduje kolejne wyrazy na podstawie dostarczonego kontekstu. Aby stworzyć stabilnego, bezpiecznego i deterministycznego agenta produkcyjnego, potrzebne jest rusztowanie (harness), które działa jak OS:
|
||||
- **Zarządzanie wejściem/wyjściem**: Parsowanie zapytań, walidacja poprawności formatu (np. schematów JSON).
|
||||
- **Zarządzanie narzędziami**: Udostępnianie modelowi tylko niezbędnych, precyzyjnie opisanych API i funkcji (ograniczenie entropii decyzyjnej).
|
||||
- **Obsługa stanu (State & Checkpointing)**: Możliwość zapisywania stanu działania agenta, wstrzymywania i wznawiania (checkpoint/resume).
|
||||
- **Śledzenie wykonania (Tracing)**: Trwałe rejestrowanie każdego kroku wnioskowania i użycia narzędzi do celów debugowania i audytu (run-level tracing).
|
||||
- **Zasady bezpieczeństwa (Guardrails)**: Nienaruszalne reguły i filtry blokujące niebezpieczne komendy i wyciek poufnych danych.
|
||||
|
||||
## Why It Matters
|
||||
Różne rusztowania zbudowane wokół tego samego modelu językowego dają gigantyczne różnice w jakości i poprawności wykonywanych zadań. Zamiast ciągłej wymiany modelu na większy, inżynierowie powinni inwestować w optymalizację i utwardzanie "systemu operacyjnego" agenta (kontrakty agentów, obsługa błędów, walidacja).
|
||||
|
||||
## Sources
|
||||
- [[summaries/5-mental-models-for-ai-agents]]
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
title: "PKM Automation (Automatyzacja Zarządzania Wiedzą)"
|
||||
type: "concept"
|
||||
tags: [pkm, produktywność, automatyzacja, agent-ai]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/15-obsidian-workflows-and-plugins]]", "[[summaries/karpathy-llm-knowledge-superpower-researchers]]", "[[summaries/what-happens-giving-keys-to-llm-obsidian]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# PKM Automation (Automatyzacja Zarządzania Wiedzą)
|
||||
|
||||
## Definition
|
||||
Praktyka wykorzystywania agentów AI do automatyzacji żmudnej i powtarzalnej pracy administracyjnej związanej z prowadzeniem Osobistej Bazy Wiedzy (PKM - Personal Knowledge Management), takiej jak linkowanie, kategoryzacja, utrzymywanie indeksów i czyszczenie bazy.
|
||||
|
||||
## The Core Problem of PKM
|
||||
Ludzie masowo porzucają systemy "drugiego mózgu" (np. Obsidian, Notion, Roam Research) po kilku tygodniach lub miesiącach. Wynika to z faktu, że **tarcie utrzymaniowe (maintenance overhead)** rośnie szybciej niż realna wartość z posiadania bazy. Ręczne pisanie podsumowań, tworzenie indeksów i aktualizowanie połączeń zwrotnych (backlinks) staje się nudnym obowiązkiem.
|
||||
|
||||
## How AI Resolves It
|
||||
W modelu PKM Automation człowiek skupia się wyłącznie na curatingu (wyborze wartościowych źródeł), czytaniu skomponowanych syntez i formułowaniu pytań badawczych. Agent AI przejmuje całą brudną robotę:
|
||||
- **Automatyczny Ingest**: Przetwarzanie surowych plików, wstrzykiwanie nagłówków YAML, generowanie podsumowań i automatyczne linkowanie pojęć.
|
||||
- **Konserwacja (Linting)**: Regularne wyszukiwanie osieroconych notatek, martwych linków i przestarzałych informacji.
|
||||
- **Aktywny Dialog**: Przekształcenie bazy z pasywnego archiwum plików w aktywnego rozmówcę, który przeczytał wszystko co użytkownik i potrafi wskazać luki metodologiczne i ukryte sprzeczności w wiedzy.
|
||||
|
||||
## Sources
|
||||
- [[summaries/15-obsidian-workflows-and-plugins]]
|
||||
- [[summaries/karpathy-llm-knowledge-superpower-researchers]]
|
||||
- [[summaries/what-happens-giving-keys-to-llm-obsidian]]
|
||||
@@ -0,0 +1,26 @@
|
||||
---
|
||||
title: "Search-Assisted Writing (Pisanie ze Wsparciem Wyszukiwania)"
|
||||
type: "concept"
|
||||
tags: [pkm, collaboration, writing-workflows, AI]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/what-happens-giving-keys-to-llm-obsidian]]", "[[summaries/karpathy-llm-knowledge-superpower-researchers]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# Search-Assisted Writing (Pisanie ze Wsparciem Wyszukiwania)
|
||||
|
||||
## Definition
|
||||
Nowy paradygmat współpracy człowieka z AI w systemach zarządzania wiedzą osobistą, w którym model językowy nie jest tylko pasywną wyszukiwarką odpowiadającą na pytania, ale aktywnym redaktorem współtworzącym i organizującym treść w tle.
|
||||
|
||||
## Shifting Patterns
|
||||
Koncepcja ta redefiniuje dotychczasowy podział ról przy robieniu notatek:
|
||||
- **Tradycyjne podejście (Chat with your vault)**: Notatki są bazą tylko do odczytu. LLM pełni rolę "bibliotekarza" wyciągającego fragmenty (RAG). Wynik sesji jest ulotny.
|
||||
- **Nowy paradygmat (Search-assisted writing)**: Notatki są żywą, edytowalną strukturą. LLM pełni rolę "redaktora naczelnego" pracującego na systemie plików. Samodzielnie pisze artykuły o koncepcjach, wiąże autorów z tematami, sugeruje kierunki badań i wskazuje luki.
|
||||
|
||||
## Why It Matters
|
||||
Pozwala człowiekowi przestać marnować czas na manualną kategoryzację, linkowanie i przepisywanie podsumowań. Przekształca bazę notatek z biernego archiwum myśli w aktywnego partnera intelektualnego, który stymuluje myślenie i przyspiesza syntezę skomplikowanych problemów.
