Jun 9, 2026, 3:59 PM

brain/GEMINI.md

@@ -18,7 +18,7 @@ This can apply to a lot of different contexts. A few examples:
 
 - **Personal**: tracking your own goals, health, psychology, self-improvement — filing journal entries, articles, podcast notes, and building up a structured picture of yourself over time.
 - **Research**: going deep on a topic over weeks or months — reading papers, articles, reports, and incrementally building a comprehensive knowledge base with an evolving thesis.
-- **Reading a book**: filing each chapter as you go, building out pages for characters, themes, plot threads, and how they connect. By the end you have a rich companion knowledge base. Think of fan wikis like [Tolkien Gateway](https://tolkiengateway.net/wiki/Main_Page) — thousands of interlinked pages covering characters, places, events, languages, built by a community of volunteers over years. You could build something like that personally as you read, with the LLM doing all the cross-referencing and maintenance.
+- **Reading a book**: filing each chapter as you go, building out pages for characters, themes, plot threads, and how they connect. By the end you have a rich companion knowledge base. Think of fan knowledges like [Tolkien Gateway](https://tolkiengateway.net/knowledge/Main_Page) — thousands of interlinked pages covering characters, places, events, languages, built by a community of volunteers over years. You could build something like that personally as you read, with the LLM doing all the cross-referencing and maintenance.
 - **Business/team**: an internal knowledge base maintained by LLMs, fed by Slack threads, meeting transcripts, project documents, customer calls. Possibly with humans in the loop reviewing updates. The knowledge base stays current because the LLM does the maintenance that no one on the team wants to do.
 - **Competitive analysis, due diligence, trip planning, course notes, hobby deep-dives** — anything where you're accumulating knowledge over time and want it organized rather than scattered.
 

brain/README.md

@@ -1,21 +1,21 @@
-# LLM Wiki: System Zarządzania Wiedzą (Karpathy Pattern)
+# LLM Knowledge Base: System Zarządzania Wiedzą (Karpathy Pattern)
 
-Ten projekt to osobista baza wiedzy (Wiki), która jest **aktywnie utrzymywana przez LLM**. Zamiast tylko przechowywać dokumenty, system ten incrementally buduje i syntetyzuje wiedzę w strukturę połączonych plików Markdown.
+Ten projekt to osobista baza wiedzy (Knowledge Base), która jest **aktywnie utrzymywana przez LLM**. Zamiast tylko przechowywać dokumenty, system ten incrementally buduje i syntetyzuje wiedzę w strukturę połączonych plików Markdown.
 
 ## 🧠 Filozofia
 System opiera się na połączeniu dwóch idei:
-- **Karpathy Pattern**: Wiki jako "codebase" wiedzy utrzymywany przez LLM.
-- **12 Problemów Feynmana**: Metoda polegająca na trzymaniu w pamięci (i tutaj - w pliku `wiki/feynman_problems.md`) 12 kluczowych pytań. Każde nowe źródło jest testowane pod kątem tego, czy pomaga rozwiązać lub zrozumieć któryś z tych problemów.
+- **Karpathy Pattern**: Knowledge Base jako "codebase" wiedzy utrzymywany przez LLM.
+- **12 Problemów Feynmana**: Metoda polegająca na trzymaniu w pamięci (i tutaj - w pliku `knowledge/feynman_problems.md`) 12 kluczowych pytań. Każde nowe źródło jest testowane pod kątem tego, czy pomaga rozwiązać lub zrozumieć któryś z tych problemów.
 
 ## 📂 Struktura Katalogów
 - `raw/`: **Źródła Prawdy**. Tu trafiają Twoje materiały (PDF, Markdown, notatki). Są one niemodyfikowalne.
     - `articles/`: Artykuły z sieci, blogi.
     - `notes/`: Twoje własne przemyślenia i surowe notatki.
-- `wiki/`: **Warstwa Syntezy**. Pliki generowane i utrzymywane przez LLM.
+- `knowledge/`: **Warstwa Syntezy**. Pliki generowane i utrzymywane przez LLM.
     - `sources/`: Analizy konkretnych dokumentów z `raw/`.
     - `entities/`: Strony konkretnych narzędzi, osób i technologii (np. `n8n`).
     - `concepts/`: Głębokie analizy idei i teorii (np. `human-in-the-loop`).
-    - `index.md`: Katalog całej treści (Mapa Wiki).
+    - `index.md`: Katalog całej treści (Mapa Knowledge Base).
     - `log.md`: Dziennik zdarzeń (Co i kiedy zostało dodane).
 - `GEMINI.md`: Zasady i instrukcje dla Gemini CLI.
 
@@ -25,17 +25,17 @@ System opiera się na połączeniu dwóch idei:
 Wrzuć nowy plik do folderu `raw/` i wydaj polecenie:
 > *"Przetwórz nowe dokumenty z katalogu raw"*
 
-**Co zrobi LLM:** Przeczyta plik, stworzy podsumowanie w `wiki/sources/`, zaktualizuje powiązane encje i koncepcje, oraz dopisze informację do indeksu i logu.
+**Co zrobi LLM:** Przeczyta plik, stworzy podsumowanie w `knowledge/sources/`, zaktualizuje powiązane encje i koncepcje, oraz dopisze informację do indeksu i logu.
 
 ### 2. Query (Zadawanie pytań)
 Zadaj dowolne pytanie techniczne lub teoretyczne:
 > *"Jakie narzędzia do automatyzacji researchu mamy w bazie?"*
 
-**Co zrobi LLM:** Najpierw sprawdzi `wiki/index.md`, przeczyta odpowiednie strony z `wiki/` i przygotuje odpowiedź z cytowaniami.
+**Co zrobi LLM:** Najpierw sprawdzi `knowledge/index.md`, przeczyta odpowiednie strony z `knowledge/` i przygotuje odpowiedź z cytowaniami.
 
 ### 3. Lint (Sprzątanie)
 Raz na jakiś czas poproś o przegląd bazy:
-> *"Wykonaj lint wiki i znajdź brakujące połączenia"*
+> *"Wykonaj lint knowledge i znajdź brakujące połączenia"*
 
 **Co zrobi LLM:** Znajdzie "sieroty" (pliki bez linków), sprzeczności między starymi a nowymi źródłami lub zasugeruje stworzenie nowej strony koncepcyjnej dla często pojawiającego się tematu.
 
@@ -45,3 +45,4 @@ Raz na jakiś czas poproś o przegląd bazy:
 
 ---
 *System zainicjalizowany: 2026-05-14*
+

brain/knowledge/concepts/_index_karpathy.md

@@ -1,4 +1,4 @@
-# LLM Wiki
+# LLM Knowledge Base
 
 A pattern for building personal knowledge bases using LLMs.
 
@@ -8,18 +8,18 @@ This is an idea file, it is designed to be copy pasted to your own LLM Agent (e.
 
 Most people's experience with LLMs and documents looks like RAG: you upload a collection of files, the LLM retrieves relevant chunks at query time, and generates an answer. This works, but the LLM is rediscovering knowledge from scratch on every question. There's no accumulation. Ask a subtle question that requires synthesizing five documents, and the LLM has to find and piece together the relevant fragments every time. Nothing is built up. NotebookLM, ChatGPT file uploads, and most RAG systems work this way.
 
-The idea here is different. Instead of just retrieving from raw documents at query time, the LLM **incrementally builds and maintains a persistent wiki** — a structured, interlinked collection of markdown files that sits between you and the raw sources. When you add a new source, the LLM doesn't just index it for later retrieval. It reads it, extracts the key information, and integrates it into the existing wiki — updating entity pages, revising topic summaries, noting where new data contradicts old claims, strengthening or challenging the evolving synthesis. The knowledge is compiled once and then *kept current*, not re-derived on every query.
+The idea here is different. Instead of just retrieving from raw documents at query time, the LLM **incrementally builds and maintains a persistent knowledge** — a structured, interlinked collection of markdown files that sits between you and the raw sources. When you add a new source, the LLM doesn't just index it for later retrieval. It reads it, extracts the key information, and integrates it into the existing knowledge — updating entity pages, revising topic summaries, noting where new data contradicts old claims, strengthening or challenging the evolving synthesis. The knowledge is compiled once and then *kept current*, not re-derived on every query.
 
-This is the key difference: **the wiki is a persistent, compounding artifact.** The cross-references are already there. The contradictions have already been flagged. The synthesis already reflects everything you've read. The wiki keeps getting richer with every source you add and every question you ask.
+This is the key difference: **the knowledge is a persistent, compounding artifact.** The cross-references are already there. The contradictions have already been flagged. The synthesis already reflects everything you've read. The knowledge keeps getting richer with every source you add and every question you ask.
 
-You never (or rarely) write the wiki yourself — the LLM writes and maintains all of it. You're in charge of sourcing, exploration, and asking the right questions. The LLM does all the grunt work — the summarizing, cross-referencing, filing, and bookkeeping that makes a knowledge base actually useful over time. In practice, I have the LLM agent open on one side and Obsidian open on the other. The LLM makes edits based on our conversation, and I browse the results in real time — following links, checking the graph view, reading the updated pages. Obsidian is the IDE; the LLM is the programmer; the wiki is the codebase.
+You never (or rarely) write the knowledge yourself — the LLM writes and maintains all of it. You're in charge of sourcing, exploration, and asking the right questions. The LLM does all the grunt work — the summarizing, cross-referencing, filing, and bookkeeping that makes a knowledge base actually useful over time. In practice, I have the LLM agent open on one side and Obsidian open on the other. The LLM makes edits based on our conversation, and I browse the results in real time — following links, checking the graph view, reading the updated pages. Obsidian is the IDE; the LLM is the programmer; the knowledge is the codebase.
 
 This can apply to a lot of different contexts. A few examples:
 
 - **Personal**: tracking your own goals, health, psychology, self-improvement — filing journal entries, articles, podcast notes, and building up a structured picture of yourself over time.
-- **Research**: going deep on a topic over weeks or months — reading papers, articles, reports, and incrementally building a comprehensive wiki with an evolving thesis.
-- **Reading a book**: filing each chapter as you go, building out pages for characters, themes, plot threads, and how they connect. By the end you have a rich companion wiki. Think of fan wikis like [Tolkien Gateway](https://tolkiengateway.net/wiki/Main_Page) — thousands of interlinked pages covering characters, places, events, languages, built by a community of volunteers over years. You could build something like that personally as you read, with the LLM doing all the cross-referencing and maintenance.
-- **Business/team**: an internal wiki maintained by LLMs, fed by Slack threads, meeting transcripts, project documents, customer calls. Possibly with humans in the loop reviewing updates. The wiki stays current because the LLM does the maintenance that no one on the team wants to do.
+- **Research**: going deep on a topic over weeks or months — reading papers, articles, reports, and incrementally building a comprehensive knowledge with an evolving thesis.
+- **Reading a book**: filing each chapter as you go, building out pages for characters, themes, plot threads, and how they connect. By the end you have a rich companion knowledge. Think of fan knowledges like [Tolkien Gateway](https://tolkiengateway.net/knowledge/Main_Page) — thousands of interlinked pages covering characters, places, events, languages, built by a community of volunteers over years. You could build something like that personally as you read, with the LLM doing all the cross-referencing and maintenance.
+- **Business/team**: an internal knowledge maintained by LLMs, fed by Slack threads, meeting transcripts, project documents, customer calls. Possibly with humans in the loop reviewing updates. The knowledge stays current because the LLM does the maintenance that no one on the team wants to do.
 - **Competitive analysis, due diligence, trip planning, course notes, hobby deep-dives** — anything where you're accumulating knowledge over time and want it organized rather than scattered.
 
 ## Architecture
@@ -28,42 +28,42 @@ There are three layers:
 
 **Raw sources** — your curated collection of source documents. Articles, papers, images, data files. These are immutable — the LLM reads from them but never modifies them. This is your source of truth.
 
-**The wiki** — a directory of LLM-generated markdown files. Summaries, entity pages, concept pages, comparisons, an overview, a synthesis. The LLM owns this layer entirely. It creates pages, updates them when new sources arrive, maintains cross-references, and keeps everything consistent. You read it; the LLM writes it.
+**The knowledge** — a directory of LLM-generated markdown files. Summaries, entity pages, concept pages, comparisons, an overview, a synthesis. The LLM owns this layer entirely. It creates pages, updates them when new sources arrive, maintains cross-references, and keeps everything consistent. You read it; the LLM writes it.
 
-**The schema** — a document (e.g. CLAUDE.md for Claude Code or AGENTS.md for Codex) that tells the LLM how the wiki is structured, what the conventions are, and what workflows to follow when ingesting sources, answering questions, or maintaining the wiki. This is the key configuration file — it's what makes the LLM a disciplined wiki maintainer rather than a generic chatbot. You and the LLM co-evolve this over time as you figure out what works for your domain.
+**The schema** — a document (e.g. CLAUDE.md for Claude Code or AGENTS.md for Codex) that tells the LLM how the knowledge is structured, what the conventions are, and what workflows to follow when ingesting sources, answering questions, or maintaining the knowledge. This is the key configuration file — it's what makes the LLM a disciplined knowledge maintainer rather than a generic chatbot. You and the LLM co-evolve this over time as you figure out what works for your domain.
 
 ## Operations
 
-**Ingest.** You drop a new source into the raw collection and tell the LLM to process it. An example flow: the LLM reads the source, discusses key takeaways with you, writes a summary page in the wiki, updates the index, updates relevant entity and concept pages across the wiki, and appends an entry to the log. A single source might touch 10-15 wiki pages. Personally I prefer to ingest sources one at a time and stay involved — I read the summaries, check the updates, and guide the LLM on what to emphasize. But you could also batch-ingest many sources at once with less supervision. It's up to you to develop the workflow that fits your style and document it in the schema for future sessions.
+**Ingest.** You drop a new source into the raw collection and tell the LLM to process it. An example flow: the LLM reads the source, discusses key takeaways with you, writes a summary page in the knowledge, updates the index, updates relevant entity and concept pages across the knowledge, and appends an entry to the log. A single source might touch 10-15 knowledge pages. Personally I prefer to ingest sources one at a time and stay involved — I read the summaries, check the updates, and guide the LLM on what to emphasize. But you could also batch-ingest many sources at once with less supervision. It's up to you to develop the workflow that fits your style and document it in the schema for future sessions.
 
-**Query.** You ask questions against the wiki. The LLM searches for relevant pages, reads them, and synthesizes an answer with citations. Answers can take different forms depending on the question — a markdown page, a comparison table, a slide deck (Marp), a chart (matplotlib), a canvas. The important insight: **good answers can be filed back into the wiki as new pages.** A comparison you asked for, an analysis, a connection you discovered — these are valuable and shouldn't disappear into chat history. This way your explorations compound in the knowledge base just like ingested sources do.
+**Query.** You ask questions against the knowledge. The LLM searches for relevant pages, reads them, and synthesizes an answer with citations. Answers can take different forms depending on the question — a markdown page, a comparison table, a slide deck (Marp), a chart (matplotlib), a canvas. The important insight: **good answers can be filed back into the knowledge as new pages.** A comparison you asked for, an analysis, a connection you discovered — these are valuable and shouldn't disappear into chat history. This way your explorations compound in the knowledge base just like ingested sources do.
 
-**Lint.** Periodically, ask the LLM to health-check the wiki. Look for: contradictions between pages, stale claims that newer sources have superseded, orphan pages with no inbound links, important concepts mentioned but lacking their own page, missing cross-references, data gaps that could be filled with a web search. The LLM is good at suggesting new questions to investigate and new sources to look for. This keeps the wiki healthy as it grows.
+**Lint.** Periodically, ask the LLM to health-check the knowledge. Look for: contradictions between pages, stale claims that newer sources have superseded, orphan pages with no inbound links, important concepts mentioned but lacking their own page, missing cross-references, data gaps that could be filled with a web search. The LLM is good at suggesting new questions to investigate and new sources to look for. This keeps the knowledge healthy as it grows.
 
 ## Indexing and logging
 
-Two special files help the LLM (and you) navigate the wiki as it grows. They serve different purposes:
+Two special files help the LLM (and you) navigate the knowledge as it grows. They serve different purposes:
 
-**index.md** is content-oriented. It's a catalog of everything in the wiki — each page listed with a link, a one-line summary, and optionally metadata like date or source count. Organized by category (entities, concepts, sources, etc.). The LLM updates it on every ingest. When answering a query, the LLM reads the index first to find relevant pages, then drills into them. This works surprisingly well at moderate scale (~100 sources, ~hundreds of pages) and avoids the need for embedding-based RAG infrastructure.
+**index.md** is content-oriented. It's a catalog of everything in the knowledge — each page listed with a link, a one-line summary, and optionally metadata like date or source count. Organized by category (entities, concepts, sources, etc.). The LLM updates it on every ingest. When answering a query, the LLM reads the index first to find relevant pages, then drills into them. This works surprisingly well at moderate scale (~100 sources, ~hundreds of pages) and avoids the need for embedding-based RAG infrastructure.
 
-**log.md** is chronological. It's an append-only record of what happened and when — ingests, queries, lint passes. A useful tip: if each entry starts with a consistent prefix (e.g. `## [2026-04-02] ingest | Article Title`), the log becomes parseable with simple unix tools — `grep "^## \[" log.md | tail -5` gives you the last 5 entries. The log gives you a timeline of the wiki's evolution and helps the LLM understand what's been done recently.
+**log.md** is chronological. It's an append-only record of what happened and when — ingests, queries, lint passes. A useful tip: if each entry starts with a consistent prefix (e.g. `## [2026-04-02] ingest | Article Title`), the log becomes parseable with simple unix tools — `grep "^## \[" log.md | tail -5` gives you the last 5 entries. The log gives you a timeline of the knowledge's evolution and helps the LLM understand what's been done recently.
 
 ## Optional: CLI tools
 
-At some point you may want to build small tools that help the LLM operate on the wiki more efficiently. A search engine over the wiki pages is the most obvious one — at small scale the index file is enough, but as the wiki grows you want proper search. [qmd](https://github.com/tobi/qmd) is a good option: it's a local search engine for markdown files with hybrid BM25/vector search and LLM re-ranking, all on-device. It has both a CLI (so the LLM can shell out to it) and an MCP server (so the LLM can use it as a native tool). You could also build something simpler yourself — the LLM can help you vibe-code a naive search script as the need arises.
+At some point you may want to build small tools that help the LLM operate on the knowledge more efficiently. A search engine over the knowledge pages is the most obvious one — at small scale the index file is enough, but as the knowledge grows you want proper search. [qmd](https://github.com/tobi/qmd) is a good option: it's a local search engine for markdown files with hybrid BM25/vector search and LLM re-ranking, all on-device. It has both a CLI (so the LLM can shell out to it) and an MCP server (so the LLM can use it as a native tool). You could also build something simpler yourself — the LLM can help you vibe-code a naive search script as the need arises.
 
 ## Tips and tricks
 
 - **Obsidian Web Clipper** is a browser extension that converts web articles to markdown. Very useful for quickly getting sources into your raw collection.
 - **Download images locally.** In Obsidian Settings → Files and links, set "Attachment folder path" to a fixed directory (e.g. `raw/assets/`). Then in Settings → Hotkeys, search for "Download" to find "Download attachments for current file" and bind it to a hotkey (e.g. Ctrl+Shift+D). After clipping an article, hit the hotkey and all images get downloaded to local disk. This is optional but useful — it lets the LLM view and reference images directly instead of relying on URLs that may break. Note that LLMs can't natively read markdown with inline images in one pass — the workaround is to have the LLM read the text first, then view some or all of the referenced images separately to gain additional context. It's a bit clunky but works well enough.
-- **Obsidian's graph view** is the best way to see the shape of your wiki — what's connected to what, which pages are hubs, which are orphans.
-- **Marp** is a markdown-based slide deck format. Obsidian has a plugin for it. Useful for generating presentations directly from wiki content.
-- **Dataview** is an Obsidian plugin that runs queries over page frontmatter. If your LLM adds YAML frontmatter to wiki pages (tags, dates, source counts), Dataview can generate dynamic tables and lists.
-- The wiki is just a git repo of markdown files. You get version history, branching, and collaboration for free.
+- **Obsidian's graph view** is the best way to see the shape of your knowledge — what's connected to what, which pages are hubs, which are orphans.
+- **Marp** is a markdown-based slide deck format. Obsidian has a plugin for it. Useful for generating presentations directly from knowledge content.
+- **Dataview** is an Obsidian plugin that runs queries over page frontmatter. If your LLM adds YAML frontmatter to knowledge pages (tags, dates, source counts), Dataview can generate dynamic tables and lists.
+- The knowledge is just a git repo of markdown files. You get version history, branching, and collaboration for free.
 
 ## Why this works
 
-The tedious part of maintaining a knowledge base is not the reading or the thinking — it's the bookkeeping. Updating cross-references, keeping summaries current, noting when new data contradicts old claims, maintaining consistency across dozens of pages. Humans abandon wikis because the maintenance burden grows faster than the value. LLMs don't get bored, don't forget to update a cross-reference, and can touch 15 files in one pass. The wiki stays maintained because the cost of maintenance is near zero.
+The tedious part of maintaining a knowledge base is not the reading or the thinking — it's the bookkeeping. Updating cross-references, keeping summaries current, noting when new data contradicts old claims, maintaining consistency across dozens of pages. Humans abandon knowledges because the maintenance burden grows faster than the value. LLMs don't get bored, don't forget to update a cross-reference, and can touch 15 files in one pass. The knowledge stays maintained because the cost of maintenance is near zero.
 
 The human's job is to curate sources, direct the analysis, ask good questions, and think about what it all means. The LLM's job is everything else.
 
