Jun 11, 2026, 10:46 AM

brain/knowledge/feynman_problems.md

@@ -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)...*