|
||||
|
||||
## Sources
|
||||
- [[summaries/what-happens-giving-keys-to-llm-obsidian]]
|
||||
- [[summaries/karpathy-llm-knowledge-superpower-researchers]]
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
title: "Three-Tier Memory (Trójwarstwowy Model Pamięci)"
|
||||
type: "concept"
|
||||
tags: [agent-ai, memory-systems, system-design]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/5-mental-models-for-ai-agents]]", "[[summaries/building-personal-ai-assistant-sqlite-gtd]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# Three-Tier Memory (Trójwarstwowy Model Pamięci)
|
||||
|
||||
## Definition
|
||||
Wzorzec architektoniczny dzielący pamięć agenta AI na trzy odrębne, fizycznie odseparowane warstwy poznawcze, co zapobiega przepełnieniu okna kontekstowego i gwarantuje stabilność operacyjną w długich horyzontach czasowych.
|
||||
|
||||
## The Three Cognitive Tiers
|
||||
Wytrawni inżynierowie unikają wrzucania wszystkich informacji do jednego "worka" (np. prostej bazy wektorowej). Zamiast tego wdrażają trzy poziomy pamięci:
|
||||
1. **Tier 1: Pamięć Krótkoterminowa / Robocza (Short-term / Working memory)**:
|
||||
- *Rola*: Odpowiednik pamięci RAM. Obsługuje aktualną sesję czatu, przechowuje lokalne zmienne, aktywne pod-zadania i przejściowy stan operacyjny.
|
||||
- *Realizacja*: Okno kontekstowe bieżącej rozmowy, pliki wejściowe i zmienne środowiskowe.
|
||||
2. **Tier 2: Pamięć Epizodyczna / Operacyjna (Episodic / Operational memory)**:
|
||||
- *Rola*: Chronologiczna księga zdarzeń. Zapisuje historię wykonanych operacji, sukcesy i błędy z przeszłości. Pozwala agentowi na analizę wsteczną (retrospekcja) i odtwarzanie ścieżek decyzji (tracing).
|
||||
- *Realizacja*: Append-only dziennik zmian (np. plik `log.md` w bazie wiedzy).
|
||||
3. **Tier 3: Pamięć Długoterminowa / Semantyczna (Long-term / Semantic memory)**:
|
||||
- *Rola*: Odpowiednik dysku twardego / SSD. Przechowuje niezmienne reguły zachowania, preferencje użytkownika, przewodniki stylu, schematy danych oraz zakumulowaną, skompilowaną wiedzę.
|
||||
- *Realizacja*: Kontrakty agentów (np. `CLAUDE.md`, `GEMINI.md`), trwałe ustrukturyzowane notatki o preferencjach (`memory.md`) oraz cała baza pojęć i podmiotów (`knowledge/`).
|
||||
|
||||
## Why It Matters
|
||||
Taki podział pozwala agentowi AI działać w sposób wysoce zorganizowany i precyzyjny. Chroni model przed gubieniem wątków podczas długich sesji i pozwala na precyzyjną, długofalową akumulację wiedzy (compounding knowledge).
|
||||
|
||||
## Sources
|
||||
- [[summaries/5-mental-models-for-ai-agents]]
|
||||
- [[summaries/building-personal-ai-assistant-sqlite-gtd]]
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
title: "Vault as a Database (Skarbiec jako Baza Danych)"
|
||||
type: "concept"
|
||||
tags: [obsidian, system-design, dataview, graph-theory]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/15-obsidian-workflows-and-plugins]]", "[[summaries/obsidian-vault-as-knowledge-graph]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# Vault as a Database (Skarbiec jako Baza Danych)
|
||||
|
||||
## Definition
|
||||
Podejście do organizacji osobistego skarbca notatek Markdown, w którym płaskie pliki tekstowe są traktowane i strukturyzowane jak rekordy w relacyjnej bazie danych, co umożliwia precyzyjne odpytywanie i manipulowanie informacjami przez algorytmy i agenty AI.
|
||||
|
||||
## How It Works
|
||||
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.
|
||||
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).
|
||||
|
||||
## 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.
|
||||
|
||||
## Sources
|
||||
- [[summaries/15-obsidian-workflows-and-plugins]]
|
||||
- [[summaries/obsidian-vault-as-knowledge-graph]]
|
||||
@@ -0,0 +1,22 @@
|
||||
---
|
||||
title: "Dataview"
|
||||
type: "entity"
|
||||
tags: [wtyczka, obsidian, baza-danych, technologia]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/15-obsidian-workflows-and-plugins]]", "[[summaries/obsidian-vault-as-knowledge-graph]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# Dataview
|
||||
|
||||
## Overview
|
||||
Niezwykle popularna wtyczka społecznościowa dla programu [[entities/obsidian]], która indeksuje metadane (YAML frontmatter oraz inline fields) ze wszystkich notatek w skarbcu, umożliwiając wykonywanie dynamicznych zapytań (DQL - Dataview Query Language) i renderowanie wyników w postaci tabel, list i widoków zadań.
|
||||
|
||||
## Role in AI PKM
|
||||
Wtyczka Dataview odgrywa kluczową rolę w ustrukturyzowanych bazach wiedzy zarzadzanych przez AI:
|
||||
- **Twarda struktura**: Zamienia płaskie foldery z plikami Markdown w bazę danych o wyraźnym schemacie (odpowiednik tabel SQL).
|
||||
- **Redukcja tokenów**: Gdy agent AI (np. [[entities/claude-code]]) wchodzi do skarbca, odczytuje zestawienia Dataview (tablice danych), co pozwala mu natychmiast zrozumieć powiązania i właściwości setek plików, bez konieczności kosztownego czytania każdego dokumentu z osobna.
|
||||
|
||||
## Related Entities
|
||||
- [[entities/obsidian]] — Środowisko uruchomieniowe.
|
||||
@@ -0,0 +1,22 @@
|
||||
---
|
||||
title: "FastMCP"
|
||||
type: "entity"
|
||||
tags: [framework, technologia, open-source, mcp]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/best-12-claude-skills-setup]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# FastMCP
|
||||
|
||||
## Overview
|
||||
Wysoce zoptymalizowany, nowoczesny framework open-source przeznaczony do błyskawicznego projektowania, testowania i wdrażania serwerów MCP ([[concepts/mcp-servers]]) w językach Python oraz TypeScript.