@@ -72,4 +72,4 @@ The idea is related in spirit to Vannevar Bush's Memex (1945) — a personal, cu
 
 ## Note
 
-This document is intentionally abstract. It describes the idea, not a specific implementation. The exact directory structure, the schema conventions, the page formats, the tooling — all of that will depend on your domain, your preferences, and your LLM of choice. Everything mentioned above is optional and modular — pick what's useful, ignore what isn't. For example: your sources might be text-only, so you don't need image handling at all. Your wiki might be small enough that the index file is all you need, no search engine required. You might not care about slide decks and just want markdown pages. You might want a completely different set of output formats. The right way to use this is to share it with your LLM agent and work together to instantiate a version that fits your needs. The document's only job is to communicate the pattern. Your LLM can figure out the rest.@_in
+This document is intentionally abstract. It describes the idea, not a specific implementation. The exact directory structure, the schema conventions, the page formats, the tooling — all of that will depend on your domain, your preferences, and your LLM of choice. Everything mentioned above is optional and modular — pick what's useful, ignore what isn't. For example: your sources might be text-only, so you don't need image handling at all. Your knowledge might be small enough that the index file is all you need, no search engine required. You might not care about slide decks and just want markdown pages. You might want a completely different set of output formats. The right way to use this is to share it with your LLM agent and work together to instantiate a version that fits your needs. The document's only job is to communicate the pattern. Your LLM can figure out the rest.@_in

brain/knowledge/concepts/autoresearch.md

@@ -4,7 +4,7 @@ type: "concept"
 tags: [AI, automatyzacja, machine-learning, karpathy]
 created: 2026-05-14
 updated: 2026-05-14
-sources: ["[[summaries/how-to-deploy-autoresearch]]", "[[summaries/karpathy-llm-wiki-breakdown]]"]
+sources: ["[[summaries/how-to-deploy-autoresearch]]", "[[summaries/karpathy-llm-knowledge-breakdown]]"]
 confidence: high
 ---
 
@@ -42,4 +42,5 @@ System działa w pętli zamkniętej:
 
 ## Sources
 - [[summaries/how-to-deploy-autoresearch]]
-- [[summaries/karpathy-llm-wiki-breakdown]]
+- [[summaries/karpathy-llm-knowledge-breakdown]]
+

brain/knowledge/concepts/compounding-knowledge.md

@@ -4,14 +4,14 @@ type: "concept"
 tags: [produktywność, AI, wiedza, karpathy]
 created: 2026-05-14
 updated: 2026-05-14
-sources: ["[[summaries/karpathy-llm-wiki-breakdown]]"]
+sources: ["[[summaries/karpathy-llm-knowledge-breakdown]]"]
 confidence: high
 ---
 
 # Kumulowanie Wiedzy (Compounding Knowledge)
 
 ## Definition
-Właściwość bazy wiedzy (Wiki), dzięki której z każdym nowym dodanym źródłem staje się ona nie tylko większa (więcej plików), ale przede wszystkim gęstsza i bogatsza w powiązania.
+Właściwość bazy wiedzy (Knowledge Base), dzięki której z każdym nowym dodanym źródłem staje się ona nie tylko większa (więcej plików), ale przede wszystkim gęstsza i bogatsza w powiązania.
 
 ## How It Works
 Podczas dodawania nowego źródła, LLM nie tworzy izolowanej notatki, ale aktywnie aktualizuje istniejące strony encji i koncepcji. Nowe informacje wzmacniają lub podważają stare twierdzenia, a automatyczne linkowanie krzyżowe buduje gęstą sieć skojarzeń.
@@ -33,4 +33,5 @@ Podczas dodawania nowego źródła, LLM nie tworzy izolowanej notatki, ale aktyw
 - [[feynman_problems]] - Narzędzie do ukierunkowania kumulacji wiedzy na konkretne problemy.
 
 ## Sources
-- [[summaries/karpathy-llm-wiki-breakdown]]
+- [[summaries/karpathy-llm-knowledge-breakdown]]
+

brain/knowledge/concepts/knowledge-compilation.md

@@ -4,17 +4,17 @@ type: "concept"
 tags: [AI, wiedza, architektura, karpathy]
 created: 2026-05-14
 updated: 2026-05-14
-sources: ["[[summaries/karpathy-llm-wiki-breakdown]]"]
+sources: ["[[summaries/karpathy-llm-knowledge-breakdown]]"]
 confidence: high
 ---
 
 # Kompilacja Wiedzy (Knowledge Compilation)
 
 ## Definition
-Analogia zapożyczona z inżynierii oprogramowania, gdzie surowe dokumenty źródłowe (PDFy, notatki, artykuły) są traktowane jako "kod źródłowy", który LLM "kompiluje" do postaci trwałej Wiki ("pliku binarnego").
+Analogia zapożyczona z inżynierii oprogramowania, gdzie surowe dokumenty źródłowe (PDFy, notatki, artykuły) są traktowane jako "kod źródłowy", który LLM "kompiluje" do postaci trwałej Knowledge Base ("pliku binarnego").
 
 ## How It Works
-Zamiast przeszukiwać surowe fragmenty tekstów przy każdym pytaniu, LLM przetwarza je raz w momencie ingestji, ekstrahując esencję i integrując ją z istniejącą strukturą. Wynikowa Wiki jest sformatowana tak, aby była optymalna dla przyszłych zapytań i syntez.
+Zamiast przeszukiwać surowe fragmenty tekstów przy każdym pytaniu, LLM przetwarza je raz w momencie ingestji, ekstrahując esencję i integrując ją z istniejącą strukturą. Wynikowa Knowledge Base jest sformatowana tak, aby była optymalna dla przyszłych zapytań i syntez.
 
 ## Key Parameters
 - **Niezmienność źródeł (Immutability)**: Oryginalne pliki pozostają nienaruszone jako "ground truth".
@@ -26,11 +26,12 @@ Zamiast przeszukiwać surowe fragmenty tekstów przy każdym pytaniu, LLM przetw
 
 ## Risks & Pitfalls
 - **Koszt Ingestji**: Proces kompilacji jest droższy (wymaga więcej tokenów) niż proste indeksowanie RAG.
-- **Ryzyko "utrwalenia" błędów**: Halucynacja podczas kompilacji może zostać zapisana w Wiki jako fakt.
+- **Ryzyko "utrwalenia" błędów**: Halucynacja podczas kompilacji może zostać zapisana w Knowledge Base jako fakt.
 
 ## Related Concepts
 - [[concepts/compounding-knowledge]] - Rezultat skutecznej kompilacji.
-- [[concepts/rag-vs-wiki]] - Alternatywne podejście "interpretowane".
+- [[concepts/rag-vs-knowledge]] - Alternatywne podejście "interpretowane".
 
 ## Sources
-- [[summaries/karpathy-llm-wiki-breakdown]]
+- [[summaries/karpathy-llm-knowledge-breakdown]]
+

brain/knowledge/concepts/rag-vs-knowledge.md

@@ -1,27 +1,27 @@
 ---
-title: "RAG vs LLM Wiki"
+title: "RAG vs LLM Knowledge Base"
 type: "concept"
-tags: [AI, architektura, RAG, wiki]
+tags: [AI, architektura, RAG, knowledge]
 created: 2026-05-14
 updated: 2026-05-14
-sources: ["[[summaries/karpathy-llm-wiki-breakdown]]"]
+sources: ["[[summaries/karpathy-llm-knowledge-breakdown]]"]
 confidence: high
 ---
 
-# RAG vs LLM Wiki
+# RAG vs LLM Knowledge Base
 
 ## Definition
-Porównanie dwóch paradygmatów wykorzystania LLM do pracy z dokumentami: Retrieval-Augmented Generation (RAG) oraz persistent LLM Wiki.
+Porównanie dwóch paradygmatów wykorzystania LLM do pracy z dokumentami: Retrieval-Augmented Generation (RAG) oraz persistent LLM Knowledge Base.
 
 ## How It Works
 - **RAG**: Działa w trybie "bezstanowym". Na każde pytanie wyszukuje fragmenty w surowych plikach i składa z nich odpowiedź "ad hoc".
-- **Wiki**: Działa w trybie "stanowym". Wiedza jest wstępnie przetworzona (skompilowana) do struktury Wiki, a odpowiedzi są generowane na podstawie tej syntezy.
+- **Knowledge Base**: Działa w trybie "stanowym". Wiedza jest wstępnie przetworzona (skompilowana) do struktury Knowledge Base, a odpowiedzi są generowane na podstawie tej syntezy.
 
 ## Comparison Table
 
-| Cecha | RAG | LLM Wiki |
+| Cecha | RAG | LLM Knowledge Base |
 | :--- | :--- | :--- |
-| **Dane** | Surowe dokumenty | Skompilowane strony wiki |
+| **Dane** | Surowe dokumenty | Skompilowane strony knowledge |
 | **Stanowość** | Bezstanowy (każde zapytanie od zera) | Stanowy (wiedza kumuluje się) |
 | **Skala** | Miliony dokumentów | 100-500 wybranych źródeł |
 | **Koszt** | Tani ingest, drogie zapytania (tokeny) | Drogi ingest, tanie zapytania |
@@ -29,11 +29,12 @@ Porównanie dwóch paradygmatów wykorzystania LLM do pracy z dokumentami: Retri
 
 ## When To Use
 - **Wybierz RAG**: Gdy masz ogromne, dynamicznie zmieniające się zbiory danych (np. dokumentacja techniczna firmy, akta prawne).
-- **Wybierz Wiki**: Gdy pracujesz nad konkretnym tematem badawczym, piszesz książkę lub budujesz osobistą bazę wiedzy (Second Brain).
+- **Wybierz Knowledge Base**: Gdy pracujesz nad konkretnym tematem badawczym, piszesz książkę lub budujesz osobistą bazę wiedzy (Second Brain).
 
 ## Related Concepts
 - [[concepts/knowledge-compilation]]
 - [[concepts/compounding-knowledge]]
 
 ## Sources
-- [[summaries/karpathy-llm-wiki-breakdown]]
+- [[summaries/karpathy-llm-knowledge-breakdown]]
+

brain/knowledge/concepts/software-2-0.md

@@ -4,7 +4,7 @@ type: "concept"
 tags: [AI, programowanie, machine-learning, karpathy]
 created: 2026-05-14
 updated: 2026-05-14
-sources: ["[[summaries/software-2-0]]", "[[summaries/karpathy-llm-wiki-breakdown]]", "[[summaries/how-to-deploy-autoresearch]]"]
+sources: ["[[summaries/software-2-0]]", "[[summaries/karpathy-llm-knowledge-breakdown]]", "[[summaries/how-to-deploy-autoresearch]]"]
 confidence: high
 ---
 
@@ -41,4 +41,5 @@ Zamiast budować algorytm, programista 2.0:
 
 ## Sources
 - [[summaries/software-2-0]]
-- [[summaries/karpathy-llm-wiki-breakdown]]
+- [[summaries/karpathy-llm-knowledge-breakdown]]
+

brain/knowledge/feynman_problems.md

@@ -7,7 +7,7 @@ Poniższa lista zawiera kluczowe pytania i obszary zainteresowań, które są "t
     - [[summaries/jak-zbudowalem-agenta-newslettera-n8n]]: Automatyzacja powtarzalnych zadań pozwala zaoszczędzić godziny pracy tygodniowo.
     - [[summaries/one-file-diary]]: System jednego pliku tekstowego minimalizuje narzut narzędziowy.
     - [[summaries/google-nanobanana-workflow]]: Skrócenie czasu tworzenia zasobów wizualnych o 90% dzięki [[concepts/ai-pipelines]].
-    - [[summaries/karpathy-llm-wiki-breakdown]]: Wykorzystanie LLM do "księgowości wiedzy" (bookkeeping).
+    - [[summaries/karpathy-llm-knowledge-breakdown]]: Wykorzystanie LLM do "księgowości wiedzy" (bookkeeping).
     - [[summaries/how-to-deploy-autoresearch]]: Automatyzacja pętli badawczej – agent pracuje, gdy człowiek śpi.
 
 ## 2. Zarządzanie bazami danych
@@ -30,8 +30,9 @@ Poniższa lista zawiera kluczowe pytania i obszary zainteresowań, które są "t
     - [[summaries/jak-zbudowalem-agenta-newslettera-n8n]]: Workflow n8n jako praktyczny agent redakcyjny.
     - [[summaries/ai-impact-on-dba]]: Kierunek ku autonomicznym bazom danych.
     - [[summaries/google-nanobanana-workflow]]: [[concepts/ai-pipelines]] integrujące wiele modeli.
-    - [[summaries/karpathy-llm-wiki-breakdown]]: Model LLM jako "programista" i "maintainer" bazy wiedzy.
+    - [[summaries/karpathy-llm-knowledge-breakdown]]: Model LLM jako "programista" i "maintainer" bazy wiedzy.
     - [[summaries/how-to-deploy-autoresearch]]: [[concepts/autoresearch]] – najwyższy stopień autonomii agenta AI w procesie badawczym.
 
 ---
 *Miejsce na kolejne problemy (5-12)...*
+

brain/knowledge/index.md

@@ -1,4 +1,4 @@
-# Wiki Index
+# Knowledge Base Index
 
 Główny katalog wiedzy, podzielony na obszary tematyczne dla łatwiejszej nawigacji.
 
@@ -25,6 +25,7 @@ Dla osób szukających konkretnego formatu pliku.
 ---
 
 ## Log i Administracja
-- [[log]] — Historia zmian w Wiki.
+- [[log]] — Historia zmian w Knowledge Base.
 - [[feynman_problems]] — Centralne śledzenie problemów.
 - [[journal/index]] — Dziennik badawczy.
+

brain/knowledge/indices/ai-software.md

@@ -3,7 +3,7 @@
 Zbiór zasobów dotyczących nowej paradygmatu programowania, systemów opartych na LLM oraz autonomicznego researchu.
 
 ## Podsumowania
-- [[summaries/karpathy-llm-wiki-breakdown]] — Analiza LLM Wiki Karpathy'ego.
+- [[summaries/karpathy-llm-knowledge-breakdown]] — Analiza LLM Knowledge Base Karpathy'ego.
 - [[summaries/how-to-deploy-autoresearch]] — Przewodnik po Autoresearch.
 - [[summaries/software-2-0]] — Manifest Software 2.0.
 
@@ -13,9 +13,10 @@ Zbiór zasobów dotyczących nowej paradygmatu programowania, systemów opartych
 - [[concepts/autoresearch]] — Autonomiczne badania nad AI prowadzone przez agentów.
 - [[concepts/ai-pipelines]] — Zautomatyzowane rurociągi przetwarzania AI.
 - [[concepts/ai-hallucinations]] — Ryzyko błędów w modelach AI.
-- [[concepts/rag-vs-wiki]] — Porównanie podejścia stanowego i bezstanowego.
+- [[concepts/rag-vs-knowledge]] — Porównanie podejścia stanowego i bezstanowego.
 - [[concepts/human-in-the-loop]] — Model współpracy człowieka z AI.
 - [[concepts/val-bpb]] — Metryka jakości modelu (Bits Per Byte).
 
 ## Podmioty
 - [[entities/tavily]] — Silnik researchu dla AI.
+

brain/knowledge/indices/automation-workflows.md

@@ -13,4 +13,5 @@ Narzędzia i strategie automatyzacji powtarzalnych zadań oraz łączenia różn
 - [[entities/n8n]] — Narzędzie do automatyzacji workflow.
 
 ## Syntezy
-- [[syntheses/porownanie-strategii-automatyzacji-ai]] — Zestawienie metodologii (n8n, Nanobanana, LLM Wiki).
+- [[syntheses/porownanie-strategii-automatyzacji-ai]] — Zestawienie metodologii (n8n, Nanobanana, LLM Knowledge Base).
+

brain/knowledge/indices/concepts.md

@@ -1,6 +1,6 @@
 # Wszystkie Koncepcje
 
-Słownik terminów i modeli mentalnych zgromadzonych w wiki.
+Słownik terminów i modeli mentalnych zgromadzonych w knowledge.
 
 - [[concepts/human-in-the-loop]]
 - [[concepts/accidental-dba]]
@@ -11,10 +11,11 @@ Słownik terminów i modeli mentalnych zgromadzonych w wiki.
 - [[concepts/ai-pipelines]]
 - [[concepts/knowledge-compilation]]
 - [[concepts/compounding-knowledge]]
-- [[concepts/rag-vs-wiki]]
+- [[concepts/rag-vs-knowledge]]
 - [[concepts/autoresearch]]
 - [[concepts/val-bpb]]
 - [[concepts/software-1-0]]
 - [[concepts/software-2-0]]
 - [[concepts/idea-collision]]
 - [[concepts/metacognition-as-a-service]]
+

brain/knowledge/indices/km-productivity.md

@@ -14,7 +14,8 @@ Metodyki gromadzenia wiedzy, budowania własnego PKM (Personal Knowledge Managem
 ## Koncepcje
 - [[concepts/plain-text-productivity]] — Produktywność oparta na plikach tekstowych.
 - [[concepts/work-journaling]] — Metodyka prowadzenia dziennika pracy.
-- [[concepts/knowledge-compilation]] — "Kompilowanie" surowej wiedzy do Wiki.
+- [[concepts/knowledge-compilation]] — "Kompilowanie" surowej wiedzy do Knowledge Base.
 - [[concepts/compounding-knowledge]] — Wiedza, która staje się gęstsza z czasem.
 - [[concepts/idea-collision]] — Zderzanie pomysłów w celu generowania innowacji.
 - [[concepts/metacognition-as-a-service]] — AI jako wsparcie analizy własnych procesów myślowych.
+

brain/knowledge/indices/summaries.md

@@ -7,8 +7,9 @@ Pełna lista streszczeń materiałów źródłowych.
 - [[summaries/accidental-dba-intro]]
 - [[summaries/ai-impact-on-dba]]
 - [[summaries/google-nanobanana-workflow]]
-- [[summaries/karpathy-llm-wiki-breakdown]]
+- [[summaries/karpathy-llm-knowledge-breakdown]]
 - [[summaries/how-to-deploy-autoresearch]]
 - [[summaries/software-2-0]]
 - [[summaries/loom-thinking-tool]]
 - [[summaries/free-blog-seo-strategy]]
+

brain/knowledge/log.md

@@ -1,6 +1,6 @@
-# Wiki Log
+# Knowledge Base Log
 
-Chronologiczny zapis operacji na wiki.
+Chronologiczny zapis operacji na knowledge.
 
 ## [2026-05-14] Ingest | Advanced AI & Knowledge Management
 - Przetworzono `Jak wdrożyć autoresearch_.md`: dodano koncepcję `[[autoresearch]]` i metrykę `[[val-bpb]]`.
@@ -13,8 +13,8 @@ Chronologiczny zapis operacji na wiki.
 ## [2026-05-14] Synteza | Strategie Automatyzacji AI
 - Utworzono stronę syntezy: `[[syntheses/porownanie-strategii-automatyzacji-ai]]`.
 
-## [2026-05-14] Ingest | Karpathy LLM Wiki Breakdown
-- Przetworzono artykuł o LLM Wiki.
+## [2026-05-14] Ingest | Karpathy LLM Knowledge Base Breakdown
+- Przetworzono artykuł o LLM Knowledge Base.
 
 ## [2026-05-14] Ingest | AI impact & Nanobanana Workflow
 - Przetworzono artykuły o wpływie AI na DBA i workflow Nanobanana.
@@ -26,4 +26,5 @@ Chronologiczny zapis operacji na wiki.
 - Zaktualizowano `GEMINI.md` i strukturę katalogów.
 
 ## [2026-05-14] Inicjalizacja
-- Utworzono fundamenty Wiki LLM.
+- Utworzono fundamenty Knowledge Base LLM.
+

brain/knowledge/summaries/karpathy-llm-knowledge-breakdown.md

@@ -0,0 +1,32 @@
+---
+title: "Andrej Karpathy’s LLM Knowledge Base: Create your own knowledge base"
+type: "summary"
+tags: [karpathy, llm-knowledge, knowledge-management, AI, obsidian, RAG]
+created: 2026-05-14
+updated: 2026-05-14
+sources: ["raw/articles/Andrej Karpathy’s LLM Knowledge Base_ Create your own knowledge base.md"]
+confidence: high
+---
+
+# Andrej Karpathy’s LLM Knowledge Base: Create your own knowledge base
+
+Artykuł Urvila Joshiego szczegółowo analizuje koncepcję "LLM Knowledge Base" zaproponowaną przez Andreja Karpathy'ego. Tekst wyjaśnia, dlaczego tradycyjne podejście RAG (Retrieval-Augmented Generation) jest niewystarczające do głębokiej syntezy wiedzy i jak budowa trwałej, "skompilowanej" bazy wiedzy rozwiązuje ten problem.
+
+## Key Points
+- **Kompilacja wiedzy**: Surowe źródła to "kod źródłowy", a Knowledge Base to "plik binarny" – zoptymalizowany pod kątem szybkości i gęstości informacji.
+- **Trwałość i kumulacja**: Knowledge Base to artefakt, który staje się bogatszy z każdym nowym źródłem. LLM aktualizuje istniejące strony, zamiast tworzyć izolowane fragmenty.
+- **Architektura 3-warstwowa**: Raw Sources (niezmienne), Knowledge Base (zarządzane przez LLM), Schema (zasady postępowania).
+- **RAG vs Knowledge Base**: RAG jest lepszy dla milionów dokumentów i wyszukiwania faktów; Knowledge Base jest lepsza dla mniejszych, wyselekcjonowanych zbiorów (~100-500 źródeł), gdzie kluczowa jest synteza i powiązania.
+- **Księgowość wiedzy**: LLM przejmuje nudne zadania (linkowanie, aktualizacja indeksów, sprawdzanie spójności), co zapobiega porzucaniu bazy przez ludzi.
+
+## Relevant Concepts
+- [[concepts/knowledge-compilation]] - Koncepcja "kompilowania" źródeł do formy syntetycznej.
+- [[concepts/compounding-knowledge]] - Budowanie wiedzy, która staje się gęstsza z czasem.
+- [[concepts/rag-vs-knowledge]] - Porównanie metodologii zarządzania wiedzą z AI.
+
+## Source Metadata
+- **Type**: Artykuł / Analiza
+- **Author**: Urvil Joshi (na podstawie wpisów Andreja Karpathy'ego)
+- **Date**: 2026-04-20
+- **URL**: https://medium.com/@urvvil08/andrej-karpathys-llm-knowledge-create-your-own-knowledge-base-8779014accd5
+

brain/knowledge/summaries/karpathy-llm-wiki-breakdown.md

@@ -1,31 +0,0 @@
----
-title: "Andrej Karpathy’s LLM Wiki: Create your own knowledge base"
-type: "summary"
-tags: [karpathy, llm-wiki, knowledge-management, AI, obsidian, RAG]
-created: 2026-05-14
-updated: 2026-05-14
-sources: ["raw/articles/Andrej Karpathy’s LLM Wiki_ Create your own knowledge base.md"]
-confidence: high
----
-
-# Andrej Karpathy’s LLM Wiki: Create your own knowledge base
-
-Artykuł Urvila Joshiego szczegółowo analizuje koncepcję "LLM Wiki" zaproponowaną przez Andreja Karpathy'ego. Tekst wyjaśnia, dlaczego tradycyjne podejście RAG (Retrieval-Augmented Generation) jest niewystarczające do głębokiej syntezy wiedzy i jak budowa trwałej, "skompilowanej" bazy wiedzy rozwiązuje ten problem.
-
-## Key Points
-- **Kompilacja wiedzy**: Surowe źródła to "kod źródłowy", a Wiki to "plik binarny" – zoptymalizowany pod kątem szybkości i gęstości informacji.
-- **Trwałość i kumulacja**: Wiki to artefakt, który staje się bogatszy z każdym nowym źródłem. LLM aktualizuje istniejące strony, zamiast tworzyć izolowane fragmenty.
-- **Architektura 3-warstwowa**: Raw Sources (niezmienne), Wiki (zarządzane przez LLM), Schema (zasady postępowania).
-- **RAG vs Wiki**: RAG jest lepszy dla milionów dokumentów i wyszukiwania faktów; Wiki jest lepsza dla mniejszych, wyselekcjonowanych zbiorów (~100-500 źródeł), gdzie kluczowa jest synteza i powiązania.
-- **Księgowość wiedzy**: LLM przejmuje nudne zadania (linkowanie, aktualizacja indeksów, sprawdzanie spójności), co zapobiega porzucaniu bazy przez ludzi.
-
-## Relevant Concepts
-- [[concepts/knowledge-compilation]] - Koncepcja "kompilowania" źródeł do formy syntetycznej.
-- [[concepts/compounding-knowledge]] - Budowanie wiedzy, która staje się gęstsza z czasem.
-- [[concepts/rag-vs-wiki]] - Porównanie metodologii zarządzania wiedzą z AI.
-
-## Source Metadata
-- **Type**: Artykuł / Analiza
-- **Author**: Urvil Joshi (na podstawie wpisów Andreja Karpathy'ego)
-- **Date**: 2026-04-20
-- **URL**: https://medium.com/@urvvil08/andrej-karpathys-llm-wiki-create-your-own-knowledge-base-8779014accd5

brain/knowledge/syntheses/porownanie-strategii-automatyzacji-ai.md

@@ -1,10 +1,10 @@
 ---
 title: "Porównanie strategii automatyzacji researchu i tworzenia treści"
 type: "synthesis"
-tags: [automatyzacja, AI, n8n, newsletter, content-creation, llm-wiki]
+tags: [automatyzacja, AI, n8n, newsletter, content-creation, llm-knowledge]
 created: 2026-05-14
 updated: 2026-05-14
-sources: ["[[summaries/jak-zbudowalem-agenta-newslettera-n8n]]", "[[summaries/google-nanobanana-workflow]]", "[[summaries/karpathy-llm-wiki-breakdown]]"]
+sources: ["[[summaries/jak-zbudowalem-agenta-newslettera-n8n]]", "[[summaries/google-nanobanana-workflow]]", "[[summaries/karpathy-llm-knowledge-breakdown]]"]
 confidence: high
 ---
 