|
||||
|
||||
## Capabilities
|
||||
- **Dekoratory**: Pozwala na przekształcenie standardowych funkcji językowych w natywne narzędzia (tools) i zasoby dla modeli LLM za pomocą prostych adnotacji (np. `@mcp.tool()`).
|
||||
- **Szybkość wdrożenia**: Drastycznie skraca czas i upraszcza architekturę budowy serwerów w porównaniu do ręcznej implementacji protokołu MCP.
|
||||
|
||||
## Related Concepts
|
||||
- [[concepts/mcp-servers]] — Standardy komunikacji i dostarczania ustrukturyzowanych narzędzi dla agentów.
|
||||
- [[concepts/claude-skills]] — Możliwość rozbudowy agentów.
|
||||
@@ -0,0 +1,22 @@
|
||||
---
|
||||
title: "Mistral NeMo 12B"
|
||||
type: "entity"
|
||||
tags: [model-llm, technologia, open-source, local-first]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/what-happens-giving-keys-to-llm-obsidian]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# Mistral NeMo 12B
|
||||
|
||||
## Overview
|
||||
Lekki, wysoce zoptymalizowany, otwartoźródłowy model językowy (LLM) o rozmiarze 12 miliardów parametrów, stworzony we współpracy Mistral AI i NVIDIA. Działa z powodzeniem lokalnie na urządzeniach konsumenckich posiadających standardową ilość pamięci VRAM (np. MacBooki z Apple Silicon lub karty graficzne Nvidia RTX).
|
||||
|
||||
## Role in Local-First PKM
|
||||
Mistral NeMo 12B jest uznawany za jeden z optymalnych wyborów dla w pełni prywatnych, lokalnych systemów zarządzania wiedzą (Karpathy Pattern):
|
||||
- **Wydajność**: Oferuje doskonałą jakość syntezy merytorycznej, rzetelne podążanie za instrukcjami systemowymi oraz bardzo dobrą obsługę kodu Markdown.
|
||||
- **Bezpieczeństwo**: Całe rozumowanie i parsowanie notatek odbywa się w 100% lokalnie na maszynie użytkownika. Wrażliwe dane (dzienniki, notatki biznesowe) nie są przesyłane na serwery chmurowe.
|
||||
|
||||
## Related Concepts
|
||||
- [[concepts/local-first-ai]] — Model wdrażania bazy opartej na zasobach lokalnych.
|
||||
@@ -0,0 +1,23 @@
|
||||
---
|
||||
title: "Obsidian Git"
|
||||
type: "entity"
|
||||
tags: [wtyczka, git, obsidian, wersjonowanie]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/15-obsidian-workflows-and-plugins]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# Obsidian Git
|
||||
|
||||
## Overview
|
||||
Wtyczka społecznościowa dla programu [[entities/obsidian]], pozwalająca na automatyczne wersjonowanie i synchronizowanie lokalnego skarbca notatek z dowolnym zdalnym repozytorium Git (np. GitHub, GitLab).
|
||||
|
||||
## Critical Role in Agent PKM
|
||||
Gdy zezwalamy autonomicznym agentom AI (np. [[entities/claude-code]]) na bezpośrednie zapisywanie i modyfikowanie plików w naszej bazie wiedzy, pojawia się ryzyko uszkodzenia danych (błędy składniowe, nadpisanie istotnych sekcji). Obsidian Git służy jako polisa ubezpieczeniowa:
|
||||
- **Niezmienny stan**: Wykonuje automatyczne zatwierdzenia (commits) i wypchnięcia (push) w tle z określoną częstotliwością (np. co 30 minut).
|
||||
- **Bezpieczne cofanie zmian**: W razie awarii lub błędnej edycji agenta, użytkownik może natychmiast przywrócić poprawny stan bazy z historii rewizji.
|
||||
- **Transparentność**: Umożliwia precyzyjny przegląd różnic w tekście (diffs) w celu weryfikacji zmian dokonanych przez model AI.
|
||||
|
||||
## Related Entities
|
||||
- [[entities/obsidian]] — Przetwarzany skarbiec.
|
||||
@@ -0,0 +1,29 @@
|
||||
---
|
||||
title: "Obsidian Skills"
|
||||
type: "entity"
|
||||
tags: [narzędzie, open-source, prompt-engineering, obsidian]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["[[summaries/what-happens-giving-keys-to-llm-obsidian]]", "[[summaries/15-obsidian-workflows-and-plugins]]"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# Obsidian Skills
|
||||
|
||||
## Overview
|
||||
Oficjalny zestaw otwartoźródłowych (licencja MIT) umiejętności agentowych stworzony na początku 2026 roku przez Stepha Ango (CEO Obsidiana) w celu ustandaryzowania i zabezpieczenia interakcji zewnętrznych modeli LLM z lokalnymi skarbcami notatek Obsidian.
|
||||
|
||||
## Capabilities & Modules
|
||||
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.
|
||||
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).
|
||||
4. `obsidian-cli` — udostępnia pełne API do manipulowania skarbcem z poziomu wiersza poleceń (CLI).
|
||||
5. `defuddle` — autonomiczny scraper i czyściciel stron internetowych, usuwający reklamy, skrypty i elementy nawigacyjne z kodu HTML, co oszczędza od 40% do 80% tokenów przy importowaniu artykułów z sieci.
|
||||
|
||||
## Why It Is a Game-Changer
|
||||
To pierwszy przypadek, w którym twórca platformy osobiście napisał i wydał oficjalne specyfikacje integracji agentowej, zapobiegając "zatruwaniu" i psuciu prywatnych baz wiedzy przez improwizujących i działających bez ścisłych reguł agentów AI.
|
||||
|
||||
## Related Entities
|
||||
- [[entities/obsidian]] — Wspierany system notatek.
|
||||
- [[entities/claude-code]] — Terminalowy agent wykorzystujący te umiejętności.
|
||||
@@ -1,6 +1,6 @@
|
||||
# 12 Ulubionych Problemów Feynmana
|
||||
|
||||
Poniższa lista zawiera kluczowe pytania i obszary zainteresowań, które są "testowane" przy każdym nowym źródle wiedzy. Cel: Znalezienie nowych perspektyw, połączeń lub cząstkowych rozwiązań dla tych długoterminowych wyzwań.
|
||||
Poniższa lista zawiera kluczowe pytania i obszary zainteresowań, które są "testowane" przy każdym nou źródle wiedzy. Cel: Znalezienie nowych perspektyw, połączeń lub cząstkowych rozwiązań dla tych długoterminowych wyzwań.
|
||||
|
||||
## 1. Zarządzanie sobą w czasie
|
||||
- **Notatki i połączenia**:
|
||||
@@ -12,6 +12,8 @@ Poniższa lista zawiera kluczowe pytania i obszary zainteresowań, które są "t
|
||||
- [[summaries/karpathy-llm-knowledge-superpower-researchers]]: LLM jako "księgowy" automatyzujący nudne zadania i konserwację bazy wiedzy, zapobiegając jej porzuceniu przez ludzi.
|
||||
- [[summaries/building-personal-ai-assistant-sqlite-gtd]]: System MarcOS integruje GTD z SQLite i Claude Code, automatyzując cotygodniowy przegląd zadań.
|
||||
- [[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.
|
||||
|
||||
## 2. Zarządzanie bazami danych
|
||||
- **Notatki i połączenia**:
|
||||
@@ -29,6 +31,8 @@ Poniższa lista zawiera kluczowe pytania i obszary zainteresowań, które są "t
|
||||
- [[summaries/loom-thinking-tool]]: Wykorzystanie AI do [[concepts/metacognition-as-a-service]] i [[concepts/idea-collision]].
|
||||
- [[summaries/building-llm-research-knowledge-philosophy]]: Wprowadzenie [[concepts/epistemic-markers]] (`[W]`, `[P]`, `[?]`) pozwala rozróżnić obiektywne syntezy modeli od własnych przemyśleń badacza.
|
||||
- [[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.
|
||||
|
||||
## 4. Automatyzacja i Agenci AI
|
||||
- **Notatki i połączenia**:
|
||||
@@ -39,6 +43,8 @@ Poniższa lista zawiera kluczowe pytania i obszary zainteresowań, które są "t
|
||||
- [[summaries/how-to-deploy-autoresearch]]: [[concepts/autoresearch]] – najwyższy stopień autonomii agenta AI w procesie badawczym.
|
||||
- [[summaries/building-personal-ai-assistant-sqlite-gtd]]: Claude Code jako aktywny administrator systemów użytkownika (GTD/faktury), działający pod nienaruszalnym kontraktem `CLAUDE.md`.
|
||||
- [[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.
|
||||
|
||||
---
|
||||
*Miejsce na kolejne problemy (5-12)...*
|
||||
|
||||
@@ -26,3 +26,14 @@ Słownik terminów i modeli mentalnych zgromadzonych w knowledge.
|
||||
- [[concepts/knowledge-scaling]]
|
||||
- [[concepts/gtd-ai]]
|
||||
- [[concepts/mcp-servers]]
|
||||
- [[concepts/pkm-automation]]
|
||||
- [[concepts/vault-as-database]]
|
||||
- [[concepts/compounding-feedback-loops]]
|
||||
- [[concepts/search-assisted-writing]]
|
||||
- [[concepts/agent-formatting-dialects]]
|
||||
- [[concepts/claude-skills]]
|
||||
- [[concepts/incremental-context-loading]]
|
||||
- [[concepts/context-stack-management]]
|
||||
- [[concepts/doer-judge-split]]
|
||||
- [[concepts/three-tier-memory]]
|
||||
- [[concepts/graduated-autonomy]]
|
||||
|
||||
@@ -11,3 +11,8 @@ Katalog narzędzi, technologii i organizacji.
|
||||
- [[entities/sql-js]]
|
||||
- [[entities/mcpvault]]
|
||||
- [[entities/constella]]
|
||||
- [[entities/dataview]]
|
||||
- [[entities/obsidian-git]]
|
||||
- [[entities/obsidian-skills]]
|
||||
- [[entities/mistral-nemo]]
|
||||
- [[entities/fastmcp]]
|
||||
|
||||
@@ -16,3 +16,7 @@ Pełna lista streszczeń materiałów źródłowych.
|
||||
- [[summaries/building-llm-research-knowledge-philosophy]]
|
||||
- [[summaries/building-personal-ai-assistant-sqlite-gtd]]
|
||||
- [[summaries/obsidian-vault-as-knowledge-graph]]
|
||||
- [[summaries/15-obsidian-workflows-and-plugins]]
|
||||
- [[summaries/what-happens-giving-keys-to-llm-obsidian]]
|
||||
- [[summaries/best-12-claude-skills-setup]]
|
||||
- [[summaries/5-mental-models-for-ai-agents]]
|
||||
|
||||
@@ -2,6 +2,14 @@
|
||||
|
||||
Chronologiczny zapis operacji na knowledge.
|
||||
|
||||
## [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]]`.
|
||||
- Przetworzono `The Best 12 Claude Skills Setup — A Complete 2026 Guide to Configuring Claude Like a Pro.md`: dodano podsumowanie `[[summaries/best-12-claude-skills-setup]]`, koncepcje `[[concepts/claude-skills]]`, `[[concepts/incremental-context-loading]]` oraz podmioty `[[entities/fastmcp]]`.
|
||||
- Przetworzono `The 5 Core Mental Models for AI Agents: Harness & Memory (Deep Dive + Action Plan) - BPMS Team.md`: dodano podsumowanie `[[summaries/5-mental-models-for-ai-agents]]`, koncepcje `[[concepts/model-as-cpu-harness-as-os]]`, `[[concepts/context-stack-management]]`, `[[concepts/doer-judge-split]]`, `[[concepts/three-tier-memory]]` oraz `[[concepts/graduated-autonomy]]`.
|
||||
- Zaktualizowano powiązania z Feynman Problems w `[[feynman_problems]]` (Problemy #1, #3, #4).
|
||||
- Zaktualizowano indeksy podsumowań, koncepcji i podmiotów.
|
||||
|
||||
## [2026-06-09] Ingest | LLM-Knowledge & Personal AI Productivity
|
||||
- Przetworzono `Karpathy LLM knowledge to supermoc dla badaczy. Oto jak go używam..md`: dodano podsumowanie `[[summaries/karpathy-llm-knowledge-superpower-researchers]]`.