@@ -14,7 +14,7 @@ Niniejsza synteza zestawia trzy kluczowe podejścia do wykorzystania agentów AI
 
 ## Comparison
 
-| Cecha | Agent Newslettera (n8n) | Workflow Nanobanana | LLM Wiki Pattern |
+| Cecha | Agent Newslettera (n8n) | Workflow Nanobanana | LLM Knowledge Base Pattern |
 | :--- | :--- | :--- | :--- |
 | **Główny cel** | Produkcja cyklicznego tekstu (newsletter) | Produkcja masowa grafik/zasobów wizualnych | Budowa trwałej bazy wiedzy (Second Brain) |
 | **Kluczowe narzędzia** | n8n, Tavily, OpenRouter, Gmail | n8n, Gemini 2.5 Flash, Telegram | LLM (np. Gemini/Claude), Obsidian |
@@ -28,7 +28,7 @@ Niniejsza synteza zestawia trzy kluczowe podejścia do wykorzystania agentów AI
 Analiza wykazuje ewolucję od prostych agentów do złożonych rurociągów:
 - **Metoda n8n** skupia się na linearnym procesie: od researchu do tekstu. Jest to klasyczny przykład "asystenta pisarza".
 - **Workflow Nanobanana** wprowadza koncepcję "rurociągu" ([[concepts/ai-pipelines]]), gdzie jeden impuls (seed) generuje wielokrotne plony w różnych formatach. Skupia się na szybkości i niskim koszcie (model Flash).
-- **LLM Wiki** to podejście najbardziej zaawansowane pod kątem struktury. Nie generuje "produktu" na zewnątrz, ale buduje wewnętrzny "system operacyjny wiedzy".
+- **LLM Knowledge Base** to podejście najbardziej zaawansowane pod kątem struktury. Nie generuje "produktu" na zewnątrz, ale buduje wewnętrzny "system operacyjny wiedzy".
 
 ### 2. Wspólny mianownik: Rola człowieka
 We wszystkich trzech strategiach rola człowieka przesuwa się z **wykonawcy** na **architekta i kuratora**:
@@ -40,12 +40,13 @@ We wszystkich trzech strategiach rola człowieka przesuwa się z **wykonawcy** n
 ### Kiedy stosować daną strategię?
 - **Wybierz Agenta n8n (Newsletter):** Jeśli Twoim celem jest regularna publikacja ekspercka i potrzebujesz bazy do pisania (tryb "asystent").
 - **Wybierz Nanobanana Workflow:** Jeśli budujesz markę osobistą w wielu kanałach social media i potrzebujesz masowej produkcji wizualnej przy zachowaniu spójności stylu.
-- **Wybierz LLM Wiki Pattern:** Jeśli Twoim celem jest długoterminowe zrozumienie skomplikowanych tematów (np. badania nad AI, bazy danych) i chcesz, aby Twoja wiedza "kumulowała się" ([[concepts/compounding-knowledge]]), a nie znikała w archiwach.
+- **Wybierz LLM Knowledge Base Pattern:** Jeśli Twoim celem jest długoterminowe zrozumienie skomplikowanych tematów (np. badania nad AI, bazy danych) i chcesz, aby Twoja wiedza "kumulowała się" ([[concepts/compounding-knowledge]]), a nie znikała w archiwach.
 
 ## Pages Compared
 - [[summaries/jak-zbudowalem-agenta-newslettera-n8n]]
 - [[summaries/google-nanobanana-workflow]]
-- [[summaries/karpathy-llm-wiki-breakdown]]
+- [[summaries/karpathy-llm-knowledge-breakdown]]
 - [[concepts/ai-pipelines]]
 - [[concepts/human-in-the-loop]]
 - [[concepts/knowledge-compilation]]
+

brain/raw/articles/Andrej Karpathy’s LLM knowledge_ Create your own knowledge base.md

@@ -1,6 +1,6 @@
 ---
-title: "Andrej Karpathy’s LLM Wiki: Create your own knowledge base"
-source: "https://medium.com/@urvvil08/andrej-karpathys-llm-wiki-create-your-own-knowledge-base-8779014accd5"
+title: "Andrej Karpathy’s LLM Knowledge Base: Create your own knowledge base"
+source: "https://medium.com/@urvvil08/andrej-karpathys-llm-knowledge-create-your-own-knowledge-base-8779014accd5"
 author:
   - "[[Urvil Joshi]]"
 published: 2026-04-20
@@ -11,7 +11,7 @@ tags:
 ---
 Andrej Karpathy [**tweeted**](https://x.com/karpathy/status/2039805659525644595) something that quietly broke the AI community’s understanding of how we should be using LLMs to manage knowledge.
 
-Two days later, he followed up with a GitHub gist called [**llm-wiki.md**](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f). The idea isn’t a product. It’s not code. It’s a *pattern* a special one that might make will help you create a small scale personal knowledge base in few minutes.
+Two days later, he followed up with a GitHub gist called [**llm-knowledge.md**](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f). The idea isn’t a product. It’s not code. It’s a *pattern* a special one that might make will help you create a small scale personal knowledge base in few minutes.
 
 Let’s break this down.
 
@@ -27,7 +27,7 @@ And that’s what he published a single markdown file on GitHub Gist. Something
 
 ## ✨The Core Idea: Stop Retrieving. Start Compiling.
 
-Here’s the insight in one sentence: **instead of having the LLM re-read your raw documents every time you ask a question, build a persistent, structured wiki once and keep it updated forever.**
+Here’s the insight in one sentence: **instead of having the LLM re-read your raw documents every time you ask a question, build a persistent, structured knowledge once and keep it updated forever.**
 
 Karpathy used an analogy from software engineering: **compilation**.
 
@@ -43,22 +43,22 @@ Karpathy used an analogy from software engineering: **compilation**.
 ┌─────────────────────────────────────────────────────────────┐
 │                      LLM WIKI                               │
 │                                                             │
-│     Raw Sources  ──[ LLM compiles ]──►  Wiki                │
+│     Raw Sources  ──[ LLM compiles ]──►  Knowledge Base                │
 │     (PDFs, notes,                       (pre-synthesized,   │
 │      articles)                           interlinked,       │
 │                                          always ready)      │
 └─────────────────────────────────────────────────────────────┘
 ```
 
-You don’t execute source code every time you want to run a program. You compile it once into a binary and run *that*. Karpathy says: treat knowledge the same way. Your PDFs and notes are the source code. The wiki is the binary.
+You don’t execute source code every time you want to run a program. You compile it once into a binary and run *that*. Karpathy says: treat knowledge the same way. Your PDFs and notes are the source code. The knowledge is the binary.
 
-Every time you add a new document, the LLM doesn’t just index it. It **reads it, extracts the key information, updates existing pages, revises summaries, flags contradictions, and strengthens cross-links**. The wiki is a persistent, compounding artifact.
+Every time you add a new document, the LLM doesn’t just index it. It **reads it, extracts the key information, updates existing pages, revises summaries, flags contradictions, and strengthens cross-links**. The knowledge is a persistent, compounding artifact.
 
 In Karpathy’s own words, the line that captures the whole philosophy:
 
-> “Obsidian is the IDE; the LLM is the programmer; the wiki is the codebase.”
+> “Obsidian is the IDE; the LLM is the programmer; the knowledge is the codebase.”
 
-You rarely write the wiki yourself. You curate sources, ask questions, and think. The LLM handles the whole work summarizing, cross-referencing, filing, and bookkeeping.
+You rarely write the knowledge yourself. You curate sources, ask questions, and think. The LLM handles the whole work summarizing, cross-referencing, filing, and bookkeeping.
 
 ## 🔍The Three-Layer Architecture
 
@@ -89,11 +89,11 @@ You rarely write the wiki yourself. You curate sources, ask questions, and think
 ╚══════════════════════════════════════════════════════════════╝
 ```
 
-**Layer 1 — Raw sources.** Your curated collection. Articles, papers, meeting notes, images. Immutable. The LLM reads them but *never* modifies them. This is your ground truth. The fact that they’re immutable is a deliberate design choice: you can always re-compile the wiki from scratch if needed.
+**Layer 1 — Raw sources.** Your curated collection. Articles, papers, meeting notes, images. Immutable. The LLM reads them but *never* modifies them. This is your ground truth. The fact that they’re immutable is a deliberate design choice: you can always re-compile the knowledge from scratch if needed.
 
-**Layer 2 — The wiki.** A directory of markdown files the LLM owns completely. Entity pages, concept pages, summaries, an index, a log. You read it. The LLM writes it.
+**Layer 2 — The knowledge.** A directory of markdown files the LLM owns completely. Entity pages, concept pages, summaries, an index, a log. You read it. The LLM writes it.
 
-**Layer 3 — The schema.** This is a CLAUDE.md (for Claude Code) or AGENTS.md (for Codex) file. It’s the config that turns a generic agent into a *disciplined wiki maintainer*. It defines how pages are structured, how new sources get ingested, how answers get formatted.
+**Layer 3 — The schema.** This is a CLAUDE.md (for Claude Code) or AGENTS.md (for Codex) file. It’s the config that turns a generic agent into a *disciplined knowledge maintainer*. It defines how pages are structured, how new sources get ingested, how answers get formatted.
 
 ## 🧰The Three Operations
 
@@ -110,11 +110,11 @@ You rarely write the wiki yourself. You curate sources, ask questions, and think
 │ 1. INGEST  │       │  2. QUERY  │       │  3. LINT   │
 ├────────────┤       ├────────────┤       ├────────────┤
 │ Drop new   │       │ Ask a      │       │ Health-    │
-│ source →   │       │ question → │       │ check wiki │
+│ source →   │       │ question → │       │ check knowledge │
 │ LLM reads, │       │ LLM reads  │       │ → find     │
-│ summarises,│       │ wiki &     │       │ contra-    │
+│ summarises,│       │ knowledge &     │       │ contra-    │
 │ updates    │       │ synthesises│       │ dictions,  │
-│ 10–15 wiki │       │ answer     │       │ orphans,   │
+│ 10–15 knowledge │       │ answer     │       │ orphans,   │
 │ pages      │       │ w/ cites   │       │ stale data │
 └─────┬──────┘       └─────┬──────┘       └─────┬──────┘
       │                    │                    │
@@ -130,13 +130,13 @@ You rarely write the wiki yourself. You curate sources, ask questions, and think
 
 **Ingest.** You drop a source into the raw folder. The LLM reads it, writes a summary page, and touches some related pages updating, cross-linking, flagging contradictions. A single article becomes a web of updates across your entire knowledge base.
 
-**Query.** You ask a question. The LLM doesn’t search raw documents it reads the already synthesized wiki and answers. And here’s the compounding trick: **good answers can be filed back into the wiki as new pages**. Your explorations become permanent knowledge.
+**Query.** You ask a question. The LLM doesn’t search raw documents it reads the already synthesized knowledge and answers. And here’s the compounding trick: **good answers can be filed back into the knowledge as new pages**. Your explorations become permanent knowledge.
 
-**Lint.** Periodically, you ask the LLM to audit the whole wiki. Find contradictions. Find orphan pages with no links pointing in. Find concepts that are mentioned but missing their own page. The wiki stays healthy because the LLM does the maintenance no human ever wants to do.
+**Lint.** Periodically, you ask the LLM to audit the whole knowledge. Find contradictions. Find orphan pages with no links pointing in. Find concepts that are mentioned but missing their own page. The knowledge stays healthy because the LLM does the maintenance no human ever wants to do.
 
 ## ✨Let’s Actually Build One
 
-Let’s build a working LLM Wiki together.
+Let’s build a working LLM Knowledge Base together.
 
 ### What you need
 
@@ -151,20 +151,20 @@ Open your terminal:
 bash
 
 ```c
-mkdir llm-wiki-demo && cd llm-wiki-demo
+mkdir llm-knowledge-demo && cd llm-knowledge-demo
 mkdir raw
 ```
 
 Masz teraz:
 
 ```c
-llm-wiki-demo/
+llm-knowledge-demo/
 ├── raw/         (your immutable sources go here)
 ```
 
 ### Krok 2: Otwórz Claude Code w tym folderze i wklej tę pojedynczą wiadomość
 
-> =="Chcę, żebyś przeczytał ten plik pomysłów autorstwa Andreja Karpathy'ego i pomógł mi założyć Wiki LLM w tym katalogu. Zanim cokolwiek zrobisz, zapytaj mnie, o czym będzie ta wiki i jakich źródeł zamierzam ją podać. Gdy odpowiem, napisz mi plik schematu CLAUDE.md na podstawie mojej odpowiedzi".==
+> =="Chcę, żebyś przeczytał ten plik pomysłów autorstwa Andreja Karpathy'ego i pomógł mi założyć Knowledge Base LLM w tym katalogu. Zanim cokolwiek zrobisz, zapytaj mnie, o czym będzie ta knowledge i jakich źródeł zamierzam ją podać. Gdy odpowiem, napisz mi plik schematu CLAUDE.md na podstawie mojej odpowiedzi".==
 
 Tutaj wklej pełną treść [oryginalnego smysłu Karpathy'ego](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f)
 
@@ -172,18 +172,18 @@ Tutaj wklej pełną treść [oryginalnego smysłu Karpathy'ego](https://gist.git
 
 Claude odpowie kilkoma pytaniami wyjaśniającymi, takimi jak:
 
-- Jaki temat będzie poruszać ta wiki?
+- Jaki temat będzie poruszać ta knowledge?
 - Jakie źródła będziesz mu dostarczać?
 - Ile mniej więcej chcesz pochłonąć?
 - Jakie typy stron chcesz?
 
 ### Krok 4: Odpowiedz szczerze
 
-Do tego dema tworzę wiki o **AI i filozofii oprogramowania**. Moja odpowiedź:
+Do tego dema tworzę knowledge o **AI i filozofii oprogramowania**. Moja odpowiedź:
 
-> "Wiki obejmuje badania nad AI i filozofię oprogramowania. Dam mu krótkie eseje i wpisy na blogu od takich osób jak Rich Sutton i Andrej Karpathy. Prawdopodobnie 10–20 źródeł. Chcę stron koncepcyjne, streszczeń esejów i stron autorów."
+> "Knowledge Base obejmuje badania nad AI i filozofię oprogramowania. Dam mu krótkie eseje i wpisy na blogu od takich osób jak Rich Sutton i Andrej Karpathy. Prawdopodobnie 10–20 źródeł. Chcę stron koncepcyjne, streszczeń esejów i stron autorów."
 
-Claude teraz napisze plik dostosowany do tego zastosowania, inicjalizuje i, i powie coś w stylu *"Gotowy do pobrania twojego pierwszego źródła."* `CLAUDE.md` `wiki/index.md` `wiki/log.md`
+Claude teraz napisze plik dostosowany do tego zastosowania, inicjalizuje i, i powie coś w stylu *"Gotowy do pobrania twojego pierwszego źródła."* `CLAUDE.md` `knowledge/index.md` `knowledge/log.md`
 
 Po prostu zbudowałeś cały schemat bez napisania choćby jednej linii kodu. To jest wzorzec Karpathy'ego, który działa dokładnie tak, jak zamierzono.
 
@@ -202,7 +202,7 @@ Powiedz Claude'owi:
 Zobacz, co się stanie. Claude czyta dwustronicowy esej i generuje coś w stylu:
 
 ```c
-wiki/
+knowledge/
 ├── index.md                    (updated)
 ├── log.md                      (new entry appended)
 ├── sources/
@@ -222,7 +222,7 @@ wiki/
     └── rich-sutton.md
 ```
 
-Jeden dwustronicowy PDF stał się ~10 połączonych stron. Każda strona odwołuje się do pozostałych w stylu Obsidian.`[[wikilinks]]`
+Jeden dwustronicowy PDF stał się ~10 połączonych stron. Każda strona odwołuje się do pozostałych w stylu Obsidian.`[[knowledgelinks]]`
 
 **#2 — "Oprogramowanie 2.0" Karpathy'ego**
 
@@ -232,11 +232,11 @@ Powiedz Claude'owi:
 
 > "Połykanie." `raw/software-2-0.pdf`
 
-Claude nie zaczyna od zera. Najpierw czyta twoją istniejącą wiki, rozpoznaje, że esej Karpathy'ego "Software 2.0" argumentuje czymś ściśle związanym z Gorzką Lekcją, i robi coś niezwykłego: **aktualizuje istniejące strony**, dodając ramy Karpathy'ego, wzmacnia odniesienia krzyżowe i tworzy nowe strony tylko tam, gdzie jest to potrzebne.
+Claude nie zaczyna od zera. Najpierw czyta twoją istniejącą knowledge, rozpoznaje, że esej Karpathy'ego "Software 2.0" argumentuje czymś ściśle związanym z Gorzką Lekcją, i robi coś niezwykłego: **aktualizuje istniejące strony**, dodając ramy Karpathy'ego, wzmacnia odniesienia krzyżowe i tworzy nowe strony tylko tam, gdzie jest to potrzebne.
 
 Strona teraz zawiera link zwrotny, ponieważ LLM wykrył koncepcyjny związek między dwoma esejami, link, który *nie dodał nikt inny*.`software-2-0.md` `[[bitter-lesson]]`
 
-**Twoja wiki stała się gęstsza, nie tylko większa.** To jest właściwość złożenia, na którą wskazuje Karpathy.
+**Twoja knowledge stała się gęstsza, nie tylko większa.** To jest właściwość złożenia, na którą wskazuje Karpathy.
 
 ### Krok 6: Zadaj pytanie syntetyczne
 
@@ -244,19 +244,19 @@ A teraz efekt:
 
 > "Jak Sutton i Karpathy zgadzają się co do przyszłości oprogramowania i gdzie mogą się nie zgadzać?"
 
-==Claude nie otwiera ponownie PDF-ów. Odczytuje dwie strony wiki, które właśnie stworzyłeś, podąża za== ==`[[linkami]]`== między nimi i w kilka sekund daje ugruntowaną syntezę międzyautorów. Ta odpowiedź, która opiera się na połączeniach, które nie istniały 60 sekund temu, jest teraz plikiem leżącym w twoim skarbcu na zawsze.
+==Claude nie otwiera ponownie PDF-ów. Odczytuje dwie strony knowledge, które właśnie stworzyłeś, podąża za== ==`[[linkami]]`== między nimi i w kilka sekund daje ugruntowaną syntezę międzyautorów. Ta odpowiedź, która opiera się na połączeniach, które nie istniały 60 sekund temu, jest teraz plikiem leżącym w twoim skarbcu na zawsze.
 
 To właśnie ma na myśli Karpathy, mówiąc, że wiedza *się kumuluje*.
 
 ### Krok 7: Otwórz Obsidian i skieruj go na folder
 
-Zainstaluj [Obsidian](https://obsidian.md/), stwórz nowy skarbiec, skieruj go na swój folder i kliknij **w widok grafu**.`llm-wiki-demo/`
+Zainstaluj [Obsidian](https://obsidian.md/), stwórz nowy skarbiec, skieruj go na swój folder i kliknij **w widok grafu**.`llm-knowledge-demo/`
 
 Teraz patrzysz na swoją wiedzę jako na sieć. Węzły to strony. Krawędzie to ogniwa, które Claude dodawał automatycznie. Każde dodane źródło sprawia, że wykres staje się gęstszy.
 
 To właśnie wtedy wykres jest wyrenderowany po raz pierwszy, wtedy większość ludzi to rozumie.
 
-## 🔍RAG vs LLM Wiki: Szczere porównanie
+## 🔍RAG vs LLM Knowledge Base: Szczere porównanie
 
 Pytanie, które wszyscy zadają: czy to faktycznie lepsze niż RAG?
 
@@ -268,7 +268,7 @@ Szczera odpowiedź: **żadne z nich nie wygrywa. Rozwiązują różne problemy.*
 ├─────────────────────────────────┼─────────────────────────────────┤
 │                                 │                                 │
 │  📄 Raw docs stay raw           │  📄 Raw docs compiled into      │
-│                                 │     structured wiki pages       │
+│                                 │     structured knowledge pages       │
 │                                 │                                 │
 │  🔍 Retrieves chunks per query  │  📖 Reads pre-synthesized pages │
 │                                 │                                 │
@@ -301,15 +301,15 @@ Szczera odpowiedź: **żadne z nich nie wygrywa. Rozwiązują różne problemy.*
 
 **RAG** jest świetny, gdy masz miliony dokumentów, które ciągle się zmieniają i potrzebujesz precyzyjnych cytowań do konkretnego fragmentu. Pomyśl o obsłudze klienta, wyszukiwarce prawne, wyszukiwaniu faktów w firmie.
 