|
||||
- Przetworzono `Budowanie knowledge badawczej LLM_ Jak przekształciłem 3000 stron filozofii w żywy system wiedzy.md`: dodano podsumowanie `[[summaries/building-llm-research-knowledge-philosophy]]`, koncepcje `[[concepts/epistemic-markers]]`, `[[concepts/multi-agent-orchestration]]` oraz `[[concepts/knowledge-scaling]]`, i podmioty `[[entities/constella]]`.
|
||||
|
||||
@@ -0,0 +1,54 @@
|
||||
---
|
||||
title: "15 workflowów i wtyczek Obsidian, których większość ludzi nie zna"
|
||||
type: "summary"
|
||||
tags: [obsidian, pkm, automatyzacja, workflow, mcpvault, git]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["raw/inbox/15 workflowów i wtyczek Obsidian, których większość ludzi nie zna.md"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# 15 workflowów i wtyczek Obsidian, których większość ludzi nie zna
|
||||
|
||||
Artykuł autorstwa Shashwata przedstawia zaawansowany zestaw 15 wtyczek i automatycznych przepływów pracy (workflows), które przekształcają statyczny skarbiec Obsidian w aktywny, samodzielnie zapytujący i kumulujący wiedzę ekosystem cyfrowy (tzw. "Second Brain" oparty o pętle LLM).
|
||||
|
||||
## Key Points
|
||||
|
||||
### Podstawowa Infrastruktura (Wtyczki):
|
||||
- **Smart Connections (RAG)**: Wtyczka wprowadzająca lokalny silnik wyszukiwania semantycznego (RAG) do przeszukiwania skarbca na bazie wektorowej, zamiast prostego dopasowania słów kluczowych.
|
||||
- **Templater (Egzekutor szablonów)**: Służy do automatycznego wymuszania ustrukturyzowanych metadanych YAML frontmatter (daty, tagi, klucze), co zapobiega halucynacjom modeli na surowym szumie informacyjnym.
|
||||
- **Dataview (Kompilator skarbca)**: Przekształca foldery i notatki w tabele bazodanowe (podobne do SQL). Dzięki temu model AI może odpytywać konkretne właściwości i zmienne zamiast interpretować surowy tekst.
|
||||
- **Obsidian Git**: Zapewnia wersjonowanie bazy z automatycznym commitem co 30 minut. Jest to nienaruszalna polisa ubezpieczeniowa przed uszkodzeniem plików podczas automatycznych edycji wsadowych przez agenta.
|
||||
- **Obsidian CLI (Interfejs terminalowy)**: Umożliwia terminalowym agentom (np. [[entities/claude-code]]) bezproblemowe przeszukiwanie i edycję bazy bezpośrednio z wiersza poleceń.
|
||||
|
||||
### Autonomiczne Potoki Wykonawcze (Workflows):
|
||||
- **Protokół Inicjalizacji**: Skrypt uruchamiany rano, który nakazuje modelowi AI pobranie logów z ostatnich 72 godzin i przygotowanie sterylnej listy priorytetów i zadań na dany dzień.
|
||||
- **Automatyczny Ingest (Lejek)**: Umieszczenie dokumentu w folderze stagingu wyzwala proces, w którym model analizuje treść, wstrzykuje tagi metadanych i automatycznie tworzy linki do istniejących pojęć w bazie.
|
||||
- **Algorytmiczna Autopsja**: Piątkowy cron-job zbierający zmodyfikowane w ciągu tygodnia pliki, obliczający deltę postępu i generujący bezwzględną, 300-słowną krytyczną ocenę wydajności użytkownika.
|
||||
- **Audyt Stanu (Structural Health Audit)**: Raz w miesiącu model AI przeszukuje skarbiec pod kątem osieroconych notatek, martwych linków i przestarzałych tagów, zapobiegając "zużyciu" repozytorium (odpowiednik naszego lintera).
|
||||
- **Dziennik Decyzji (Binary Decision Log)**: Zapisywanie założeń decyzji oraz ich ostatecznych rezultatów, co pozwala modelowi na analizę naszych historycznych błędów poznawczych i wzorców porażek.
|
||||
|
||||
### Orkiestracja i Architektura:
|
||||
- **Trwały Napęd Kontekstowy**: Wykorzystanie plików `CLAUDE.md` / `GEMINI.md` jako trwałej pamięci RAM, wymuszającej na agencie przestrzeganie naszych historycznych reguł i preferencji przed rozpoczęciem nowej sesji.
|
||||
- **Protokół mcpvault**: Integracja lokalnego serwera MCP ([[entities/mcpvault]]) z wyszukiwaniem BM25, pozwalająca agentom na błyskawiczne przeszukiwanie i odczyt notatek bez otwierania interfejsu Obsidian.
|
||||
- **Kanoniczne Specyfikacje (`obsidian-skills`)**: Używanie oficjalnych bibliotek Steph Ango ([[entities/obsidian-skills]]) do bezpiecznej i precyzyjnej modyfikacji plików Markdown i Canvas.
|
||||
- **obsidian-second-brain**: Monolityczny moduł posiadający 31 komend, pozwalający na pobieranie transkrypcji YouTube, zaciąganie danych na żywo przez API Grok i automatyczne argumentowanie przeciwko tezom użytkownika.
|
||||
- **Kumulująca Pętla Feedbacku**: Oznaczanie syntez wygenerowanych przez AI tagiem `#machine-generated`, co pozwala na celowy i kontrolowany trening bazy na jej własnych, doprecyzowanych syntezach.
|
||||
|
||||
## Relevant Concepts
|
||||
- [[concepts/pkm-automation]] — Wykorzystanie agentów do automatyzacji nudnej księgowości wiedzy.
|
||||
- [[concepts/vault-as-database]] — Traktowanie struktury plików tekstowych jako odpytywalnej relacyjnej bazy danych.
|
||||
- [[concepts/compounding-feedback-loops]] — Systemy uczące się i zagęszczające wiedzę na bazie własnych, zweryfikowanych wyjść.
|
||||
- [[concepts/knowledge-graph-analysis]] — Strukturalne audyty zdrowia grafu notatek.
|
||||
|
||||
## Relevant Entities
|
||||
- [[entities/obsidian]] — Centralne środowisko PKM.