-**Wiki LLM** jest świetna, gdy masz ograniczony, wyselekcjonowany korpus, może kilkaset źródeł na temat, którym się zajmujesz. Projekty badawcze. Książka, którą studiujesz. Kurs, który wybierasz. Twój własny dziennik. Sytuacje, w których **synteza ma większe znaczenie niż wyszukiwanie**, gdzie wartościowe odpowiedzi wymagają połączenia pięciu źródeł, a nie szukania jednego.
+**Knowledge Base LLM** jest świetna, gdy masz ograniczony, wyselekcjonowany korpus, może kilkaset źródeł na temat, którym się zajmujesz. Projekty badawcze. Książka, którą studiujesz. Kurs, który wybierasz. Twój własny dziennik. Sytuacje, w których **synteza ma większe znaczenie niż wyszukiwanie**, gdzie wartościowe odpowiedzi wymagają połączenia pięciu źródeł, a nie szukania jednego.
 
-Jest prawdziwa krytyka wzorca LLM Wiki, którą warto traktować poważnie: ponieważ LLM podsumowuje i skrada źródła na stronach wiki, istnieje ryzyko, że halucynacje zostaną wplecione jako *"fakty".* W czystym RAG błędna odpowiedź to po prostu jedna błędna odpowiedź. W przypadku wiki LLM drobne nieporozumienie może cicho rozprzestrzenić się na powiązanych stronach.
+Jest prawdziwa krytyka wzorca LLM Knowledge Base, którą warto traktować poważnie: ponieważ LLM podsumowuje i skrada źródła na stronach knowledge, istnieje ryzyko, że halucynacje zostaną wplecione jako *"fakty".* W czystym RAG błędna odpowiedź to po prostu jedna błędna odpowiedź. W przypadku knowledge LLM drobne nieporozumienie może cicho rozprzestrzenić się na powiązanych stronach.
 
 Dlatego Karpathy podkreśla okresowe audyty **stopniowe usuwania kłaczków** i dlaczego każda poważna implementacja powinna dokładnie sprawdzać generowane strony względem surowych źródeł.
 
 ## 🧰Dlaczego to naprawdę ma znaczenie
 
-To nie tak naprawdę chodzi o wiki. Karpathy wskazuje na coś znacznie starszego – wizję Vannevara Busha z 1945 roku, zwaną **Memex**: osobistym, kuratorowanym magazynem wiedzy, gdzie *powiązania między dokumentami* są równie cenne jak same dokumenty.
+To nie tak naprawdę chodzi o knowledge. Karpathy wskazuje na coś znacznie starszego – wizję Vannevara Busha z 1945 roku, zwaną **Memex**: osobistym, kuratorowanym magazynem wiedzy, gdzie *powiązania między dokumentami* są równie cenne jak same dokumenty.
 
 ![](https://miro.medium.com/v2/resize:fit:1400/format:webp/1*uoqtXXIOw9wbq-PQ5P700Q.png)
 
@@ -317,7 +317,7 @@ Wizja Busha była bliższa temu niż temu, czym stał się internet: prywatny, a
 
 Jak pisze Karpathy w ogóle:
 
-> "Żmudną częścią utrzymania bazy wiedzy nie jest czytanie ani myślenie, lecz księgowość. Ludzie porzucają wiki, ponieważ obciążenie związane z utrzymaniem rośnie szybciej niż wartość. LLM się nie nudzi, nie zapominają zaktualizować referencji krzyżowych i mogą obsłużyć 15 plików na raz."
+> "Żmudną częścią utrzymania bazy wiedzy nie jest czytanie ani myślenie, lecz księgowość. Ludzie porzucają knowledge, ponieważ obciążenie związane z utrzymaniem rośnie szybciej niż wartość. LLM się nie nudzi, nie zapominają zaktualizować referencji krzyżowych i mogą obsłużyć 15 plików na raz."
 
 **Nużąca część wiedzy zostaje w końcu rozwiązana.**
 
@@ -331,4 +331,4 @@ Twoja praca zmienia się z *archiwizowania na* *myślenie*. Od *organizacji* po
 - **Obsydian:** [obsidian.md](https://obsidian.md/)
 - **Źródło demo 1 — "Gorzka lekcja" Suttona:** [incompleteideas.net/IncIdeas/BitterLesson.html](http://www.incompleteideas.net/IncIdeas/BitterLesson.html)
 - **Demo źródło 2 — "Software 2.0" Karpathy'ego:** [karpathy.medium.com/software-2–0-a64152b37c35](https://karpathy.medium.com/software-2-0-a64152b37c35)
-- **Wiki LLM Karpathy'ego zmienia wszystko:** [https://youtu.be/04z2M\_Nv\_Rk](https://youtu.be/04z2M_Nv_Rk)
+- **Knowledge Base LLM Karpathy'ego zmienia wszystko:** [https://youtu.be/04z2M\_Nv\_Rk](https://youtu.be/04z2M_Nv_Rk)

brain/raw/articles/One_file_diary.md

@@ -466,9 +466,9 @@ Pewnie — poniżej masz dopasowany diagram Mermaid **pod SQL Server + Airflow**
 
 W diagramie uwzględniłem, że:
 
-*   Airflow ma **logi per task/DAG** (np. w bucketach / Composer) jak w runbookach, [\[EU Analyti...k (EUANAP) | Confluence\]](https://dnbenterprise.atlassian.net/wiki/spaces/ER/pages/197919037/EU+Analytics+Platform+Runbook+EUANAP)
+*   Airflow ma **logi per task/DAG** (np. w bucketach / Composer) jak w runbookach, [\[EU Analyti...k (EUANAP) | Confluence\]](https://dnbenterprise.atlassian.net/knowledge/spaces/ER/pages/197919037/EU+Analytics+Platform+Runbook+EUANAP)
 *   Monitorowanie/alertowanie po stronie DB jest standardowo podpinane pod **Splunk** (zgodnie z „MS SQL – Monitoring Standards”), [\[MS SQL - M...Standards | PDF\]](https://mydnb.sharepoint.com/sites/theHub-Technology/Documents%20Database%20Management/MS%20SQL%20-%20Monitoring%20Standards.pdf?web=1)
-*   W runbooku „Shipping 2.0” jest przykład, że monitorowanie jest realizowane przez **Airflow DAG monitor + email na failure**. [\[Shipping 2.0 | Confluence\]](https://dnbenterprise.atlassian.net/wiki/spaces/ER/pages/271386232/Shipping+2.0)
+*   W runbooku „Shipping 2.0” jest przykład, że monitorowanie jest realizowane przez **Airflow DAG monitor + email na failure**. [\[Shipping 2.0 | Confluence\]](https://dnbenterprise.atlassian.net/knowledge/spaces/ER/pages/271386232/Shipping+2.0)
 
 ***
 
@@ -480,18 +480,18 @@ W diagramie uwzględniłem, że:
 
 ### 💡 Mini-legenda (żeby było „DBA-friendly”)
 
-*   **Airflow logs**: miejsce startu triage (per task), często przechowywane centralnie (np. bucket/Composer). [\[EU Analyti...k (EUANAP) | Confluence\]](https://dnbenterprise.atlassian.net/wiki/spaces/ER/pages/197919037/EU+Analytics+Platform+Runbook+EUANAP)
+*   **Airflow logs**: miejsce startu triage (per task), często przechowywane centralnie (np. bucket/Composer). [\[EU Analyti...k (EUANAP) | Confluence\]](https://dnbenterprise.atlassian.net/knowledge/spaces/ER/pages/197919037/EU+Analytics+Platform+Runbook+EUANAP)
 *   **Splunk**: typowe narzędzie enterprise do monitoringu/alertów SQL Server (metryki, progi, routing). [\[MS SQL - M...Standards | PDF\]](https://mydnb.sharepoint.com/sites/theHub-Technology/Documents%20Database%20Management/MS%20SQL%20-%20Monitoring%20Standards.pdf?web=1)
-*   **Airflow DAG monitor + email na failure**: częsty model alertowania dla pipeline’ów. [\[Shipping 2.0 | Confluence\]](https://dnbenterprise.atlassian.net/wiki/spaces/ER/pages/271386232/Shipping+2.0)
+*   **Airflow DAG monitor + email na failure**: częsty model alertowania dla pipeline’ów. [\[Shipping 2.0 | Confluence\]](https://dnbenterprise.atlassian.net/knowledge/spaces/ER/pages/271386232/Shipping+2.0)
 
 ***
 Pewnie — poniżej masz dopasowany diagram Mermaid **pod SQL Server + Airflow**, z typowymi ścieżkami: **DAG run → staging → transformy w SQL Server → walidacja → publikacja**, a przy awarii: **triage w Airflow logs + metryki/alerty + ServiceNow + działania DBA**. Dodałem też miejsca na logowanie w Twoim **worklogu**.
 
 W diagramie uwzględniłem, że:
 
-*   Airflow ma **logi per task/DAG** (np. w bucketach / Composer) jak w runbookach, [\[EU Analyti...k (EUANAP) | Confluence\]](https://dnbenterprise.atlassian.net/wiki/spaces/ER/pages/197919037/EU+Analytics+Platform+Runbook+EUANAP)
+*   Airflow ma **logi per task/DAG** (np. w bucketach / Composer) jak w runbookach, [\[EU Analyti...k (EUANAP) | Confluence\]](https://dnbenterprise.atlassian.net/knowledge/spaces/ER/pages/197919037/EU+Analytics+Platform+Runbook+EUANAP)
 *   Monitorowanie/alertowanie po stronie DB jest standardowo podpinane pod **Splunk** (zgodnie z „MS SQL – Monitoring Standards”), [\[MS SQL - M...Standards | PDF\]](https://mydnb.sharepoint.com/sites/theHub-Technology/Documents%20Database%20Management/MS%20SQL%20-%20Monitoring%20Standards.pdf?web=1)
-*   W runbooku „Shipping 2.0” jest przykład, że monitorowanie jest realizowane przez **Airflow DAG monitor + email na failure**. [\[Shipping 2.0 | Confluence\]](https://dnbenterprise.atlassian.net/wiki/spaces/ER/pages/271386232/Shipping+2.0)
+*   W runbooku „Shipping 2.0” jest przykład, że monitorowanie jest realizowane przez **Airflow DAG monitor + email na failure**. [\[Shipping 2.0 | Confluence\]](https://dnbenterprise.atlassian.net/knowledge/spaces/ER/pages/271386232/Shipping+2.0)
 
 ***
 
@@ -1133,3 +1133,4 @@ My robimy kompromis: **Ty możesz pisać prefiksowe tagi dużymi literami dla cz
 ***
 
 Jeśli chcesz, mogę też dopisać **regułę priorytetu** (np. `[INC]` zawsze pierwsze w “Najważniejsze”, potem `[DEC]`, `[SQL]`, `[AIRFLOW]`, `[DQ]`) i wtedy “Podsumuj dzień” będzie jeszcze bardziej “opsowy” (SRE‑style).
+

brain/raw/inbox/Budowanie knowledge badawczej LLM_ Jak przekształciłem 3000 stron filozofii w żywy system wiedzy.md

@@ -1,6 +1,6 @@
 ---
-title: "Budowanie wiki badawczej LLM: Jak przekształciłem 3000 stron filozofii w żywy system wiedzy"
-source: "https://medium.com/@paulo.deassis/building-an-llm-research-wiki-how-i-turned-3-000-pages-of-philosophy-into-a-living-knowledge-609de9935cd9"
+title: "Budowanie knowledge badawczej LLM: Jak przekształciłem 3000 stron filozofii w żywy system wiedzy"
+source: "https://medium.com/@paulo.deassis/building-an-llm-research-knowledge-how-i-turned-3-000-pages-of-philosophy-into-a-living-knowledge-609de9935cd9"
 author:
   - "[[Paulo de Assis]]"
 published: 2026-04-17
@@ -9,17 +9,17 @@ description: "More"
 tags:
   - "clippings"
 ---
-*Jak artysta-badacz zaadaptował wzór LLM Wiki Andreja Karpathy'ego, aby zbudować uporządkowaną bazę wiedzy w filozofii kontynentalnej, ontologii muzyki i posthumanizmie — wykorzystując Claude'a Code jako dedykowanego agenta wywiadu badawczego.*
+*Jak artysta-badacz zaadaptował wzór LLM Knowledge Base Andreja Karpathy'ego, aby zbudować uporządkowaną bazę wiedzy w filozofii kontynentalnej, ontologii muzyki i posthumanizmie — wykorzystując Claude'a Code jako dedykowanego agenta wywiadu badawczego.*
 
 —
 
 ![](https://miro.medium.com/v2/resize:fit:1400/format:webp/1*yIc1Tyhlj3RhS1AciawJvw@2x.jpeg)
 
-Otwartoźródłowe repozytorium LLM Research Wiki na GitHubie.
+Otwartoźródłowe repozytorium LLM Research Knowledge Base na GitHubie.
 
 ### Iskra
 
-Na początku kwietnia 2026 roku Andrej Karpathy opublikował [podsumowanie](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f) opisujące to, co nazwał "LLM Wiki" — ideę, że zamiast używać RAG (Retrieval-Augmented Generation) do ponownego pozyskiwania wiedzy z surowych dokumentów przy każdym zapytaniu, LLM powinien stopniowo budować i utrzymywać **trwałą, uporządkowaną wiki**, która kumuluje się z czasem. Surowe źródła są wprowadzane; Na jawie wychodzi uporządkowana, powiązana wiedza. Wiki staje się mądrzejsza niż twoja pamięć o powiązaniach między czytaniem.
+Na początku kwietnia 2026 roku Andrej Karpathy opublikował [podsumowanie](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f) opisujące to, co nazwał "LLM Knowledge Base" — ideę, że zamiast używać RAG (Retrieval-Augmented Generation) do ponownego pozyskiwania wiedzy z surowych dokumentów przy każdym zapytaniu, LLM powinien stopniowo budować i utrzymywać **trwałą, uporządkowaną knowledge**, która kumuluje się z czasem. Surowe źródła są wprowadzane; Na jawie wychodzi uporządkowana, powiązana wiedza. Knowledge Base staje się mądrzejsza niż twoja pamięć o powiązaniach między czytaniem.
 
 Od razu się zainteresowałem. Jako artysta-badacz pracujący z filozofią kontynentalną, kompozycją muzyczną i posthumanizmem, mam do czynienia z gęstymi, powiązanymi źródłami pierwotnymi — Deleuze'em, Simondonem, Rancièrem, Stieglerem, Baradem — gdzie to właśnie powiązania między pojęciami między książkami a autorami sprawiają, że badania są produktywne. Tradycyjne narzędzia do notowania i zarządzania referencjami nie rejestrują tych powiązań. Przechowują dokumenty; Nie *myślą ponad* nimi.
 
@@ -27,11 +27,11 @@ Wzór Karpathy został zaprojektowany z myślą o potrzebach inżyniera oprogram
 
 ### Faza projektowania
 
-Zacząłem od wzięcia podstawowego wglądu Karpathy'ego — surowych źródeł jako niezmiennej prawdy, wiki jako żywej warstwy syntezy, uporządkowanych przepływów pracy do pobierania/zapytań/lintowania — i od zastanowienia się, jak dostosować je do badań naukowych. Użyłem ChatGPT, aby opracować początkową architekturę: Jakie typy stron potrzebuje wiki humanistyczne? Jak powinny być zorganizowane koncepcje, autorzy i debaty? Jaki rodzaj frontu umożliwia szybką nawigację?
+Zacząłem od wzięcia podstawowego wglądu Karpathy'ego — surowych źródeł jako niezmiennej prawdy, knowledge jako żywej warstwy syntezy, uporządkowanych przepływów pracy do pobierania/zapytań/lintowania — i od zastanowienia się, jak dostosować je do badań naukowych. Użyłem ChatGPT, aby opracować początkową architekturę: Jakie typy stron potrzebuje knowledge humanistyczne? Jak powinny być zorganizowane koncepcje, autorzy i debaty? Jaki rodzaj frontu umożliwia szybką nawigację?
 
-Ta eksploracja zaowocowała pierwszym szkicem schematu: sześciostronicowe typy (przypisy źródłowe, koncepcje, autorzy, debaty, syntezy, projekty), konwencje YAML frontmatter oraz architektura trójwarstwowa (surowa → wiki → schemat).
+Ta eksploracja zaowocowała pierwszym szkicem schematu: sześciostronicowe typy (przypisy źródłowe, koncepcje, autorzy, debaty, syntezy, projekty), konwencje YAML frontmatter oraz architektura trójwarstwowa (surowa → knowledge → schemat).
 
-Następnie przeszedłem do Claude Code — terminalowego agenta kodującego Anthropic — do faktycznej implementacji. Kod Claude działa bezpośrednio w twoim systemie plików, czytając i zapisując pliki markdown, a także zachowuje kontekst przez długie sesje. Dzięki temu był idealnym narzędziem do budowania i utrzymania wiki: mógł czytać 300-stronicowy PDF, tworzyć 15 połączonych stron wiki i aktualizować indeks — wszystko to w jednej sesji konwersacyjnej.
+Następnie przeszedłem do Claude Code — terminalowego agenta kodującego Anthropic — do faktycznej implementacji. Kod Claude działa bezpośrednio w twoim systemie plików, czytając i zapisując pliki markdown, a także zachowuje kontekst przez długie sesje. Dzięki temu był idealnym narzędziem do budowania i utrzymania knowledge: mógł czytać 300-stronicowy PDF, tworzyć 15 połączonych stron knowledge i aktualizować indeks — wszystko to w jednej sesji konwersacyjnej.
 
 Ważny szczegół: początkowa wersja nie była operacją pojedynczego agenta. Wcześniej stworzyłem trzech wyspecjalizowanych agentów w Claude Code, a sesja konfiguracyjna zaaranżowała wszystkich trzech:
 
@@ -39,11 +39,11 @@ Ważny szczegół: początkowa wersja nie była operacją pojedynczego agenta. W
 
 **Agent B** — Zbadał strategię wdrożenia dużych istniejących kolekcji (problem "5 000 notatek / 4 000 PDF-ów")
 
-**Agent C** — Zbudował strukturę folderów, stworzył schemat CLAUDE.md i wszystkie pliki szablonów oraz wykonał pierwsze pobieranie — co wygenerowało 38 stron wiki w jednym przejściu
+**Agent C** — Zbudował strukturę folderów, stworzył schemat CLAUDE.md i wszystkie pliki szablonów oraz wykonał pierwsze pobieranie — co wygenerowało 38 stron knowledge w jednym przejściu
 
 Ten wieloagentowy podział pracy oznaczał, że cały system — schemat, foldery, szablony, strategia onboardingu oraz w pełni obsadzony pierwszy ingest — był budowany w jednej sesji. Po tym agencie nie byli już potrzebni: sam schemat CLAUDE.md stał się stałym operatorem, odczytywanym przez Claude'a Code na początku każdej kolejnej sesji.
 
-Nie spodziewałem się jednak, że Claude Code stanie się nie tylko twórcą, ale *także operatorem* wiki. Plik CLAUDE.md u podstaw projektu działa jako stały zestaw instrukcji: za każdym razem, gdy rozpoczyna się nowa sesja, Claude ją odczytuje i działa jako dedykowany agent ds. inteligencji badawczej — podążając za przepływem workflow ingest, zapytań i lint zdefiniowanym w schemacie.
+Nie spodziewałem się jednak, że Claude Code stanie się nie tylko twórcą, ale *także operatorem* knowledge. Plik CLAUDE.md u podstaw projektu działa jako stały zestaw instrukcji: za każdym razem, gdy rozpoczyna się nowa sesja, Claude ją odczytuje i działa jako dedykowany agent ds. inteligencji badawczej — podążając za przepływem workflow ingest, zapytań i lint zdefiniowanym w schemacie.
 
 ### Architektura
 
@@ -51,15 +51,15 @@ System składa się z trzech warstw:
 
 **surowe/** — Niezmienne dokumenty źródłowe (PDF, transkrypcje, notatki). *Napisane przez badacza.*
 
-**wiki/** — Ustrukturyzowane strony z wyznaczaniem (koncepcje, autorzy, debaty, syntezy, przypisy źródłowe, projekty). *Napisane przez LLM.*
+**knowledge/** — Ustrukturyzowane strony z wyznaczaniem (koncepcje, autorzy, debaty, syntezy, przypisy źródłowe, projekty). *Napisane przez LLM.*
 
 **Schemat** — CLAUDE.md (instrukcje operacyjne), index.md (indeks główny), log.md (dziennik zmian). *Napisane przez obu autorów.*
 
-Surowa warstwa jest święta — pliki źródłowe nigdy nie są modyfikowane po umieszczeniu tam. Warstwa wiki/to żywa synteza, która rośnie z każdym przyjmianiem. Warstwa schematu rządzi wszystkim.
+Surowa warstwa jest święta — pliki źródłowe nigdy nie są modyfikowane po umieszczeniu tam. Warstwa knowledge/to żywa synteza, która rośnie z każdym przyjmianiem. Warstwa schematu rządzi wszystkim.
 
 ### Sześć typów stron
 
-Każda strona wiki korzysta z jednego z sześciu szablonów, z których każdy ma konkretne materiały YAML:
+Każda strona knowledge korzysta z jednego z sześciu szablonów, z których każdy ma konkretne materiały YAML:
 
 - **Przypisy źródłowe** — jedna na każdy przyjęty dokument. Streszczenie, kluczowe twierdzenia (z numerami stron), bezpośrednie cytaty, powiązania z innymi stronami, otwarte pytania.
 - **Strony koncepcyjne** — po jednej na każdą koncepcję (np. "asamblaż", "transdukcja", "haecceity"). Definicje, kluczowi myśliciele, powiązane pojęcia, źródłowe poparcie z wielu tekstów.
@@ -70,12 +70,12 @@ Każda strona wiki korzysta z jednego z sześciu szablonów, z których każdy m
 
 ### Epistemiczne markery
 
-Z tej cechy jestem szczególnie dumny: każde twierdzenie w wiki ma epistemiczny znacznik rejestru.
+Z tej cechy jestem szczególnie dumny: każde twierdzenie w knowledge ma epistemiczny znacznik rejestru.
 
 - *(brak znacznika)* — Bezpośrednio przypisane do nazwanego źródła
-- **\[W\]** — Synteza Wiki: integracja redakcyjna LLM w wielu źródłach
+- **\[W\]** — Synteza Knowledge Base: integracja redakcyjna LLM w wielu źródłach
 - **\[P\]** — Moje własne stanowisko badawcze: nie to, co mówi źródło, lecz to, co ja argumentuję
-- **\[?\]** — Niepewne: data, przypisanie lub twierdzenie, którego wiki nie może jednoznacznie zweryfikować
+- **\[?\]** — Niepewne: data, przypisanie lub twierdzenie, którego knowledge nie może jednoznacznie zweryfikować
 
 To ma znaczenie, ponieważ w badaniach humanistycznych rozróżnienie między "co mówi Deleuze", "tym, co mówi Sauvagnargues i Deleuzem" oraz "tym, co twierdzę o obu" ma filozoficzne znaczenie. Znaczniki utrzymują te rejestry widoczne.
 