|
||||
- [[entities/mcpvault]] — Serwer MCP do bezserwerowego przeszukiwania bazy.
|
||||
- [[entities/obsidian-skills]] — Kanoniczne instrukcje Steph Ango dla agentów AI.
|
||||
- [[entities/claude-code]] — Agent wykonujący skrypty i operacje na bazie.
|
||||
|
||||
## Source Metadata
|
||||
- **Type**: Artykuł / Przewodnik techniczny
|
||||
- **Author**: Shashwat
|
||||
- **Date**: 2026-06-02
|
||||
- **URL**: https://medium.com/tech-and-ai-guild/15-obsidian-workflows-and-plugins-that-most-people-dont-know-3fa3e6f05ee4
|
||||
@@ -0,0 +1,50 @@
|
||||
---
|
||||
title: "The 5 Core Mental Models for AI Agents: Harness & Memory (Deep Dive + Action Plan)"
|
||||
type: "summary"
|
||||
tags: [agent-ai, system-design, mental-models, memory-tiers, autonomy]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["raw/inbox/The 5 Core Mental Models for AI Agents_ Harness & Memory (Deep Dive + Action Plan) - BPMS Team.md"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# The 5 Core Mental Models for AI Agents: Harness & Memory (Deep Dive + Action Plan)
|
||||
|
||||
Artykuł zespołu BPMS definiuje pięć fundamentalnych modeli mentalnych, które pozwalają inżynierom oprogramowania na przeniesienie agentów AI z fazy prostych prezentacji (demos) do stabilnych, produkcyjnych systemów biznesowych. Ramy te zostały zilustrowane na przykładzie budowy agenta do analizy oszustw (fraud analysis) z wykorzystaniem Gemini CLI i BigQuery.
|
||||
|
||||
## Key Points
|
||||
|
||||
### Model Mentalny 1 — Model to procesor (CPU). Rusztowanie (Harness) to system operacyjny (OS).
|
||||
- Sam model językowy (LLM) to tylko surowy silnik wnioskowania (jak procesor Intel/AMD). Poziom jakości i bezpieczeństwa aplikacji zależy całkowicie od **rusztowania (harness/scaffolding)**, które pełni rolę systemu operacyjnego.
|
||||
- "OS" definiuje wejścia/wyjścia, ograniczenia, bezpieczeństwo, cykle weryfikacji, checkpointy, wznawianie pracy (checkpoint/resume) oraz śledzenie kroków (run-level tracing). Zmiana rusztowania ma większy wpływ na wynik niż wymiana samego modelu na większy.
|
||||
- Wąski, rygorystyczny i dobrze oznaczony zestaw narzędzi (tools) jest zawsze lepszy niż przeładowany przybornik ze względu na minimalizację entropii decyzji modelu.
|
||||
|
||||
### Model Mentalny 2 — Kontekst jest Produktem (Context is the Product)
|
||||
- Zarządzanie **Stosem Kontekstu (Context Stack)** to kluczowy element inżynierii systemów agentowych. Na stos składają się: instrukcje systemowe, aktywne instrukcje projektu, historia konwersacji oraz pobrane wycinki z baz danych (RAG).
|
||||
- Istnieje stałe napięcie między chęcią dostarczenia modelowi maksymalnej liczby informacji (co marnuje tokeny i spowalnia czas reakcji) a zbyt wąskim zakresem, który prowadzi do halucynacji i błędów logicznych.
|
||||
|
||||
### Model Mentalny 3 — Oddziel Wykonawcę od Sędziego (Separate the Doer from the Judge)
|
||||
- Dla zachowania rzetelności procesów biznesowych należy bezwzględnie odseparować agenta wykonującego zadanie (**Doer**) od agenta weryfikującego jakość i zgodność z regułami (**Judge**).
|
||||
- Weryfikacja przebiega na spektrum: od automatycznych bram logicznych (kod deterministyczny, walidacja schematu JSON), przez sędziowanie za pomocą innego, mniejszego modelu LLM, aż po ostateczny nadzór człowieka (Human-in-the-Loop).
|
||||
|
||||
### Model Mentalny 4 — Pamięć to Trzy Poziomy Poznawcze, a nie jeden worek
|
||||
Systemy agentowe powinny rozróżniać i fizycznie separować pamięć na trzy warstwy:
|
||||
1. **Tier 1: Pamięć Krótkoterminowa / Robocza (Short-term / Working memory)**: Aktywny kontekst sesji czatu, lokalne zmienne i przejściowy stan operacyjny.
|
||||
2. **Tier 2: Pamięć Epizodyczna / Operacyjna (Episodic / Operational memory)**: Chronologiczny dziennik wykonanych akcji i zdarzeń (historyczny log sesji). Pozwala na odtworzenie ścieżki wnioskowania (run-level tracing).
|
||||
3. **Tier 3: Pamięć Długoterminowa / Semantyczna (Long-term / Semantic memory)**: Trwałe, utwardzone preferencje, reguły zachowania, przewodniki marki i wzorce bazodanowe (odpowiednik ustrukturyzowanych pamięci i plików kontraktów agenta).
|
||||
|
||||
### Model Mentalny 5 — Stopniowana Autonomia (Graduated Autonomy)
|
||||
- Zaufanie do agenta AI buduje się stopniowo poprzez weryfikację. Autonomia powinna być wdrażana etapowo na gradientowej skali:
|
||||
- *HITL (Human-in-the-Loop)*: Każda akcja modyfikująca system wymaga fizycznej zgody i kliknięcia człowieka.
|
||||
- *Human-on-the-Loop*: Agent wykonuje akcje autonomicznie, ale człowiek ma możliwość ich natychmiastowego cofnięcia (bramka czasowa / delay).
|
||||
- *Pełna autonomia*: Agent działa samodzielnie, raportując jedynie anomalie i błędy krytyczne do sędziego lub administratora.
|
||||
|
||||
## Relevant Concepts
|
||||
- [[concepts/model-as-cpu-harness-as-os]] — Architektura oddzielająca silnik wnioskowania od rusztowania operacyjnego.
|
||||
- [[concepts/context-stack-management]] — Strategie dynamicznego i oszczędnego zarządzania oknem kontekstowym.