@@ -91,20 +91,20 @@ Kaskada oznacza, że przy 185 stronach koszt zapytań jest mniej więcej taki sa
 
 ### Liczby
 
-Po około dwóch tygodniach intensywnej pracy (6–17 kwietnia 2026) wiki wygląda tak:
+Po około dwóch tygodniach intensywnej pracy (6–17 kwietnia 2026) knowledge wygląda tak:
 
 - **Pobrane dokumenty źródłowe:** 70
-- **Łączna liczba stron wiki:** 185 (65 koncepcji, 39 autorów, 70 przypisów źródłowych, 4 debaty, 2 syntezy, 5 projektów)
+- **Łączna liczba stron knowledge:** 185 (65 koncepcji, 39 autorów, 70 przypisów źródłowych, 4 debaty, 2 syntezy, 5 projektów)
 - **Łączna liczba odnośników krzyżowych (linków markdown):** 1 592
-- **Łączna liczba słów w wiki:** 233 881
+- **Łączna liczba słów w knowledge:** 233 881
 - **Strony materiałów źródłowych czytają:** ~3 200
 - **Wpisy w dzienniku:** 73
 
-Liczba debat i syntez jest niska — te typy stron rozwijają się wolniej, ponieważ wymagają prawdziwej argumentacyjnej integracji między wieloma źródłami, a nie tylko wyodrębniania z jednego tekstu. Będą rosnąć wraz z dojrzewaniem wiki. Strony koncepcji i autora, w przeciwieństwie do nich, są już gęste: każda strona koncepcyjne ma co najmniej 2 wpisy wsparcia źródłowego, a najbogatsze mają ich 17.
+Liczba debat i syntez jest niska — te typy stron rozwijają się wolniej, ponieważ wymagają prawdziwej argumentacyjnej integracji między wieloma źródłami, a nie tylko wyodrębniania z jednego tekstu. Będą rosnąć wraz z dojrzewaniem knowledge. Strony koncepcji i autora, w przeciwieństwie do nich, są już gęste: każda strona koncepcyjne ma co najmniej 2 wpisy wsparcia źródłowego, a najbogatsze mają ich 17.
 
 ### Mnożnik Spożycia
 
-Średnio każde przejęte źródło generuje **2,6 strony wiki** (1 przypis źródłowy + aktualizacje do ~1,6 istniejących stron). Jednak ta średnia skrywa dużą różnorodność:
+Średnio każde przejęte źródło generuje **2,6 strony knowledge** (1 przypis źródłowy + aktualizacje do ~1,6 istniejących stron). Jednak ta średnia skrywa dużą różnorodność:
 
 - **Krótki artykuł** (5–20 stron) zazwyczaj generuje 1 przypis źródłowy + aktualizacje 2–3 istniejących stron = **operacje 3–4 strony**
 - **Duża monografia** (200+ stron) może przynieść 1 przypis źródłowy + aktualizacje do 8–10 istniejących stron = **10–12 operacji** stron
@@ -122,28 +122,28 @@ Niektóre strony koncepcji stały się niezwykle bogate dzięki zgromadzonym do
 
 **Transdukcja** — 9 wpisów, obejmujących Simondona (2 źródła), Stieglera, Hui (2 źródła), Beisteguiego, Sauvagnarguesa (2 książki), mój własny artykuł o transdukcji performatywnej
 
-To właśnie te mocno wspierane strony wiki staje się naprawdę użyteczne jako narzędzie badawcze. Na przykład strona *z asamblażem* zawiera teraz rozróżnienie własności/zdolności DeLandy, definicję tetrawalentną Deleuze-Guattariego, maszynowy asamblaż Sauvagnarguesa, moje własne sześć warstw muzycznych oraz genealogię problemu *agencement/asambler* — wszystko na jednej stronie, z cytowaniami źródeł pierwotnych. Żadna książka ani artykuł nie zawiera tego wszystkiego. Tylko wiki to robi.
+To właśnie te mocno wspierane strony knowledge staje się naprawdę użyteczne jako narzędzie badawcze. Na przykład strona *z asamblażem* zawiera teraz rozróżnienie własności/zdolności DeLandy, definicję tetrawalentną Deleuze-Guattariego, maszynowy asamblaż Sauvagnarguesa, moje własne sześć warstw muzycznych oraz genealogię problemu *agencement/asambler* — wszystko na jednej stronie, z cytowaniami źródeł pierwotnych. Żadna książka ani artykuł nie zawiera tego wszystkiego. Tylko knowledge to robi.
 
 ### Problem wdrożenia
 
 Jeśli jesteś uznanym badaczem, prawdopodobnie masz tysiące notatek i tysiące plików PDF. Najważniejszą lekcją, jaką wyniosłem — zanim zacząłem korzystać z jednego źródła — jest to:
 
-**Wiki NIE jest biblioteką. To starannie wyselekcjonowana synteza tego, co ważne TERAZ.**
+**Knowledge Base NIE jest biblioteką. To starannie wyselekcjonowana synteza tego, co ważne TERAZ.**
 
 Podczas fazy projektowania zidentyfikowaliśmy pięć pułapek, których należy unikać:
 
 1. **Fantazja migracji** — nigdy nie próbuj pochłaniać wszystkiego. Twoja obecna biblioteka zostaje tam, gdzie jest.
 2. **Przedwczesna kategoryzacja** — nie twórz 50 pustych stubów przed spożyciem jednego źródła.
-3. **Pobieranie wszechowe zanim pojawi się kręgosłup** — potrzebujesz 5–10 starannie nadzorowanych pojęć, zanim wiki będzie miało wystarczającą strukturę, by się nimi kierować.
+3. **Pobieranie wszechowe zanim pojawi się kręgosłup** — potrzebujesz 5–10 starannie nadzorowanych pojęć, zanim knowledge będzie miało wystarczającą strukturę, by się nimi kierować.
 4. **Zaczynając od najbardziej złożonego źródła** — zacznij od własnej mapy badań, a nie od *Różnicy i Powtórzenia*.
 5. **Traktowanie sur/jak kopii twojej biblioteki PDF** — sur/ to wyselekcjonowany folder wejściowy, a nie lustro.
 
 Podejście fazowe, które u mnie się sprawdziło:
 
-- **Faza 0:** Napisz mapę badawczą własnymi słowami — 2–3 strony opisujące twoją obecną konstelację badawczą. Najpierw go połknąć. To zaszczepia wiki twoje ramy koncepcyjne.
-- **Faza 1 (źródła 1–5):** W pełni nadzorowane, jedno źródło na raz, rozłożone na twoje projekty. Trenujesz zarówno wiki, jak i siebie.
-- **Faza 2 (źródła 6–20):** Nadal pod nadzorem, ale można zrobić 2–3 na sesję. Schemat i zgromadzony kontekst wiki zaczynają kierować decyzjami LLM.
-- **Faza 3 (źródła 20+):** Lżejsza nadzór. Pobieranie wsadowe staje się możliwe. Wiki ma wystarczającą gęstość, by wyłapać własne błędy przez kłaczki.
+- **Faza 0:** Napisz mapę badawczą własnymi słowami — 2–3 strony opisujące twoją obecną konstelację badawczą. Najpierw go połknąć. To zaszczepia knowledge twoje ramy koncepcyjne.
+- **Faza 1 (źródła 1–5):** W pełni nadzorowane, jedno źródło na raz, rozłożone na twoje projekty. Trenujesz zarówno knowledge, jak i siebie.
+- **Faza 2 (źródła 6–20):** Nadal pod nadzorem, ale można zrobić 2–3 na sesję. Schemat i zgromadzony kontekst knowledge zaczynają kierować decyzjami LLM.
+- **Faza 3 (źródła 20+):** Lżejsza nadzór. Pobieranie wsadowe staje się możliwe. Knowledge Base ma wystarczającą gęstość, by wyłapać własne błędy przez kłaczki.
 
 W przypadku istniejących kolekcji: zachowaj swoje 5 000 notatek i 4 000 plików PDF tam, gdzie są. Skopiuj źródło do surowej wersji dotychczas, gdy będziesz gotowy je wchłonąć. W przypadku książek przyjmuj rozdziały, a nie całe tomy. Test priorytetowy: *"Czy cytuję to w czymś, co teraz piszę?"*
 
@@ -152,7 +152,7 @@ Trajektoria wzrostu, którą zaobserwowałem:
 - **5 źródeł / ~20 stron** — Podstawowe pytania i odpowiedzi dotyczące źródeł przyswajonych
 - **20 źródeł / ~80 stron** — Pierwsze prawdziwe syntezy opłacalne
 - **50 źródeł / ~200 stron** — Fragmenty roboczej pracy z zapytań
-- **100 źródeł / ~400 stron** — Wiki mądrzejsza niż pamięć o połączeniach krzyżowych
+- **100 źródeł / ~400 stron** — Knowledge Base mądrzejsza niż pamięć o połączeniach krzyżowych
 
 Punkt rentowności przypada na źródło 20–30: gdy zapytanie zwraca cytowaną odpowiedź w 30 sekund zamiast 20 minut przeszukiwania PDF.
 
@@ -178,7 +178,7 @@ Claude czyta cały rozdział (54 strony gęstej filozofii), a następnie:
 
 Mogę zapytać: "Jak działa koncepcja linii ucieczki politycznie?"
 
-Claude sprawdza index.md, identyfikuje Klaster C, czyta stronę koncepcyjną *linii lotu* (która zawiera 3 wpisy wspierające źródło: ATP Ch. 1, Sauvagnargues 2013 i Thornton 2020), podąża za powiązanymi polami do *składania* i *stawania* się, a następnie konstruuje odpowiedź na podstawie syntetycznego wiki — cytując konkretne strony i fragmenty bez konieczności ponownego czytania oryginalnych PDF-ów.
+Claude sprawdza index.md, identyfikuje Klaster C, czyta stronę koncepcyjną *linii lotu* (która zawiera 3 wpisy wspierające źródło: ATP Ch. 1, Sauvagnargues 2013 i Thornton 2020), podąża za powiązanymi polami do *składania* i *stawania* się, a następnie konstruuje odpowiedź na podstawie syntetycznego knowledge — cytując konkretne strony i fragmenty bez konieczności ponownego czytania oryginalnych PDF-ów.
 
 ### LINT
 
@@ -188,29 +188,29 @@ Claude przeprowadza audyt wszystkich 185 stron według 8 kryteriów: strony sier
 
 ### Czego się nauczyłem
 
-### 1\. Wiki to coś więcej niż suma źródeł
+### 1\. Knowledge Base to coś więcej niż suma źródeł
 
-Najcenniejsze strony to te, które łączą źródła pomiędzy źródłami, których żaden z autorów nie połączył. Strona *z asamblażem* — czerpiąca z filozoficznej koncepcji Deleuze-Guattariego, ontologii społecznej DeLandy, estetyki Sauvagnarguesa oraz mojego własnego zastosowania muzycznego — zawiera wiedzę, której nie ma nigdzie indziej w formie opublikowanej. Wiki *generuje* wiedzę poprzez akt uporządkowanego gromadzenia.
+Najcenniejsze strony to te, które łączą źródła pomiędzy źródłami, których żaden z autorów nie połączył. Strona *z asamblażem* — czerpiąca z filozoficznej koncepcji Deleuze-Guattariego, ontologii społecznej DeLandy, estetyki Sauvagnarguesa oraz mojego własnego zastosowania muzycznego — zawiera wiedzę, której nie ma nigdzie indziej w formie opublikowanej. Knowledge Base *generuje* wiedzę poprzez akt uporządkowanego gromadzenia.
 
 ### 2\. Nadzór ma znaczenie na początku, później już mniej
 
-Pierwsze 10–15 przyjmowań wymagało ścisłego nadzoru: sprawdzania, czy pojęcia są poprawnie identyfikowane, czy połączenia są autentyczne, a nie powierzchowne, czy znaczniki epistemiczne są stosowane poprawnie. Następnie schemat i zgromadzony kontekst wiki prowadziły LLM ku coraz dokładniejszym i spójniejszym aktualizacjom stron. Wiki szkoli własnego operatora.
+Pierwsze 10–15 przyjmowań wymagało ścisłego nadzoru: sprawdzania, czy pojęcia są poprawnie identyfikowane, czy połączenia są autentyczne, a nie powierzchowne, czy znaczniki epistemiczne są stosowane poprawnie. Następnie schemat i zgromadzony kontekst knowledge prowadziły LLM ku coraz dokładniejszym i spójniejszym aktualizacjom stron. Knowledge Base szkoli własnego operatora.
 
 ### 3\. Workflow usuwania kłaczków jest kluczowy
 
-Bez regularnego lintingu wiki dryfowałaby: strony osierocone, uszkodzone linki, niespójne znaczniki. Procedura usuwania kłaczków wykrywa te problemy, zanim się kumulują. Uruchamiam go co 10–15 porcji. Zajmuje to 2 minuty i zapobiega godzinom sprzątania.
+Bez regularnego lintingu knowledge dryfowałaby: strony osierocone, uszkodzone linki, niespójne znaczniki. Procedura usuwania kłaczków wykrywa te problemy, zanim się kumulują. Uruchamiam go co 10–15 porcji. Zajmuje to 2 minuty i zapobiega godzinom sprzątania.
 
 ### 4\. Obsydian jest naturalnym towarzyszem
 
-Po zbudowaniu wiki całkowicie przez Claude Code otworzyłem folder w Obsidian. Wszystko zadziałało natychmiast — widok wykresu, panel linków, wyszukiwanie. Bez migracji, bez konwersji. Obsidian czyta te same pliki markdown, które pisze Claude. Oba narzędzia są uzupełniające: Claude do operacji strukturalnych (wchłanianie, zapytanie, kłaczki), Obsidian do eksploracji wizualnej i przypadkowego odkrywania.
+Po zbudowaniu knowledge całkowicie przez Claude Code otworzyłem folder w Obsidian. Wszystko zadziałało natychmiast — widok wykresu, panel linków, wyszukiwanie. Bez migracji, bez konwersji. Obsidian czyta te same pliki markdown, które pisze Claude. Oba narzędzia są uzupełniające: Claude do operacji strukturalnych (wchłanianie, zapytanie, kłaczki), Obsidian do eksploracji wizualnej i przypadkowego odkrywania.
 
 ### 5\. Schemat jest rzeczywistym produktem
 
-Strony wiki są cenne, ale produktem wielokrotnego użytku jest schemat CLAUDE.md — zestaw instrukcji, który zamienia dowolnego agenta kodującego LLM w operatora wiki badawczego. Jest [otwartoźródłowe na GitHubie](https://github.com/MetamusicX/llm-research-wiki). Każdy może go sklonować, edytować kontekst domeny dla swojego pola i zacząć pobierać dane.
+Strony knowledge są cenne, ale produktem wielokrotnego użytku jest schemat CLAUDE.md — zestaw instrukcji, który zamienia dowolnego agenta kodującego LLM w operatora knowledge badawczego. Jest [otwartoźródłowe na GitHubie](https://github.com/MetamusicX/llm-research-knowledge). Każdy może go sklonować, edytować kontekst domeny dla swojego pola i zacząć pobierać dane.
 
 ### Spróbuj sam
 
-Repozytorium znajduje się na [github.com/MetamusicX/llm-research-wiki](https://github.com/MetamusicX/llm-research-wiki).
+Repozytorium znajduje się na [github.com/MetamusicX/llm-research-knowledge](https://github.com/MetamusicX/llm-research-knowledge).
 
 Czego potrzebujesz:
 
@@ -219,10 +219,10 @@ Czego potrzebujesz:
 - Twoje własne dokumenty źródłowe (PDF-y, notatki do markowania, transkrypcje)
 - Brak bazy danych, brak osadzeń, brak wtyczek — tylko pliki i foldery markdown
 
-Zacznij od własnej mapy badawczej jako pierwszego wejścia. To zasiewa wiki twoim konceptualnym ramą. Potem dodawaj źródła pojedynczo. Nadzoruj pierwsze 10. Kłaczki odprowadzaj co 15 minut. Po 50 źródłach będziesz miał prawdziwe narzędzie badawcze. Po 100 jest niezbędna.
+Zacznij od własnej mapy badawczej jako pierwszego wejścia. To zasiewa knowledge twoim konceptualnym ramą. Potem dodawaj źródła pojedynczo. Nadzoruj pierwsze 10. Kłaczki odprowadzaj co 15 minut. Po 50 źródłach będziesz miał prawdziwe narzędzie badawcze. Po 100 jest niezbędna.
 
 — -
 
-*Paulo de Assis jest artystą-badaczem specjalizującym się w kompozycji, wykonawstwie fortepianowym, filozofii kontynentalnej, studiach nad nauką i technologią* oraz *epistemologii. Jest autorem książki* Logic of Experimentation: Rethinking Music Performance through Artistic Research *(Leuven University Press, 2018). Wiki opisane w tym artykule zostało stworzone w ramach jego trwającego projektu ERC Advanced Grant PosthumanMusic (2026–2030).*
+*Paulo de Assis jest artystą-badaczem specjalizującym się w kompozycji, wykonawstwie fortepianowym, filozofii kontynentalnej, studiach nad nauką i technologią* oraz *epistemologii. Jest autorem książki* Logic of Experimentation: Rethinking Music Performance through Artistic Research *(Leuven University Press, 2018). Knowledge Base opisane w tym artykule zostało stworzone w ramach jego trwającego projektu ERC Advanced Grant PosthumanMusic (2026–2030).*
 
-*Wzór LLM Research Wiki jest otwarty na* [*github.com/MetamusicX/llm-research-wiki*](https://github.com/MetamusicX/llm-research-wiki)*.*
+*Wzór LLM Research Knowledge Base jest otwarty na* [*github.com/MetamusicX/llm-research-knowledge*](https://github.com/MetamusicX/llm-research-knowledge)*.*

brain/raw/inbox/Budowanie osobistego asystenta AI z użyciem SQLite, Claude Code i GTD.md

@@ -27,7 +27,7 @@ No due date set. You have a meeting with them on Thursday at 10:00.
 Want me to set the due date to Wednesday and block two hours tomorrow?
 ```
 
-Tak **właśnie powstał MarcOS**. Na razie jest to osobisty asystent. Jeśli kiedykolwiek zacznie prowadzić moje zajęcia i wysyłać faktury bez pytania, stanie się moim klonem i wtedy nie będzie jasne, który z nas jest zbędny. Obecnie powtarza się teza, że [SaaS umarł, że agenci AI zastąpią całe kategorie produktów](https://medium.com/@marc.bara.iniesta/why-ai-is-breaking-the-software-business-model-dcd7cc303080). Po piętnastu latach zmiany narzędzi produktywności na coś lepszego, z Notion jako najnowszym przystankiem (martwe wiki, kolekcje linków, do których nigdy nie wracam, 140 osieroconych pomysłów w bazie danych, której przestałem przeglądać), postanowiłem przetestować tę pracę na sobie.
+Tak **właśnie powstał MarcOS**. Na razie jest to osobisty asystent. Jeśli kiedykolwiek zacznie prowadzić moje zajęcia i wysyłać faktury bez pytania, stanie się moim klonem i wtedy nie będzie jasne, który z nas jest zbędny. Obecnie powtarza się teza, że [SaaS umarł, że agenci AI zastąpią całe kategorie produktów](https://medium.com/@marc.bara.iniesta/why-ai-is-breaking-the-software-business-model-dcd7cc303080). Po piętnastu latach zmiany narzędzi produktywności na coś lepszego, z Notion jako najnowszym przystankiem (martwe knowledge, kolekcje linków, do których nigdy nie wracam, 140 osieroconych pomysłów w bazie danych, której przestałem przeglądać), postanowiłem przetestować tę pracę na sobie.
 
 Szukałem, jak wyglądałby osobisty system [GTD](https://gettingthingsdone.com/), gdybym zbudował go od zera, korzystając z narzędzi dostępnych w 2026 roku. GTD (Getting Things Done, metoda Davida Allena) sprowadza się do: uchwycenia wszystkiego, wyjaśnienia, czym jest każda rzecz, uporządkowania według projektu, przeglądu co tydzień i działania. Metoda ta ma już czterdzieści lat. Narzędzia, których ludzie używają do prowadzenia, zmieniają się co trzy lata. Nie prototyp. To nie weekendowy hack. System, którego faktycznie używałem codziennie do prowadzenia praktyki konsultingowej, koordynowania kursów w kilku szkołach biznesu, zarządzania mentoringiem startupów oraz śledzenia faktur. Ograniczenie było proste: każdy element musi być wymienny, nic nie wymaga subskrypcji, a całość musi działać bez połączenia z internetem, poza synchronizacją. Rdzeń działał w tydzień. Dashboard i automatyzacje wymagały jeszcze kilku sesji. Oto jak to działa.
 

brain/raw/inbox/Co się dzieje, gdy dasz LLM-owi klucze do swojego skarbca Obsidian.md

@@ -15,7 +15,7 @@ tags:
 
 Te piękne wykresy to prawdziwy powód, dla którego tak bardzo kocham Obsidian. Ale jest też lokalny, bezpieczny i od teraz łatwy w użyciu z LLM.
 
-2 kwietnia 2026 roku Andrej Karpathy opublikował krótki opis czegoś, co nazwał "LLM Wiki". Osiągnął 325 000 wyświetleń w 48 godzin. W ciągu dwóch tygodni pół tuzina wtyczek open-source ponownie go wdrożyło. Obszar zarządzania wiedzą osobistą na Twitterze kompletnie stracił rozum. Prawie żadne mainstreamowe media technologiczne o tym nie pisały.
+2 kwietnia 2026 roku Andrej Karpathy opublikował krótki opis czegoś, co nazwał "LLM Knowledge Base". Osiągnął 325 000 wyświetleń w 48 godzin. W ciągu dwóch tygodni pół tuzina wtyczek open-source ponownie go wdrożyło. Obszar zarządzania wiedzą osobistą na Twitterze kompletnie stracił rozum. Prawie żadne mainstreamowe media technologiczne o tym nie pisały.
 
 *Nie jesteś członkiem Medium? Czytaj za darmo* [*tutaj.*](https://medium.com/dare-to-be-better/what-happens-when-you-give-an-llm-the-keys-to-your-obsidian-vault-370562d821e0?sk=61c02e7f99abf7f07fc0952fa475bc89)
 
@@ -35,7 +35,7 @@ medium.com
 
 Jeśli używałeś którejkolwiek wtyczki "Chat with your vault" do Obsidian, znasz już standardowy schemat: wrzuć markdown do wektorowej bazy danych, zadaj pytanie, model pobiera kilka fragmentów i odpowiada. W porządku. To także transakcja jednorazowa — w momencie zamknięcia czatu nic się nie kumuluje. Twój skarbiec jest nadal tak zabałaganiony, jak go zostawiłeś. Model nie staje się mądrzejszy w twoim przypadku. Nie stajesz się mądrzejszy w swoim podejściu.
 
-Wzór LLM Wiki odwraca workflow. Czat to efekt uboczny. Artefakt to uporządkowany, hiperlinkowany skarbiec, który model utrzymuje dla ciebie w tle — dodając strony z entykatami, poprawiając streszczenia tematów, sygnalizując sprzeczności między wczorajszą notatką a dzisiejszą, odsłaniając powiązania, których nigdy nie zrobiłeś świadomie.
+Wzór LLM Knowledge Base odwraca workflow. Czat to efekt uboczny. Artefakt to uporządkowany, hiperlinkowany skarbiec, który model utrzymuje dla ciebie w tle — dodając strony z entykatami, poprawiając streszczenia tematów, sygnalizując sprzeczności między wczorajszą notatką a dzisiejszą, odsłaniając powiązania, których nigdy nie zrobiłeś świadomie.
 
 Brzmi to podejrzanie jak każda obietnica "drugiego mózgu" z ostatnich pięciu lat. Większość tych obietnic to były wibracje. Ten jest wyjątkowo konkretny, a narzędzia doganiały szybciej niż dyskusja. Oto jak to właściwie skonfigurować — i gdzie się psuje.
 
@@ -43,19 +43,19 @@ Brzmi to podejrzanie jak każda obietnica "drugiego mózgu" z ostatnich pięciu
 
 Stary schemat: **czat z dodatkiem wyszukiwania.** Twoje notatki to biblioteka tylko do czytania; LLM to bibliotekarz.
 
-Nowy schemat: **pisanie z pomocą wyszukiwania.** Twoje notatki to edytowalna wiki; LLM to redaktor naczelny, który nigdy nie śpi.
+Nowy schemat: **pisanie z pomocą wyszukiwania.** Twoje notatki to edytowalna knowledge; LLM to redaktor naczelny, który nigdy nie śpi.
 
 Wszystko inne — wybór modelu, wtyczki, sprzęt — to szczegóły implementacji.
 
 ## Brakujący element: CEO Obsidian właśnie nauczył agentów, jak się zachowywać
 
-Przez około rok oczywistym wąskim gardłem w tym całym wzorcu było to, że LLM technicznie mówią markdown, ale nie wiedzą, że Obsidian markdown to osobny dialekt. Agenci pisali notatki, które wyglądały poprawnie w czystym tekście i cicho się psuły w momencie otwarcia — wikilinki będące tylko nawiasami wokół łańcucha rzeczy, przednią część przekształconą w tekst główny, opisy w cudzysłowie, pliki Bases uszkodzone do zupy JSON. Każdy workflow "AI w moim skarbcu" kończył się przepustką sprzątającą.
+Przez około rok oczywistym wąskim gardłem w tym całym wzorcu było to, że LLM technicznie mówią markdown, ale nie wiedzą, że Obsidian markdown to osobny dialekt. Agenci pisali notatki, które wyglądały poprawnie w czystym tekście i cicho się psuły w momencie otwarcia — knowledgelinki będące tylko nawiasami wokół łańcucha rzeczy, przednią część przekształconą w tekst główny, opisy w cudzysłowie, pliki Bases uszkodzone do zupy JSON. Każdy workflow "AI w moim skarbcu" kończył się przepustką sprzątającą.
 
 Na początku 2026 roku Steph Ango — CEO Obsidian — sam to naprawił. Opublikował na GitHub: zestaw umiejętności agentów licencjonowany przez MIT, które uczą Claude Code, Codex CLI, OpenCode i wszelkich innych narzędzi kompatybilnych z Agent Skills, jak faktycznie korzystać z aplikacji. Repozytorium usunęło dziesiątki tysięcy gwiazd w ciągu kilku tygodni i nadal rośnie.`kepano/obsidian-skills`
 
 To, co jest w środku, to dokładnie te nudne, ważne rzeczy:
 
-- `**obsidian-markdown**` — wikilinki, callouty, materiały wstępne, osadzenia, linki dwukierunkowe wykonane poprawnie.
+- `**obsidian-markdown**` — knowledgelinki, callouty, materiały wstępne, osadzenia, linki dwukierunkowe wykonane poprawnie.
 - `**obsidian-bases**` — dane strukturalne z filtrami, widokami i typowymi właściwościami.
 - `**json-canvas**` — generowanie i edytowanie wizualnych płócien w twoich notatkach.
 - `**obsidian-cli**` — pełne zarządzanie sejfem z linii poleceń.
@@ -91,19 +91,19 @@ To właśnie ten ostatni krok większość ludzi rezygnuje i nie są w błędzie
 
 **To nie czyni cię mądrym.** To sprawia, że *twój skarbiec* jest inteligentny. Jest różnica, a ta różnica staje się bolesna około drugiego tygodnia, gdy model pojawia się czysta synteza trzech rzeczy, które napisałeś, i zdajesz sobie sprawę, że przez sześć miesięcy miałeś tę samą półmyśl.
 
-**To halucynacje między nimi.** Zwłaszcza w przypadku mniejszych lokalnych modeli. Wiki pewnie połączy dwie istoty, które nie mają ze sobą nic wspólnego, i napisze akapit wyjaśniający relację, której Twoje notatki nie wspierają. Można to zauważyć, czytając ponownie. Przestajesz to łapać, gdy przestaniesz czytać ponownie. Planuj odpowiednio.
+**To halucynacje między nimi.** Zwłaszcza w przypadku mniejszych lokalnych modeli. Knowledge Base pewnie połączy dwie istoty, które nie mają ze sobą nic wspólnego, i napisze akapit wyjaśniający relację, której Twoje notatki nie wspierają. Można to zauważyć, czytając ponownie. Przestajesz to łapać, gdy przestaniesz czytać ponownie. Planuj odpowiednio.
 
 **To pokazuje, jak bardzo jesteś nieuporządkowany.** Pierwszy miesiąc to problem zimnego startu ubrany w cechę: LLM świetnie radzi sobie z organizowaniem uporządkowanych informacji i radzi sobie tylko w niedokończonych bazgrołach, z których składa się większość osobistych skarbców. Jeśli twoje notatki to głównie sieroty myśli i zakładki, przez pierwsze dwa tygodnie będziesz wykonywać prace sprzątające, której model nie może za ciebie wykonać.
 
 **Historia prywatności jest prawdziwa, ale tylko jeśli się na nią zdecydujesz.** Lokalna zasada jest naprawdę prywatna. W momencie, gdy pozwolisz agentowi chmurowemu zaindeksować swój sejf dla "wygody", przekazujesz swoją listę lektur, notatki terapeutyczne, niedokończony list rezygnacyjny i listę zakupów osobie trzeciej z polityką prywatności, której nie przeczytałeś.
 
-**Sprzęt nie jest darmowy.** Dobre lokalne rozwiązanie działa na laptopie za 2500 dolarów, ale model na starym komputerze za 400 dolarów da wpisy w wiki, które są zauważalnie gorsze niż subskrypcja chmurowa za 20 dolarów miesięcznie. Udawanie inaczej to kolejny cmentarz "drugiego mózgu".
+**Sprzęt nie jest darmowy.** Dobre lokalne rozwiązanie działa na laptopie za 2500 dolarów, ale model na starym komputerze za 400 dolarów da wpisy w knowledge, które są zauważalnie gorsze niż subskrypcja chmurowa za 20 dolarów miesięcznie. Udawanie inaczej to kolejny cmentarz "drugiego mózgu".
 
 ## Kto właściwie powinien to robić
 
 - **Tak:** badaczy, pisarze, inżynierowie, założyciele, terapeuci w trakcie szkolenia, każdy, kto w większości opiera się na syntezie długich form, które chcieliby zachować na własnej maszynie.
 - **Może:** osoby z zdyscyplinowanymi nawykami robienia notatek, które ciągle napotykają ścianę "Wiem, że gdzieś to napisałem."
-- **Nie: osoby,** których notatki to głównie listy zadań i przypomnienia. Użyj aplikacji do zadań. Schemat wiki jest przesadzony — odpowiednik instalowania Kubernetesa na osobistego bloga.
+- **Nie: osoby,** których notatki to głównie listy zadań i przypomnienia. Użyj aplikacji do zadań. Schemat knowledge jest przesadzony — odpowiednik instalowania Kubernetesa na osobistego bloga.
 
 ## Rzeczywista nagroda
 
@@ -111,6 +111,6 @@ Szczere wyjaśnienie, dlaczego to się opłaca, nie brzmi: "AI wykonuje pracę."
 
 Ta ostatnia własność jest rzadka i cenna, nie wymaga magii modelu frontier. Wymaga modelu na tyle dobrego, by nie było żenujące, agenta, który potrafi zapisywać na dysk, oraz gotowości do czytania tego, co powstaje, z takim samym krytycznym okiem, jak pierwszy szkic młodszego pisarza.
 
-Wzór wiki to pierwszy raz w tym cyklu AI, kiedy narzędzie naprawdę działa *dla ciebie* między sesjami, zamiast czekać na kolejne pytanie. To właśnie część Karpathy'ego dobrze oddał, a większość relacji pominęła.
+Wzór knowledge to pierwszy raz w tym cyklu AI, kiedy narzędzie naprawdę działa *dla ciebie* między sesjami, zamiast czekać na kolejne pytanie. To właśnie część Karpathy'ego dobrze oddał, a większość relacji pominęła.
 
 To też ta część, którą trzeba poczuć przez miesiąc — dlatego prawie nikt, kto spróbuje tego przez weekend, nie powie ci, że działa.

brain/raw/inbox/Karpathy LLM knowledge to supermoc dla badaczy. Oto jak go używam..md

@@ -1,6 +1,6 @@
 ---
-title: "Karpathy LLM Wiki to supermoc dla badaczy. Oto jak go używam."
-source: "https://medium.com/below-the-abstract/karpathy-llm-wiki-is-a-superpower-for-researchers-heres-how-i-use-it-cf3db8d24ce1"
+title: "Karpathy LLM Knowledge Base to supermoc dla badaczy. Oto jak go używam."
+source: "https://medium.com/below-the-abstract/karpathy-llm-knowledge-is-a-superpower-for-researchers-heres-how-i-use-it-cf3db8d24ce1"
 author:
   - "[[R.F. Bryan]]"
 published: 2026-05-11
@@ -19,7 +19,7 @@ Ponieważ naukowcy od dziesięcioleci szukają idealnego systemu wiedzy. Zettelk
 
 Ale to, co opisał Karpathy, jest inne. To, co buduje, to nie tylko system notatek, ale kompilator.
 
-## Różnica między notatką a wiki, którą utrzymuje twój LLM
+## Różnica między notatką a knowledge, którą utrzymuje twój LLM
 
 Większość badaczy współpracuje ze AI w ten sam sposób: wrzucają pracę do okna czatu, zadają pytania, uzyskują odpowiedzi, zamykają zakładkę.
 
@@ -27,9 +27,9 @@ To podejście ma swój sufit. Nie pamięta jutrzejszego artykułu ani tego, jak
 
 Podejście Karpathy'ego jest strukturalnie inne. Zamiast rozmawiać z dokumentami, buduje rosnącą bazę wiedzy, którą LLM utrzymuje z czasem.
 
-Oto podstawowa pętla: surowe materiały źródłowe trafiają do katalogu. Artykuły, artykuły, repozytoria, zbiory danych, obrazy. Następnie LLM stopniowo kompiluje te źródła do wiki — zbioru plików markdown zorganizowanych według koncepcji, z podsumowaniami, linkami zwrotnymi i odniesieniami. Obsidian to frontend, gdzie czytasz wszystko. Rzadko sięgasz bezpośrednio do wiki. LLM zapisuje go i utrzymuje.`raw/`
+Oto podstawowa pętla: surowe materiały źródłowe trafiają do katalogu. Artykuły, artykuły, repozytoria, zbiory danych, obrazy. Następnie LLM stopniowo kompiluje te źródła do knowledge — zbioru plików markdown zorganizowanych według koncepcji, z podsumowaniami, linkami zwrotnymi i odniesieniami. Obsidian to frontend, gdzie czytasz wszystko. Rzadko sięgasz bezpośrednio do knowledge. LLM zapisuje go i utrzymuje.`raw/`
 
-Gdy wiki będzie wystarczająco duża — jego przykład to około 100 artykułów i 400 000 słów — możesz zadawać złożone pytania i uzyskać odpowiedzi, które faktycznie łączą się z całym twoim korpusem.
+Gdy knowledge będzie wystarczająco duża — jego przykład to około 100 artykułów i 400 000 słów — możesz zadawać złożone pytania i uzyskać odpowiedzi, które faktycznie łączą się z całym twoim korpusem.
 
 To nie jest chatbot. To asystent badawczy, który przeczytał wszystko, co ty przeczytałeś, pamięta wszystko i potrafi połączyć rzeczy, które pominąłeś.
 
@@ -39,7 +39,7 @@ Problemem większości badaczy jest nieznajdowanie informacji. To łączy.
 
 Przeczytałeś 200 artykułów z danej dziedziny. Znasz główne wątki. Ale gdy siadasz do przeglądu literatury lub wskazujesz lukę badawczą, praca jest brutalna. Mentalnie triangulujesz dziesiątki źródeł, próbując jednocześnie utrzymać w głowie konkurencyjne ramy, mając nadzieję, że nie przeoczysz kluczowej sprzeczności ukrytej w sekcji metod, którą przejrzałeś sześć miesięcy temu.
 
-Wiki Karpathy nie tylko przechowuje twoje źródła. Łączy ich. LLM pisze artykuły o koncepcjach, a nie tylko streszczenia poszczególnych artykułów. Buduje powiązania między powiązanymi ideami. Sprawdza, gdzie badania są spójne, a gdzie się rozbiegają.
+Knowledge Base Karpathy nie tylko przechowuje twoje źródła. Łączy ich. LLM pisze artykuły o koncepcjach, a nie tylko streszczenia poszczególnych artykułów. Buduje powiązania między powiązanymi ideami. Sprawdza, gdzie badania są spójne, a gdzie się rozbiegają.
 
 W przypadku syntezy literatury jest to jakościowo inny rodzaj pomocy niż cokolwiek, co oferuje standardowy pipeline RAG czy interfejs czatu.
 
@@ -53,7 +53,7 @@ Wszystko, z czym pracuję, wrzucam do surowego katalogu. W przypadku trwającego
 
 Kluczowe jest nie być zbyt cennym w kwestii tego, co jest włożone. Pierwsze szkice własnych notatek analiz też tam pasują. LLM będzie działał ze wszystkim.
 
-**Krok 2: Pozwól LLM skompilować wiki**
+**Krok 2: Pozwól LLM skompilować knowledge**
 
 Używam Claude'a ze strukturalnym promptem do przejścia kompilacji. Prompt nakazuje mu:
 
@@ -63,29 +63,29 @@ Używam Claude'a ze strukturalnym promptem do przejścia kompilacji. Prompt naka
 - Dołącz cytowania do dokumentów źródłowych
 - Oznacz tam, gdzie źródła się zgadzają, gdzie się spierają i jakie pytania pozostają otwarte
 
-To nie jest jednorazowa sprawa. Uruchamiasz ją ponownie, gdy dodajesz znaczący nowy materiał. Wiki rozwija się stopniowo.
+To nie jest jednorazowa sprawa. Uruchamiasz ją ponownie, gdy dodajesz znaczący nowy materiał. Knowledge Base rozwija się stopniowo.
 
 **Krok 3: Użyj Obsidian jako interfejsu do czytania**
 
-Karpathy nazywa Obsidian "frontendem IDE" i to ramowanie jest trafne. Widok wykresu pokazuje, jak pojęcia się ze sobą łączą. Panel linków zwrotnych w każdym artykule koncepcyjnym pokazuje wszystkie źródła, które poruszały ten pomysł. Możesz nawigować po wiki tak, jak radzisz sobie z dobrze zorganizowaną monografią badawczą, a nie stertą PDF-ów.
+Karpathy nazywa Obsidian "frontendem IDE" i to ramowanie jest trafne. Widok wykresu pokazuje, jak pojęcia się ze sobą łączą. Panel linków zwrotnych w każdym artykule koncepcyjnym pokazuje wszystkie źródła, które poruszały ten pomysł. Możesz nawigować po knowledge tak, jak radzisz sobie z dobrze zorganizowaną monografią badawczą, a nie stertą PDF-ów.
 
-**Krok 4: Zadawaj pytania na wiki**
+**Krok 4: Zadawaj pytania na knowledge**
 
-Właśnie tutaj zaczyna się efekt. Gdy wiki będzie miała wystarczająco dużo materiału, możesz zadawać pytania wymagające syntezy w wielu źródłach. "Jakie są główne metodologiczne różnice w badaniach mierzących X?" "Które gazety analizowały Y w kontekście Z i co odkryły?" "Gdzie są luki, które nie zostały rozwiązane?"
+Właśnie tutaj zaczyna się efekt. Gdy knowledge będzie miała wystarczająco dużo materiału, możesz zadawać pytania wymagające syntezy w wielu źródłach. "Jakie są główne metodologiczne różnice w badaniach mierzących X?" "Które gazety analizowały Y w kontekście Z i co odkryły?" "Gdzie są luki, które nie zostały rozwiązane?"
 
-Odpowiedzi są lepsze niż te, które uzyskujesz na rozmowach z pojedynczymi artykułami, ponieważ LLM działa przeciwko uporządkowanym, kuratorowanym, powiązanym korpusom — a nie surowemu zrzutowi dokumentów. Omówiłem, jak używać tego konkretnie do znajdowania luk naukowych [tutaj](https://medium.com/below-the-abstract/how-to-use-karpathys-llm-wiki-to-find-research-gaps-0d5b67b0c07d).
+Odpowiedzi są lepsze niż te, które uzyskujesz na rozmowach z pojedynczymi artykułami, ponieważ LLM działa przeciwko uporządkowanym, kuratorowanym, powiązanym korpusom — a nie surowemu zrzutowi dokumentów. Omówiłem, jak używać tego konkretnie do znajdowania luk naukowych [tutaj](https://medium.com/below-the-abstract/how-to-use-karpathys-llm-knowledge-to-find-research-gaps-0d5b67b0c07d).
 
 **Krok 5: Złóż wyjścia z powrotem**
 
-Argument Karpathy'ego o tym, że wyniki "sumują się" w bazie wiedzy, okazał się naprawdę prawdziwy. Gdy uruchamiam zapytanie syntezy i dostaję użyteczną odpowiedź, zapisuję ten wynik jako plik markdown z powrotem do wiki. Moja własna analiza staje się częścią korpusu. Przyszłe zapytania mogą na tym budować.
+Argument Karpathy'ego o tym, że wyniki "sumują się" w bazie wiedzy, okazał się naprawdę prawdziwy. Gdy uruchamiam zapytanie syntezy i dostaję użyteczną odpowiedź, zapisuję ten wynik jako plik markdown z powrotem do knowledge. Moja własna analiza staje się częścią korpusu. Przyszłe zapytania mogą na tym budować.
 
-Z czasem wiki zaczyna przypominać żywy dokument twojego własnego myślenia, a nie tylko bibliotekę cudzych prac.
+Z czasem knowledge zaczyna przypominać żywy dokument twojego własnego myślenia, a nie tylko bibliotekę cudzych prac.
 
 ## Krok z lintingiem jest niedoceniany
 
-Karpathy wspomina o przeprowadzaniu "kontroli zdrowia" wiki — prosząc LLM o znalezienie niespójnych danych, identyfikację powiązań między artykułami, które jeszcze nie zostały powiązane, oraz oznaczanie pytań wartych dalszego zbadania.
+Karpathy wspomina o przeprowadzaniu "kontroli zdrowia" knowledge — prosząc LLM o znalezienie niespójnych danych, identyfikację powiązań między artykułami, które jeszcze nie zostały powiązane, oraz oznaczanie pytań wartych dalszego zbadania.
 
-Robię wersję tego co miesiąc. LLM wyświetla rzeczy, których sam bym nie zauważył. Prace, które oceniłem jako istotne dla różnych podpytań, które faktycznie dzielą podstawowe założenie, którego wcześniej nie wyraziłem. Luki w moim omówieniu konkretnej metodologii. Miejsca, gdzie moja wiki przedstawia twierdzenie niepoparte żadnym źródłem w.`raw/`
+Robię wersję tego co miesiąc. LLM wyświetla rzeczy, których sam bym nie zauważył. Prace, które oceniłem jako istotne dla różnych podpytań, które faktycznie dzielą podstawowe założenie, którego wcześniej nie wyraziłem. Luki w moim omówieniu konkretnej metodologii. Miejsca, gdzie moja knowledge przedstawia twierdzenie niepoparte żadnym źródłem w.`raw/`
 
 Dla badań jest to nieocenione. To nie tylko sprawdzanie błędów. To funkcja wymuszająca, by struktura wiedzy była na tyle jawna, by LLM mógł ją przeanalizować.
 
@@ -95,11 +95,11 @@ Chcę być szczery w kwestii ograniczeń, bo większość tekstów na ten temat
 
 Tarcie w konfiguracji jest realne. Jeśli nie czujesz się komfortowo w pracy w markdown, uruchamianiu LLM przez API lub wiersz poleceń oraz utrzymaniu struktury katalogów, ten workflow nie jest plug-and-play. To bliższe budowaniu własnej infrastruktury badawczej niż korzystaniu z produktu.
 
-Jakość wiki w dużej mierze zależy od jakości surowca. Jeśli twój katalog to mieszanka niedoczytanych artykułów i zakładek w przeglądarce, które zapisałeś z niejasnymi zamiarami, skompilowana wiki to odzwierciedla. Śmieci wchodzą, zorganizowane śmieci na zewnątrz.`raw/`
+Jakość knowledge w dużej mierze zależy od jakości surowca. Jeśli twój katalog to mieszanka niedoczytanych artykułów i zakładek w przeglądarce, które zapisałeś z niejasnymi zamiarami, skompilowana knowledge to odzwierciedla. Śmieci wchodzą, zorganizowane śmieci na zewnątrz.`raw/`
 
 Etap kompilacji staje się kosztowny na dużą skalę. Przeprowadzenie dokładnego przejścia kompilacyjnego przez duży korpus nie jest tanie w tokenach. Nauczyłem się robić ukierunkowane aktualizacje zamiast pełnych rekompilacji, gdy dodaję nowy materiał.
 
-A wiki jest przydatna tylko tak dobrze, jak twoja chęć utrzymania workflow. Badacze, z którymi rozmawiałem, którzy próbowali tego i zrezygnowali, w większości porzucili to po kilku tygodniach, bo nie wypracowali nawyku regularnego podawania nowego materiału. Pisałem o [tym, co najczęściej się myli w tym systemie](https://medium.com/ai-ai-oh/karpathys-system-is-brilliant-but-here-s-what-people-get-wrong-about-it-d2000b4d8202) oraz o [sześciu błędach, które badacze popełniają, korzystając z AI do badań](https://medium.com/below-the-abstract/6-mistakes-people-make-when-researching-with-ai-d41583fc23c6), jeśli chcesz uniknąć najczęstszych trybów awarii przed rozpoczęciem.`raw/`
+A knowledge jest przydatna tylko tak dobrze, jak twoja chęć utrzymania workflow. Badacze, z którymi rozmawiałem, którzy próbowali tego i zrezygnowali, w większości porzucili to po kilku tygodniach, bo nie wypracowali nawyku regularnego podawania nowego materiału. Pisałem o [tym, co najczęściej się myli w tym systemie](https://medium.com/ai-ai-oh/karpathys-system-is-brilliant-but-here-s-what-people-get-wrong-about-it-d2000b4d8202) oraz o [sześciu błędach, które badacze popełniają, korzystając z AI do badań](https://medium.com/below-the-abstract/6-mistakes-people-make-when-researching-with-ai-d41583fc23c6), jeśli chcesz uniknąć najczęstszych trybów awarii przed rozpoczęciem.`raw/`
 
 ## Dokąd to zmierza
 
@@ -111,8 +111,8 @@ Podstawowa idea jest większa niż jakakolwiek konkretna implementacja. Chodzi o
 
 Większość badaczy wciąż traktuje LLM jak szybsze wyszukiwarki. Ci, którzy omyślą się, jak uruchomić je jako kompilatory wiedzy, będą mieli poważną przewagę strukturalną w tym, jak szybko mogą zbudować prawdziwe zrozumienie danej dziedziny.
 
-Streszczenie mówi, co ktoś wyciągnął. Wiki pokazuje, jak wiedza jest faktycznie zorganizowana, gdzie jest solidna i gdzie są luki.
+Streszczenie mówi, co ktoś wyciągnął. Knowledge Base pokazuje, jak wiedza jest faktycznie zorganizowana, gdzie jest solidna i gdzie są luki.
 
 To jest praca, którą warto wykonać.
 
-A jeśli chcesz tego bez budowania od podstaw, to właśnie nad tym pracujemy w [Constella](https://www.constella.app/?utm_source=medium&utm_medium=referral&utm_campaign=rangga&utm_content=karpathy-llm-wiki-is-a-superpower).
+A jeśli chcesz tego bez budowania od podstaw, to właśnie nad tym pracujemy w [Constella](https://www.constella.app/?utm_source=medium&utm_medium=referral&utm_campaign=rangga&utm_content=karpathy-llm-knowledge-is-a-superpower).

brain/raw/inbox/The 5 Core Mental Models for AI Agents_ Harness & Memory (Deep Dive + Action Plan) - BPMS Team.md

@@ -1,6 +1,6 @@
 ---
 title: "The 5 Core Mental Models for AI Agents: Harness & Memory (Deep Dive + Action Plan) - BPMS Team"
-source: "https://dnbenterprise.atlassian.net/wiki/spaces/BT/pages/2685927542/The+5+Core+Mental+Models+for+AI+Agents+Harness+Memory+Deep+Dive+Action+Plan"
+source: "https://dnbenterprise.atlassian.net/knowledge/spaces/BT/pages/2685927542/The+5+Core+Mental+Models+for+AI+Agents+Harness+Memory+Deep+Dive+Action+Plan"
 author:
 published:
 created: 2026-05-14

brain/raw/inbox/Your Obsidian Vault Is a Knowledge Graph. Here’s How to Make It Think (quickly)..md

@@ -11,7 +11,7 @@ tags:
 ---
 ![](https://miro.medium.com/v2/resize:fit:1400/format:webp/1*AVgvTJTFCdvywVkChliZrA.png)
 
-*Po debacie na Wiki / nie LLM Wiki na LLM, chcę podzielić się moim doświadczeniem z ostatnich pięciu lat budowania drugiego mózgu w Obsidian. Podłączenie go do kodu Claude'a pokazało mi, co zostawiałem na stole.*
+*Po debacie na Knowledge Base / nie LLM Knowledge Base na LLM, chcę podzielić się moim doświadczeniem z ostatnich pięciu lat budowania drugiego mózgu w Obsidian. Podłączenie go do kodu Claude'a pokazało mi, co zostawiałem na stole.*
 
 Otworzyłem swój pierwszy skarbiec Obsidian w 2021 roku. To był bałagan — zrzut migracji z Evernote, Notion i dekady plików tekstowych rozrzuconych na trzech komputerach. Pięć lat później ten skarbiec zawiera ponad 5 000 notatek obejmujących moją pracę konsultingową, badania osobiste, prace inwestycyjne oraz codzienną fakturę życia — notatki ze spotkań, najważniejsze momenty książek, niedokończone pomysły i rodzaj myślenia, które robisz tylko wtedy, gdy wiesz, że nikt cię nie ogląda.
 
@@ -27,7 +27,7 @@ To się zmieniło, gdy podłączyłem kod Claude'a do mojego sejfu. I zmieniło
 
 Większość poradników integracyjnych zaczyna się od tego narzędzia. Zainstaluj tę wtyczkę. Skonfiguruj ten serwer. Oto blob JSON. Brakuje im fundamentalnego wglądu, który sprawia, że wszystko działa.
 
-Kod Claude'a nie został stworzony do robienia notatek. Został stworzony, aby poruszać się po bazach kodu — czytać pliki, rozumieć strukturę, podążać za odniesieniami, dokonywać ukierunkowanych edycji i realizować wieloetapowe plany. Obsydianowy skarbiec niemal idealnie się na to odwzorowuje. Kod zawiera pliki źródłowe, instrukcje importu, strukturę katalogów i konfigurację. Twój skarbiec zawiera notatki Markdown, wikilinki, hierarchie folderów i materiały YAML. Claude Code porusza się po nich z podobną bieglością.
+Kod Claude'a nie został stworzony do robienia notatek. Został stworzony, aby poruszać się po bazach kodu — czytać pliki, rozumieć strukturę, podążać za odniesieniami, dokonywać ukierunkowanych edycji i realizować wieloetapowe plany. Obsydianowy skarbiec niemal idealnie się na to odwzorowuje. Kod zawiera pliki źródłowe, instrukcje importu, strukturę katalogów i konfigurację. Twój skarbiec zawiera notatki Markdown, knowledgelinki, hierarchie folderów i materiały YAML. Claude Code porusza się po nich z podobną bieglością.
 
 Najprostsza integracja jest najbardziej niedoceniana:
 
@@ -53,7 +53,7 @@ Oto, czego nauczyło mnie pięć lat dyscypliny na skoku, jak włożyć CLAUDE.m
 This is my personal + professional knowledge vault. Five years 
 of notes across consulting, investing, and distributed systems 
 research, and personal development. Notes use Obsidian-flavored 
-Markdown with [[wikilinks]], callouts, and YAML frontmatter.
+Markdown with [[knowledgelinks]], callouts, and YAML frontmatter.
 ## Structure
 - Projects/ - active client and personal work
 - Areas/ - ongoing domains (health, finance, ML research)
@@ -63,7 +63,7 @@ Markdown with [[wikilinks]], callouts, and YAML frontmatter.
 - _templates/ - Obsidian templates (NEVER modify)
 - _ai-drafts/ - staging area for AI-generated content
 ## Conventions
-- Internal links: always [[wikilinks]], never bare URLs
+- Internal links: always [[knowledgelinks]], never bare URLs
 - Tags: hierarchical #domain/topic format
 - MOCs: prefixed "MOC - " (Maps of Content)
 - Daily notes: Journal/YYYY/YYYY-MM/YYYY-MM-DD.md
@@ -94,7 +94,7 @@ Trzy nieoczywiste praktyki, których się nauczyłem, są ważniejsze niż sam s
 
 Oto, co zaskoczyło mnie po latach łączenia notatek: mój skarbiec to nie tylko folder plików Markdown. To baza danych grafów.
 
-Każdy skarbiec Obsydian zawiera graf niejawny. Notatki to węzły. Wikilinki tworzą krawędzie — gdy piszesz w notatkach Raft, tworzysz przejście między pojęciami i pojęciami. Poszczególne wikilinki są kierowane (uwaga A linkuje do notatki B), ale funkcja backlinków Obsidian tworzy dwukierunkową warstwę nawigacyjną, dzięki czemu można przechodzić przez połączenia w dowolnym kierunku. Tagi działają jak etykiety, grupując węzły w podgrafy. Właściwości frontmatter stają się atrybutami węzłów, które narzędzia śledzące grafy mogą zapytywać i filtrować.`[[Distributed Consensus]]`
+Każdy skarbiec Obsydian zawiera graf niejawny. Notatki to węzły. Knowledge Baselinki tworzą krawędzie — gdy piszesz w notatkach Raft, tworzysz przejście między pojęciami i pojęciami. Poszczególne knowledgelinki są kierowane (uwaga A linkuje do notatki B), ale funkcja backlinków Obsidian tworzy dwukierunkową warstwę nawigacyjną, dzięki czemu można przechodzić przez połączenia w dowolnym kierunku. Tagi działają jak etykiety, grupując węzły w podgrafy. Właściwości frontmatter stają się atrybutami węzłów, które narzędzia śledzące grafy mogą zapytywać i filtrować.`[[Distributed Consensus]]`
 
 Widok grafu Obsidian pokazuje tę strukturę. Jest piękny. Ale jest bierny — nie potrafi rozumować nad wykresem, nie potrafi powiedzieć, które notatki są hubami, nie potrafi zidentyfikować klastrów, które powinny być połączone, a nie są.
 
@@ -132,7 +132,7 @@ Przetestowałem każdą główną ścieżkę integracji. Oto co bym polecił, up
 
 ## Poziom 1: Bezpośredni system plików (Zacznij tutaj)
 
-Po prostu uciekaj z rootu vaultu. Dodaj CLAUDE.md. Zainstaluj oficjalne [kepano/obsidian-skills](https://github.com/kepano/obsidian-skills) — pięć plików umiejętności od CEO Obsidian, Steph Ango, które uczą Claude Code pełnego formatu Obsidian: wikilinki, callouty, Bases, Canvas i CLI. Bez nich Claude traktuje go jak zepsuty Markdown i jak cytat.`claude` `[[wikilinks]]` `> [!warning]`
+Po prostu uciekaj z rootu vaultu. Dodaj CLAUDE.md. Zainstaluj oficjalne [kepano/obsidian-skills](https://github.com/kepano/obsidian-skills) — pięć plików umiejętności od CEO Obsidian, Steph Ango, które uczą Claude Code pełnego formatu Obsidian: knowledgelinki, callouty, Bases, Canvas i CLI. Bez nich Claude traktuje go jak zepsuty Markdown i jak cytat.`claude` `[[knowledgelinks]]` `> [!warning]`
 