|
||||
- [[concepts/doer-judge-split]] — Wzorzec projektowy zwiększający niezawodność poprzez separację ról wykonawczych i kontrolnych.
|
||||
- [[concepts/three-tier-memory]] — Trójwarstwowy model podziału pamięci agentów AI.
|
||||
- [[concepts/graduated-autonomy]] — Metody stopniowego zwiększania niezależności systemów autonomicznych.
|
||||
|
||||
## Sources
|
||||
- [[summaries/5-mental-models-for-ai-agents]]
|
||||
@@ -0,0 +1,63 @@
|
||||
---
|
||||
title: "The Best 12 Claude Skills Setup — A Complete 2026 Guide to Configuring Claude Like a Pro"
|
||||
type: "summary"
|
||||
tags: [claude, claude-skills, agent-ai, automatyzacja, mcp, prompt-engineering]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["raw/inbox/The Best 12 Claude Skills Setup — A Complete 2026 Guide to Configuring Claude Like a Pro.md"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# The Best 12 Claude Skills Setup — A Complete 2026 Guide to Configuring Claude Like a Pro
|
||||
|
||||
Artykuł autorstwa Noora Mohamada analizuje zaawansowany mechanizm "Umiejętności" (Skills) w ekosystemie agentów Claude (szczególnie w Claude Code i Cowork). Autor wyjaśnia, jak te moduły radykalnie zwiększają precyzję pracy modeli, podaje instrukcję instalacji oraz rekomenduje zestaw 12 konkretnych umiejętności optymalizujących codzienną pracę.
|
||||
|
||||
## Key Points
|
||||
|
||||
### Czym są Umiejętności (Skills)?
|
||||
- **Definicja**: Umiejętność to wydzielony folder zawierający instrukcje (`SKILL.md`), przykłady szablonów oraz ewentualne skrypty wykonawcze (Python/Node), które model językowy łaguje **wyłącznie wtedy, gdy są one bezpośrednio potrzebne**.
|
||||
- **Zasada Stopniowego Ujawniania (Incremental Context Loading)**: Model nie czyta wszystkich umiejętności naraz, co oszczędza okno kontekstowe (RAM). Odczytuje tylko krótkie nagłówki i opisy, dynamicznie ładując pełne pliki instrukcji w momencie dopasowania zapytania.
|
||||
- **Uniwersalność**: Napisana raz umiejętność działa spójnie na wszystkich powierzchniach Claude: w aplikacji webowej, terminalu Claude Code, API oraz trybie Cowork.
|
||||
|
||||
### Metody Instalacji:
|
||||
1. **Wbudowane (Built-in)**: Włączane jednym kliknięciem w ustawieniach (obsługa formatów `.docx`, `.pptx`, `.xlsx`, `.pdf`).
|
||||
2. **Społecznościowe (Marketplace)**: Pobierane bezpośrednio z oficjalnego repozytorium GitHub Anthropica poprzez komendę `/plugin install`.
|
||||
3. **Własne (Custom)**: Lokalny katalog zawierający plik `SKILL.md` z tagami metadanych w nagłówku, umieszczony w folderze `~/.claude/skills/`.
|
||||
|
||||
### Rekomendowany Stos 12 Umiejętności:
|
||||
- **Kategoria "Generatory Dokumentów"**:
|
||||
- `docx` — generowanie profesjonalnych, ustrukturyzowanych dokumentów Word (spisy treści, śledzenie zmian).
|
||||
- `pptx` — budowanie edytowalnych prezentacji PowerPoint z wykorzystaniem biblioteki `python-pptx`.
|
||||
- `xlsx` — tworzenie arkuszy Excel z formułami i formatowaniem warunkowym.
|
||||
- `pdf` — wyodrębnianie tabel i tekstu, wypełnianie formularzy, łączenie plików i automatyczny OCR.
|
||||
- **Kategoria "Kompilatory Agentów"**:
|
||||
- `skill-creator` — asystent AI przeprowadzający wywiad z użytkownikiem i automatycznie budujący nowe, niestandardowe pliki `SKILL.md`.
|
||||
- `mcp-builder` — automatyczne tworzenie i wdrażanie lokalnych serwerów FastMCP (Python/TypeScript).
|
||||
- **Kategoria "Generatory Treści i Pamięć"**:
|
||||
- `brand-voice` (Custom) — rygorystyczne egzekwowanie unikalnego tonu pisania, listy zakazanych korporacyjnych słów i szablonów zakończeń.
|
||||
- `consolidate-memory` — okresowy przegląd, konsolidacja i czyszczenie bazy wspomnień agenta (merytoryczny linter pamięci).
|
||||
- **Kategoria "Programowanie (Shipping Code)"**:
|
||||
- `mern-ecommerce-expert` — obsługa gotowych wzorców e-commerce dla stosu MERN.
|
||||
- `review` — rzetelny, głęboki przegląd kodu bazujący na plikach diff, szukający realnych logicznych błędów.
|
||||
- `security-review` — audyt bezpieczeństwa gałęzi kodu pod kątem wstrzyknięć kodu i podatności.
|
||||
- **Kategoria "Automatyzacja i Rutyna"**:
|
||||
- `schedule` — harmonogramowanie i automatyczne uruchamianie cyklicznych zadań w tle (np. poniedziałkowy raport).
|
||||
|
||||
### Dobre Praktyki Tworzenia Umiejętności:
|
||||
- **Triage Nurse Description**: Opis w nagłówku YAML musi być napisany z precyzją pielęgniarki na izbie przyjęć. Zamiast "pomaga pisać" należy napisać "używaj, gdy użytkownik chce stworzyć lub edytować plik .docx". To decyduje o trafnym wywołaniu.
|
||||
- **Ograniczenia na początku**: Twarde zakazy, listy słów zakazanych i kluczowe formaty powinny znaleźć się w pierwszych 200 słowach pliku `SKILL.md`, ponieważ model silniej waży instrukcje z początku kontekstu.
|
||||
|
||||
## Relevant Concepts
|
||||
- [[concepts/claude-skills]] — Ramy rozszerzania możliwości modeli Anthropic za pomocą ustrukturyzowanych umiejętności.
|
||||
- [[concepts/incremental-context-loading]] — Strategie oszczędzania okna kontekstowego poprzez dynamiczne ładowanie instrukcji.