 ```hs
 npx skills add git@github.com:kepano/obsidian-skills.git
@@ -178,7 +178,7 @@ Nie każdy workflow AI się utrzymuje. To właśnie te używam nadal co tydzień
 ## Automatyczne backlinkowanie (Lek Gateway)
 
 ```hs
-Read my journal entry for today and add [[wikilinks]] to all 
+Read my journal entry for today and add [[knowledgelinks]] to all 
 people, places, and books mentioned. Search the vault for 
 existing notes on each entity. If no note exists, create a 
 stub in Resources/People/ or Resources/Places/ with basic 
@@ -197,7 +197,7 @@ Areas/organizational-design/. Identify concepts that appear
 in both domains or that share structural similarities. 
 Write a synthesis note at _ai-drafts/cross-domain-synthesis.md 
 mapping the parallels. Use ONLY content from my notes — 
-do not add external claims. Include [[wikilinks]] to all 
+do not add external claims. Include [[knowledgelinks]] to all 
 source notes.
 ```
 
@@ -207,7 +207,7 @@ Claude dostrzegł powiązania, których wcześniej nie poruszyłem: moje notatki
 
 ```hs
 Find all orphan notes (no incoming or outgoing links), 
-notes missing YAML frontmatter, and broken wikilinks. 
+notes missing YAML frontmatter, and broken knowledgelinks. 
 Output a report at _ai-drafts/vault-health-report.md.
 ```
 
@@ -238,7 +238,7 @@ Próbowałem alternatyw. Oto dlaczego ciągle wracam:
 
 **Pliki lokalne, nie lock-in w chmurze.** Mój sejf to folder plików Markdown w moim systemie plików. Jestem ich właścicielem. Jutro mogę je zrobić kopię zapasową albo zmienić narzędzie. Notion AI jest potężne, ale Twoje dane znajdują się na serwerach Notion w zastrzeżonym formacie. Kiedy daję Claude Code dostęp do mojego sejfu, odczytuje on te same pliki, które edytuję w Obsidian — bez warstwy synchronizacji, bez tłumaczenia API, bez danych opuszczających mój komputer.`grep` `git`
 
-**Agentic, nie autocomplete.** Większość integracji AI w narzędziach PKM to automatyczne uzupełnianie na sterydach — sugerują to, że piszesz na klawiaturze. Claude Code jest agentem. Może przeczytać 40 notatek, określić, które są istotne, tworzyć nowe pliki, dodawać wikilinki i raportować o swoich działaniach. Różnica między "pisaniem wspomaganym AI" a "zarządzaniem wiedzą wspomaganym przez AI" jest różnicą między lepszą klawiaturą a asystentem badawczym.
+**Agentic, nie autocomplete.** Większość integracji AI w narzędziach PKM to automatyczne uzupełnianie na sterydach — sugerują to, że piszesz na klawiaturze. Claude Code jest agentem. Może przeczytać 40 notatek, określić, które są istotne, tworzyć nowe pliki, dodawać knowledgelinki i raportować o swoich działaniach. Różnica między "pisaniem wspomaganym AI" a "zarządzaniem wiedzą wspomaganym przez AI" jest różnicą między lepszą klawiaturą a asystentem badawczym.
 
 **Kompozycyjne, nie monolityczne.** Mogę zmienić serwery MCP i zmienić CLAUDE.md, dodać umiejętności, przesyłać sygnały przez skrypty shell lub użyć zupełnie innego modelu AI jutro. Architektura składa się z warstw tekstu zwykłego i otwartych protokołów. Nic nie jest zablokowane.
 

brain/raw/inbox/Zbudowałem najbardziej inteligentnego agenta badawczego.md

@@ -45,7 +45,7 @@ HR może przeczytać setki źródeł na sesję, szukając najlepszych źródeł
 
 W przeciwieństwie do niektórych innych agentów głębokich badań, HyperResearch potrafi faktycznie tworzyć plany ataku celujące w królicze nory łączące. Może faktycznie odwiedzać strony kolejno, znajdując osadzone linki prowadzące do cenniejszych informacji.
 
-Przykładem jest wykorzystanie Wikipedii jako narzędzia agregacji źródeł do wyszukiwania wysokiej jakości źródeł pierwotnych.
+Przykładem jest wykorzystanie Knowledge Basepedii jako narzędzia agregacji źródeł do wyszukiwania wysokiej jakości źródeł pierwotnych.
 
 ### Lepsze dane
 

brain/raw/transcripts/Build An AI Second Brain Knowledge Base (Step-By-Step).md

@@ -15,17 +15,17 @@ tags:
 
 ### Wprowadzenie
 
-**0:00** · So, I just built a second brain knowledge management system that has an entire wiki built in that I can chat with. It will pull any information from that second brain when I chat. It's got a built-in CRM. I can journal, and it will actually look at my wiki knowledge base and try to help me with whatever issues I'm going through from my journal by looking inside of the wiki.
+**0:00** · So, I just built a second brain knowledge management system that has an entire knowledge built in that I can chat with. It will pull any information from that second brain when I chat. It's got a built-in CRM. I can journal, and it will actually look at my knowledge knowledge base and try to help me with whatever issues I'm going through from my journal by looking inside of the knowledge.
 
 **0:18** · And of course, it's got all of the content that I've saved from around the web, including YouTube videos and articles and tweets and podcasts and just tons of stuff that I've injected into this that is all accessible directly from a chat or from journaling. It is really, really sweet, and I'm going to break down how the whole thing works and how you can build one for yourself right now. Most second brain systems are just like storage, right?
 
 **0:42** · You dump your YouTube transcripts and your articles and your blog posts and your podcasts and just everything that you're interested in, you just dump it all into one place.
 
-**0:53** · Problem is, that's kind of where the information just goes to die. Unless you're like actively going back through and reviewing the notes all the time and searching through your second brain, it's just a dumping ground for information that I never go back and look at later. So, for the knowledge management system that I'm going to build, there's three core pillars that I want to build for mine. Number one is the wiki/knowledge base. This is where I'm going to store like everything from around the web that I find.
+**0:53** · Problem is, that's kind of where the information just goes to die. Unless you're like actively going back through and reviewing the notes all the time and searching through your second brain, it's just a dumping ground for information that I never go back and look at later. So, for the knowledge management system that I'm going to build, there's three core pillars that I want to build for mine. Number one is the knowledge/knowledge base. This is where I'm going to store like everything from around the web that I find.
 
 ### Przegląd systemu
 
-**1:17** · YouTube transcripts, articles, podcast transcripts, tweets, you name it, it all goes into this wiki knowledge base section. Number two is my CRM. So, whenever I go to a events and I meet people or I jump on Zoom calls with people, I want to remember those conversations and I want to be able to recall them in the future. I also want to store details about those people, how I met them, where I met them, some of the discussions we had, any sort of contact details I got from them, email, phone number, address, whatever.
+**1:17** · YouTube transcripts, articles, podcast transcripts, tweets, you name it, it all goes into this knowledge knowledge base section. Number two is my CRM. So, whenever I go to a events and I meet people or I jump on Zoom calls with people, I want to remember those conversations and I want to be able to recall them in the future. I also want to store details about those people, how I met them, where I met them, some of the discussions we had, any sort of contact details I got from them, email, phone number, address, whatever.
 
 **1:46** · They can all live in this sort of CRM element of this bigger second brain that I'm building. And the third element is where this all gets pulled together, and And the journal. Now, I'm a big journaler. I journal pretty much every single day.
 
@@ -33,13 +33,13 @@ tags:
 
 **2:04** · When I have rough days, I journal about the things that are bothering me. My videos not performing as well as I want them to, having a creative block and not knowing what to make videos about. I do a lot of travel and I debate a lot about whether the travel's going to be worth it or not. I journal about pretty much everything in my business. So, these are my three ideal inputs. For you, it might be clients or workouts, research papers, recipes, sales calls, classroom notes.
 
-**2:30** · The point is, the knowledge base sits at the center and then everything else sort of connects to it. The two elements that I think are probably the most useful to the most amount of people are going to be the wiki and the journal. Maybe the CRM isn't what you need. Again, maybe it's your classroom notes, your workouts, your recipes, et cetera. So, here's a rough drawing of what I have in mind. So, you've got your knowledge base that lives at the center of all of this.
+**2:30** · The point is, the knowledge base sits at the center and then everything else sort of connects to it. The two elements that I think are probably the most useful to the most amount of people are going to be the knowledge and the journal. Maybe the CRM isn't what you need. Again, maybe it's your classroom notes, your workouts, your recipes, et cetera. So, here's a rough drawing of what I have in mind. So, you've got your knowledge base that lives at the center of all of this.
 
 **2:53** · All of this knowledge is going to live in Obsidian. I'll get into the whole building process in a second. You're going to save articles from around the web, YouTube videos, you know, podcast notes, whatever you find around the web that's relevant to you, you're going to save it with a simple Chrome web clipper and it's going to save into your knowledge base. The CRM that I just mentioned, notes about people you met and where you met them and all that kind of stuff gets saved to the knowledge base. Meeting notes, I personally use Granola to record my meetings and take notes for me. Those meeting notes can automatically be injected into the knowledge base.
 
 **3:24** · And then you have journal entries. This is the layer where you actually interact with your knowledge base. You journal on what you're dealing with right now and ideally it's going to pull from the knowledge base that has all of this other information in it to ground the responses to your journal entries. This will make more sense as I go. Please excuse the PowerPoint style slide here, but I really want to explain what I'm trying to build. So, here's the system I imagine. You save your articles, your transcripts, et cetera, into this system. We'll do that using a web clipper.
 
-**3:53** · The AI layer in the background that we're going to build then summarizes this stuff for us. So, it's not just a giant transcript, it's actually sort of the bullets and just the information we need to know. The AI is also going to extract people, companies, tools, ideas, and themes, and sort of break those off. That's where it becomes kind of like a wiki. You could click into the tools page and it will list off all the tools that have been mentioned across everything that we've saved. You can click into one of the tools and it will mention where and what video that came from. And that goes for all of these little categories here. I also wanted to auto-link related notes.
+**3:53** · The AI layer in the background that we're going to build then summarizes this stuff for us. So, it's not just a giant transcript, it's actually sort of the bullets and just the information we need to know. The AI is also going to extract people, companies, tools, ideas, and themes, and sort of break those off. That's where it becomes kind of like a knowledge. You could click into the tools page and it will list off all the tools that have been mentioned across everything that we've saved. You can click into one of the tools and it will mention where and what video that came from. And that goes for all of these little categories here. I also wanted to auto-link related notes.
 
 **4:27** · So, if I have multiple videos about how to build something with OpenClaw, they all get cross-referenced to each other and I can click around and sort of jump into others. If you're familiar with other second brain systems or like the Zettelkasten system, it's essentially that same concept of interlinking. I'm then going to let the journal directly into the system. So, when I do write journals, it responds like ChatGPT, but it's actually grounded in my own saved knowledge. So, it's not going to just respond with what ChatGPT would have responded with.
 
@@ -63,9 +63,9 @@ tags:
 
 **7:34** · Like, only the really technical people or big enterprises were able to use them, but now it's pretty cool how easy it's become to set it up and use it for yourself at home. So, if you've wanted your own AI assistant without the headache of managing servers manually, this is probably the easiest way I've seen to do it. Check it out at the link in the description box, and to save even more money, use my code Matt Wolfe for an additional 10% off. And thank you so much to Hostinger for supporting my channel and sponsoring this portion of today's video. Now, before I go any further on this, I do want to give credit where credit is due.
 
-### Koncepcja Wiki Karpathy LLM
+### Koncepcja Knowledge Base Karpathy LLM
 
-**8:06** · This whole LLM knowledge base idea came straight from Andrej Karpathy. I specifically took the idea of using Obsidian as the front end. Obsidian sort of helps organize and easily read markdown files. I'm just sort of extrapolating off of this idea and adding my journaling element and my CRM element to the wiki concept that Andre laid out here. Now, in order to build this, you're going to need a couple tools. I'm going to build this in Codex here. This has been sort of my IDE of choice lately to do coding and projects like this.
+**8:06** · This whole LLM knowledge base idea came straight from Andrej Karpathy. I specifically took the idea of using Obsidian as the front end. Obsidian sort of helps organize and easily read markdown files. I'm just sort of extrapolating off of this idea and adding my journaling element and my CRM element to the knowledge concept that Andre laid out here. Now, in order to build this, you're going to need a couple tools. I'm going to build this in Codex here. This has been sort of my IDE of choice lately to do coding and projects like this.
 
 ### Potrzebne narzędzia
 
@@ -81,29 +81,29 @@ tags:
 
 **9:49** · Now, I'll open that, and we'll create this new vault, and you can see I have a fresh blank vault with nothing in it yet except for a little welcome message. Now, it's important to remember where on your computer you just saved this vault, cuz that's going to be necessary in the next step here. I'm going to delete this welcome message. It's not going to be necessary, and now we have a purely empty clean vault. So, for the next step, I'm going to jump into Codex, and we're going to actually build the dang thing.
 