|
||||
- [[concepts/agent-contracts]] — `SKILL.md` jako kontrakt wykonawczy dla konkretnego zadania.
|
||||
|
||||
## Relevant Entities
|
||||
- [[entities/claude-code]] — Środowisko CLI obsługujące wtyczki i umiejętności.
|
||||
- [[entities/fastmcp]] — Framework do błyskawicznego budowania serwerów MCP.
|
||||
|
||||
## Source Metadata
|
||||
- **Type**: Poradnik techniczny / Best practices
|
||||
- **Author**: Noor Mohamad
|
||||
- **Date**: 2026-05-13
|
||||
- **URL**: https://blog.stackademic.com/the-best-12-claude-skills-setup-a-complete-2026-guide-to-configuring-claude-like-a-pro-486d2fd906f3
|
||||
@@ -0,0 +1,53 @@
|
||||
---
|
||||
title: "Co się dzieje, gdy dasz LLM-owi klucze do swojego skarbca Obsidian"
|
||||
type: "summary"
|
||||
tags: [obsidian, karpathy, llm-knowledge, obsidian-skills, privacy, pkm]
|
||||
created: 2026-06-09
|
||||
updated: 2026-06-09
|
||||
sources: ["raw/inbox/Co się dzieje, gdy dasz LLM-owi klucze do swojego skarbca Obsidian.md"]
|
||||
confidence: high
|
||||
---
|
||||
|
||||
# Co się dzieje, gdy dasz LLM-owi klucze do swojego skarbca Obsidian
|
||||
|
||||
Artykuł Valerie analizuje rewolucyjny zwrot w osobistym zarządzaniu wiedzą (PKM) zapoczątkowany przez manifest Andreja Karpathy'ego "LLM Knowledge Base". Autorka szczegółowo opisuje wdrożenie oficjalnych "umiejętności agentów" (`obsidian-skills`) autorstwa Steph Ango (CEO Obsidiana) i krytycznie ocenia szanse oraz realne zagrożenia związane z oddaniem kontroli nad naszym skarbiecem sztucznej inteligencji.
|
||||
|
||||
## Key Points
|
||||
|
||||
### Przesunięcie Paradygmatu:
|
||||
- **Stary schemat (Chat with your vault)**: Płaskie wyszukiwanie wektorowe (RAG), w którym model pobiera wycinki i generuje odpowiedź na jedno pytanie. Sesja czatu jest ulotna, a skarbiec pozostaje nieuporządkowanym cmentarzem notatek.
|
||||
- **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`):
|
||||
- Modele językowe znają czysty Markdown, ale popełniają błędy w dialekcie Obsidiana (błędne WikiLinki, 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:
|
||||
- `obsidian-markdown` — rzetelna obsługa linków dwukierunkowych i calloutów.
|
||||
- `obsidian-bases` — obsługa danych strukturalnych.
|
||||
- `json-canvas` — bezpieczne generowanie i edycja płócien wizualnych.
|
||||
- `obsidian-cli` — zarządzanie skarbcem bezpośrednio z terminala.
|
||||
- `defuddle` — czyszczenie zrzucanych stron internetowych ze śmieci reklamowych, co oszczędza tokeny.
|
||||
|
||||
### Realne Ryzyka i Tryby Awaryjne:
|
||||
- **To nie czyni Cię mądrym, czyni mądrym Twój skarbiec**: Model generuje doskonałą syntezę, ale po dwóch tygodniach uświadamiasz sobie, że od pół roku obracasz w głowie tę samą, niedokończoną myśl. AI ułatwia księgowość, ale nie zastępuje myślenia.
|
||||
- **Zjawisko Halucynacji Relacji**: Lokalne, mniejsze modele potrafią z dużą pewnością połączyć dwa zupełnie niezwiązane ze sobą pojęcia i napisać przekonujący akapit o ich relacji, która nie ma żadnego poparcia w Twoich notatkach. Wymaga to permanentnej, krytycznej weryfikacji człowieka.
|
||||
- **Problem Zimnego Startu**: Model nie uporządkuje chaosu za Ciebie. Jeśli Twoje notatki to niechlujne bazgroły, pierwszy miesiąc spędzisz na sprzątaniu bazy, którego AI nie potrafi wykonać bez Twoich wytycznych.
|
||||
- **Prywatność danych**: Przekazanie kluczy do skarbca agentom chmurowym oznacza wysłanie swoich najbardziej intymnych notatek, pamiętników czy listów rezygnacyjnych na serwery firm trzecich. Prywatność jest zachowana wyłącznie przy użyciu modeli 100% lokalnych.
|
||||
- **Koszty sprzętowe**: Dobre, lokalne systemy wymagają mocnego i drogiego sprzętu (np. Mac z dużą ilością pamięci unified RAM lub dedykowane karty RTX) do uruchomienia modeli typu Mistral NeMo 12B czy Qwen3. Mniejsze lub starsze komputery generują syntezy o drastycznie niższej jakości.
|
||||
|
||||
## Relevant Concepts
|
||||
- [[concepts/search-assisted-writing]] — Model pracy, w którym AI jest redaktorem, a nie tylko wyszukiwarką.
|
||||
- [[concepts/agent-formatting-dialects]] — Specjalizacja instrukcji dla agentów w celu poprawnej obsługi niestandardowych formatów plików.
|
||||
- [[concepts/rag-vs-knowledge]] — Zderzenie transakcyjnego RAG z trwałą kompilacją wiedzy.
|
||||
- [[concepts/knowledge-compilation]] — Rola LLM jako kompilatora surowej wiedzy.
|
||||
|
||||
## Relevant Entities
|
||||
- [[entities/obsidian-skills]] — Zestaw umiejętności agentowych od Steph Ango.
|
||||
- [[entities/obsidian]] — Program do prowadzenia bazy notatek.
|
||||
- [[entities/claude-code]] — Terminalowy agent operujący na plikach.
|
||||
- [[entities/mistral-nemo]] — Rekomendowany, lokalny model 12B optymalny do zadań PKM.
|
||||
|
||||
## Source Metadata
|
||||
- **Type**: Artykuł / Krytyczna analiza PKM
|
||||
- **Author**: Valerie
|
||||
- **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
|
||||
Reference in New Issue
Block a user