-**10:16** · So, over on the left here inside of Codex, I'm going to click on add new project, and then I'm going to select use an existing folder. It's going to open up my browser here to pick the folder, and I'm going to go to the exact folder that we just set our Obsidian vault up with. So, for me, it's this second brain folder that I created here, and we'll go ahead and open that, and then you can see I now have a project over here called second brain. So, to start this off, we're going to build the basic bones of our wiki. And luckily, Andre Karpathy generously gave us this GitHub page that explains exactly how the wiki architecture works.
+**10:16** · So, over on the left here inside of Codex, I'm going to click on add new project, and then I'm going to select use an existing folder. It's going to open up my browser here to pick the folder, and I'm going to go to the exact folder that we just set our Obsidian vault up with. So, for me, it's this second brain folder that I created here, and we'll go ahead and open that, and then you can see I now have a project over here called second brain. So, to start this off, we're going to build the basic bones of our knowledge. And luckily, Andre Karpathy generously gave us this GitHub page that explains exactly how the knowledge architecture works.
 
-**10:49** · So, the initial sort of hard part of building the wiki is already figured out for us.
+**10:49** · So, the initial sort of hard part of building the knowledge is already figured out for us.
 
-**10:56** · We can just take this URL to this GitHub post here, open up Codex, make sure we're in our second brain project folder here, and giving it the prompt build out architecture based on Karpathy's LLM wiki here. I'm linking to that page on GitHub that we were just looking at, and then I said the current second brain folder is the folder that Obsidian is connected to. It is currently empty, so we're building from scratch. And let's go ahead and let it build out the sort of architecture bones for us based on what Karpathy's already figured out. All right, so it worked for about 5 minutes.
+**10:56** · We can just take this URL to this GitHub post here, open up Codex, make sure we're in our second brain project folder here, and giving it the prompt build out architecture based on Karpathy's LLM knowledge here. I'm linking to that page on GitHub that we were just looking at, and then I said the current second brain folder is the folder that Obsidian is connected to. It is currently empty, so we're building from scratch. And let's go ahead and let it build out the sort of architecture bones for us based on what Karpathy's already figured out. All right, so it worked for about 5 minutes.
 
 **11:26** · It actually built out a whole bunch of extra files that it didn't need to build. I don't know why it created 51 files. The architecture is actually supposed to be pretty small for this.
 
-**11:37** · So, I literally prompted it, "Please remove all the extra crap and just build what's explicitly called for in Carpathy's game plan." And it says, "Done. I pruned it back to the minimal Carpathy game plan." And now we just have these files built in. If we pop open Obsidian here, you could see we've got just the folders we need. We have the raw folder, we have the wiki folder, we have our agents.md file, our index.md file, and our log.md file. We can see here exactly what each of these is for.
+**11:37** · So, I literally prompted it, "Please remove all the extra crap and just build what's explicitly called for in Carpathy's game plan." And it says, "Done. I pruned it back to the minimal Carpathy game plan." And now we just have these files built in. If we pop open Obsidian here, you could see we've got just the folders we need. We have the raw folder, we have the knowledge folder, we have our agents.md file, our index.md file, and our log.md file. We can see here exactly what each of these is for.
 
 **12:05** · The raw folder is for the immutable source material. This is where the original stuff goes. Raw/assets, this is for optional local Obsidian attachments.
 
-**12:13** · You got the wiki. This is the AI-generated markdown files that it's pulling from the raw content that we're inputting. You have the agents.md file, which basically explains how this whole thing works. So, we can see it's got the operations. When the user adds a source and asks LLM to process it, it does all these things. When the user asks a question, it queries it this way. So, it basically tells it how this agent should operate. You have the index.md file.
+**12:13** · You got the knowledge. This is the AI-generated markdown files that it's pulling from the raw content that we're inputting. You have the agents.md file, which basically explains how this whole thing works. So, we can see it's got the operations. When the user adds a source and asks LLM to process it, it does all these things. When the user asks a question, it queries it this way. So, it basically tells it how this agent should operate. You have the index.md file.
 
-**12:39** · This is basically the catalog of everything that's in the wiki. And then you have the log file, where whenever you make updates or changes or add things, it updates the log file. Super, super simple. We're starting bare-bones here. If I look directly in the folder, we just have what you see inside of Obsidian. So, now I'm going to make sure that my Obsidian web clipper is dialed in. So, I'll go ahead and click on this.
+**12:39** · This is basically the catalog of everything that's in the knowledge. And then you have the log file, where whenever you make updates or changes or add things, it updates the log file. Super, super simple. We're starting bare-bones here. If I look directly in the folder, we just have what you see inside of Obsidian. So, now I'm going to make sure that my Obsidian web clipper is dialed in. So, I'll go ahead and click on this.
 
 **13:00** · We'll click on settings. Make sure you add the name of your vault right here under the vault list. If you're in Obsidian down in the very bottom left corner down here, you can see this is the name of the vault. So, make sure it's the same name exactly. And then over under default, you've got the templates over here. Click on the default template and make sure that you select that Second Brain vault or whatever you titled it. And then I'm having mine pull in these properties.
 
 **13:23** · The source title, the source URL, the date that it was created. That's the date that I'm saving it in the web clipper, not the date that the article was actually written, and it's adding an automatic web clip tag to it. And then for the note content, it's just pulling in the content. A lot of this might actually be set for you by default, but if it's not, this is what it should look like. Under note location, we're going to change this to just say raw, because that is the folder inside of our Obsidian vault that we want it to dump it inside of.
 
-**13:49** · All right, so I can close out of this, and for the very first thing I'm going to ingest, might as well ingest the instructions for how to build one of these wikis. I know it's very meta, but I want it inside of my wiki.
+**13:49** · All right, so I can close out of this, and for the very first thing I'm going to ingest, might as well ingest the instructions for how to build one of these knowledges. I know it's very meta, but I want it inside of my knowledge.
 
-**14:01** · I'll click on my little Obsidian clipper button, and you can see the source title, LLM Wiki, we've got our source URL, the date I'm pulling this in, and the tags for web clip. And then here is all of the content of this page here.
+**14:01** · I'll click on my little Obsidian clipper button, and you can see the source title, LLM Knowledge Base, we've got our source URL, the date I'm pulling this in, and the tags for web clip. And then here is all of the content of this page here.
 
 **14:12** · We'll go ahead and click add to Obsidian, and we can see it added it directly inside of the raw folder here inside of Obsidian. Now, nothing's going to happen automatically. We actually need it to tell it to process the files inside of raw for anything to actually happen. But let's add a few more things.
 
@@ -113,45 +113,45 @@ tags:
 
 **15:04** · When I save a video from YouTube using the Obsidian web clipper, and then you go and process the files, make sure it also pulls the channel name from YouTube and adds it as one of the front matter fields. All right, so let's go ahead and do that. So now let's go ahead and do a quick test. We've got two source files in here. So I'm going to jump into Codex and go ahead and tell it to process the files inside the raw folder. Let's see how well it does right now.
 
-**15:32** · All right, so it took about 3 minutes to process and it created a few new sections. So let's just go ahead and pull open Obsidian here and we can see it left the original source material here, but then it started to build out the wiki of everything else. So we've got our compounding knowledge base which was clearly pulled from the explanation from Andre, discipline without willpower. This was pulled from this channel, Aaron Miller study. Let me just double check that it got the channel name correct. Yep, Aaron Merrill study, environment design.
+**15:32** · All right, so it took about 3 minutes to process and it created a few new sections. So let's just go ahead and pull open Obsidian here and we can see it left the original source material here, but then it started to build out the knowledge of everything else. So we've got our compounding knowledge base which was clearly pulled from the explanation from Andre, discipline without willpower. This was pulled from this channel, Aaron Miller study. Let me just double check that it got the channel name correct. Yep, Aaron Merrill study, environment design.
 
-**16:03** · We can see this was from the source discipline without willpower, which was one of the concepts that it saved, which came from this original video that we saved. Identity led goals, LLM wiki, temporal discounting, and temptation bundling. So we can see our wiki is starting to get built out we have our index here, our various sources, the LLM wiki and the discipline without willpower. It actually renamed it cuz it was originally called how to trick your brain into becoming so disciplined your friends will be shocked by your success, but it decided discipline without willpower was a better name for it.
+**16:03** · We can see this was from the source discipline without willpower, which was one of the concepts that it saved, which came from this original video that we saved. Identity led goals, LLM knowledge, temporal discounting, and temptation bundling. So we can see our knowledge is starting to get built out we have our index here, our various sources, the LLM knowledge and the discipline without willpower. It actually renamed it cuz it was originally called how to trick your brain into becoming so disciplined your friends will be shocked by your success, but it decided discipline without willpower was a better name for it.
 
 **16:33** · We can see the concepts here and it's starting to build out. And if we look in our log, we can see what it registered in our log so far since we started building this. One thing that I actually like to do as this gets bigger and bigger is you've got this graph view here that starts really small when you first build it and over time you'll see this build out and build out and things get more interconnected with each other and it just gets really cool over time.
 
-**16:58** · Now, I'm going to go seed this with some more content. I'm going to go through my watch history and pull in some of the other videos that I watched recently, using your money to be happier, the art of tripod filmmaking, how to become addicted to doing hard things, if you think you're too busy watch this, how to become a lucky person, and then build your own self-improving AI wiki in 11 minutes. I know that's very meta, but let's go ahead and import that. So, I'm just going to go through and inject every single one of these like we just saw.
+**16:58** · Now, I'm going to go seed this with some more content. I'm going to go through my watch history and pull in some of the other videos that I watched recently, using your money to be happier, the art of tripod filmmaking, how to become addicted to doing hard things, if you think you're too busy watch this, how to become a lucky person, and then build your own self-improving AI knowledge in 11 minutes. I know that's very meta, but let's go ahead and import that. So, I'm just going to go through and inject every single one of these like we just saw.
 
-**17:23** · I'm going to let it process them all, and then they'll all be in the Wiki, and then we'll move on to the next steps, which are building out the journal and the CRM elements that I mentioned earlier. Okay, so it's done injecting all of those videos that I just saved. It took about 6 minutes here, and this is what my Obsidian looks like now. You can see all of the assets of stuff that I ingested into it, and the Wiki is getting built out quite a bit more. We've got our index here, and as you can see, the index is also getting built out more as well.
+**17:23** · I'm going to let it process them all, and then they'll all be in the Knowledge Base, and then we'll move on to the next steps, which are building out the journal and the CRM elements that I mentioned earlier. Okay, so it's done injecting all of those videos that I just saved. It took about 6 minutes here, and this is what my Obsidian looks like now. You can see all of the assets of stuff that I ingested into it, and the Knowledge Base is getting built out quite a bit more. We've got our index here, and as you can see, the index is also getting built out more as well.
 
-**17:50** · If I click into like Hermes agent here, we can see we've got key ideas from this original video plus related content inside of our Wiki. So, Codex capabilities, I click on this one, and it jumps to the video from Riley Brown and the details around that one. Again, this is the very, very simple, basic setup of Carpathys' LLM Wiki. Now, if I come into Codex again, we can essentially chat with the Wiki. So, I come to my second brain folder, click on new chat, and I can ask questions.
+**17:50** · If I click into like Hermes agent here, we can see we've got key ideas from this original video plus related content inside of our Knowledge Base. So, Codex capabilities, I click on this one, and it jumps to the video from Riley Brown and the details around that one. Again, this is the very, very simple, basic setup of Carpathys' LLM Knowledge Base. Now, if I come into Codex again, we can essentially chat with the Knowledge Base. So, I come to my second brain folder, click on new chat, and I can ask questions.
 
-### Zapytania do Wiki
+### Zapytania do Knowledge Base
 
-**18:19** · Like, what are some tips for motivation when I don't feel like doing the hard task today? I know I saved a couple videos about this exact topic, and we can see it's already saying, "I'll treat this as a Wiki query. First, I'm checking the vault index, then I'll answer from anything already captured and add the reusable bit back into the Wiki if it isn't there yet." Here's our final response. When you don't feel like doing the hard task, don't wait for motivation to arrive first. Treat it as a task design problem. Make the first few minutes smaller, easier, and more rewarding. Try this.
+**18:19** · Like, what are some tips for motivation when I don't feel like doing the hard task today? I know I saved a couple videos about this exact topic, and we can see it's already saying, "I'll treat this as a Knowledge Base query. First, I'm checking the vault index, then I'll answer from anything already captured and add the reusable bit back into the Knowledge Base if it isn't there yet." Here's our final response. When you don't feel like doing the hard task, don't wait for motivation to arrive first. Treat it as a task design problem. Make the first few minutes smaller, easier, and more rewarding. Try this.
 
-**18:47** · Gives me a handful of tips, and this was all pulled and grounded from the Wiki, but it also updated the Wiki based on the question that I asked. You can see that it changed the index.md file, the log.md file, and the Wiki motivation for hard tasks. So, opening up my Obsidian vault here again, looking in my log, we can see that it actually logged this query, motivation when avoiding a hard task, answer to query about motivation, and it even updated the index with it.
+**18:47** · Gives me a handful of tips, and this was all pulled and grounded from the Knowledge Base, but it also updated the Knowledge Base based on the question that I asked. You can see that it changed the index.md file, the log.md file, and the Knowledge Base motivation for hard tasks. So, opening up my Obsidian vault here again, looking in my log, we can see that it actually logged this query, motivation when avoiding a hard task, answer to query about motivation, and it even updated the index with it.
 
-**19:13** · And it created motivation for hard tasks and linked back to the original sources that it found this information from. So, as you ask questions, the wiki further and further and further builds out based on the questions you were asking. Now, there's a few things that I want to do to clean this up a little bit and make it slightly more useful for me cuz right now, once it processes something, it just leaves it in this raw folder, and this is just going to build up and build up. And so, what I want to do is under this raw folder here, I'm going to go ahead and create a new folder, and I'm going to call it processed.
+**19:13** · And it created motivation for hard tasks and linked back to the original sources that it found this information from. So, as you ask questions, the knowledge further and further and further builds out based on the questions you were asking. Now, there's a few things that I want to do to clean this up a little bit and make it slightly more useful for me cuz right now, once it processes something, it just leaves it in this raw folder, and this is just going to build up and build up. And so, what I want to do is under this raw folder here, I'm going to go ahead and create a new folder, and I'm going to call it processed.
 
 ### Ręczna aktualizacja agenta
 
-**19:44** · Whenever it processes one of these files and adds it to the wiki, I want it to move it to the processed folder, so I know that that has already been ingested. So, now that I've got this processed folder, I can simply come down to my agents file here and then tweak what happens when the file is processed. So, if I come down here, we've got operations ingest when the user adds a source and asks the LLM to process it, read the source from raw, create or update wiki pages, update relevant entity concept topic overview synthesis or comparison pages, update index.md, append an entry to log.md.
+**19:44** · Whenever it processes one of these files and adds it to the knowledge, I want it to move it to the processed folder, so I know that that has already been ingested. So, now that I've got this processed folder, I can simply come down to my agents file here and then tweak what happens when the file is processed. So, if I come down here, we've got operations ingest when the user adds a source and asks the LLM to process it, read the source from raw, create or update knowledge pages, update relevant entity concept topic overview synthesis or comparison pages, update index.md, append an entry to log.md.
 
 **20:18** · Well, now I can just add a number six and say move the source file from the root raw directory to raw/processed.
 
-**20:27** · By adding that extra bit to the little prompt here, now it's going to go through all these steps, but then move it into the processed folder. It also misunderstood me when I said to add the channel name. It thought I wanted it to add the channel name to the actual wiki generated page, but I wanted it to add the channel name to the original source. That's what makes the most sense to me.
+**20:27** · By adding that extra bit to the little prompt here, now it's going to go through all these steps, but then move it into the processed folder. It also misunderstood me when I said to add the channel name. It thought I wanted it to add the channel name to the actual knowledge generated page, but I wanted it to add the channel name to the original source. That's what makes the most sense to me.
 
-**20:46** · So, I'm going to come to my agents section here and just tweak that as well. So, right now it says for YouTube videos clipped with Obsidian Web Clipper, also open or inspect the YouTube source URL and add the channel name to the generated wiki page front matter. But instead of that, I'm going to say add the channel name to the original source page front matter. I I want it to link back to the original source. So, I'm going to add a step right after step three here and say cross-link any wiki pages generated or updated to the original source page.
+**20:46** · So, I'm going to come to my agents section here and just tweak that as well. So, right now it says for YouTube videos clipped with Obsidian Web Clipper, also open or inspect the YouTube source URL and add the channel name to the generated knowledge page front matter. But instead of that, I'm going to say add the channel name to the original source page front matter. I I want it to link back to the original source. So, I'm going to add a step right after step three here and say cross-link any knowledge pages generated or updated to the original source page.
 
-**21:15** · Basically, I don't want these pages orphaned. If there's a new wiki page here, I want it to link to the original page here. So, that's the manual way to update the agents.md file, but you can also do it by prompting it inside of Codex. So, if I come to my second brain project, create a new chat here, I can give it instructions on additional things that I want to happen. So, I mentioned my journal and I mentioned my CRM. So, let me go ahead and build the bones for that here. I will close these folders to clean everything up. I will create a new folder called journal and a new folder called CRM.
+**21:15** · Basically, I don't want these pages orphaned. If there's a new knowledge page here, I want it to link to the original page here. So, that's the manual way to update the agents.md file, but you can also do it by prompting it inside of Codex. So, if I come to my second brain project, create a new chat here, I can give it instructions on additional things that I want to happen. So, I mentioned my journal and I mentioned my CRM. So, let me go ahead and build the bones for that here. I will close these folders to clean everything up. I will create a new folder called journal and a new folder called CRM.
 
 ### Umożliwienie sztucznej inteligencji aktualizacji agenta i budowanie dziennika/CRM
 
 **21:46** · Now, I can come to Codex and say update the agents.md file to handle these items. Number one, if I start a chat with journal, add the text of that chat and subsequent conversation as a new md file within the journal folder. The entire conversation should be added to the markdown file.
 
-**22:05** · Create an index file in the journal folder that's similar to the wiki index file. Each new journal entry gets added to the index file. Decide on a short title for the journal entry based on the contents of the journal and use the date and the title as the journal entry file name. Add the date and title to the index and link to the entry. Also, log the journal entry title and short summary in the log.md file. Your response to my journal entry should be grounded in content from the wiki in the same way you view the index and respond to my chat questions based on what's in the wiki.
+**22:05** · Create an index file in the journal folder that's similar to the knowledge index file. Each new journal entry gets added to the index file. Decide on a short title for the journal entry based on the contents of the journal and use the date and the title as the journal entry file name. Add the date and title to the index and link to the entry. Also, log the journal entry title and short summary in the log.md file. Your response to my journal entry should be grounded in content from the knowledge in the same way you view the index and respond to my chat questions based on what's in the knowledge.
 
-**22:34** · Provide advice and insights to my journal entries based on what's available in the wiki, as well as your own LLM knowledge. Provide helpful advice, insights, guidance, tactics, and ideas using what you know, along with what's available from the wiki, past journal entries, and the CRM. So, when I journal, I want it to look in the wiki, find information that's helpful to what I just journaled on. I want it to look in past journal entries to see if there's anything relevant I've journaled on in the past, and I want it to look at my CRM and see if there's conversations I've had with people about what I'm journaling about, too, for the CRM.
+**22:34** · Provide advice and insights to my journal entries based on what's available in the knowledge, as well as your own LLM knowledge. Provide helpful advice, insights, guidance, tactics, and ideas using what you know, along with what's available from the knowledge, past journal entries, and the CRM. So, when I journal, I want it to look in the knowledge, find information that's helpful to what I just journaled on. I want it to look in past journal entries to see if there's anything relevant I've journaled on in the past, and I want it to look at my CRM and see if there's conversations I've had with people about what I'm journaling about, too, for the CRM.
 
 **23:03** · If I tell you I'm giving you information for the CRM, either update the person in the CRM or add the person to the CRM. CRM file should always be a person's name. I will share details about a person, their name, contact details I have for them, details about where or how we met, things that I know about them, etc.
 
@@ -159,7 +159,7 @@ tags:
 
 **23:38** · I want it to update these two things in our agents.md file, which will make it so that whenever I chat with my second brain project here in Codex, it's either one going to answer the question that I asked it using the sort of query task that's already built into the agent, it's going to handle it as a journal if I preempt it with journal here, or if I tell the chatbot that it's for the CRM, it will update the CRM section.
 
-**24:02** · So, I'm going to let it go ahead and update our agents.md file, create the various index files, and that should build out the system for these elements. Okay, so we can see that it updated the agents.md file with our journal rules, our CRM rules, and if we open up Obsidian once again, I can open my journal folder and you can see we've got an index with date entry and summary, and if I open up my CRM, we've got our index with the person and the summary, and where most of the updates happened was this agents.md file. So, now below the wiki section, we have a journal section.
+**24:02** · So, I'm going to let it go ahead and update our agents.md file, create the various index files, and that should build out the system for these elements. Okay, so we can see that it updated the agents.md file with our journal rules, our CRM rules, and if we open up Obsidian once again, I can open my journal folder and you can see we've got an index with date entry and summary, and if I open up my CRM, we've got our index with the person and the summary, and where most of the updates happened was this agents.md file. So, now below the knowledge section, we have a journal section.
 
 **24:34** · It built all the rules that I just asked it to build for me, and then we also have our CRM section.
 
@@ -177,25 +177,25 @@ tags:
 
 **26:22** · I also talk about how I know how to write titles that will get a lot of clicks, but I also hate the whole clickbait thing, so I end up making titles that I know will get less clicks because they're more literal to what the video is about, and I constantly grapple with making videos that will get a lot of clicks, but knowing I'll get hate in the comments because they're too click-baity versus making videos that the title is very literal, so I won't get the hate comments, but I'll also get a lot of less views.
 
-**26:50** · And that's something that I grapple with, and I know pretty much every YouTuber grapples with. And so, that's my short journal entry. So, let's go ahead and submit that and see what happens. I'll treat this as a journal entry and grab the response in the vault first. Going to read the indexes, look for relevant prior notes around creating video attention, then I'll write the journal file before answering. The vault has several creator strategy pages. I'm pulling those in rather than answering from a blank slate. There aren't prior journal entries yet, and the CRM doesn't appear relevant to this one. So, it's just pulling from the wiki. Okay, and check out this journal response here.
+**26:50** · And that's something that I grapple with, and I know pretty much every YouTuber grapples with. And so, that's my short journal entry. So, let's go ahead and submit that and see what happens. I'll treat this as a journal entry and grab the response in the vault first. Going to read the indexes, look for relevant prior notes around creating video attention, then I'll write the journal file before answering. The vault has several creator strategy pages. I'm pulling those in rather than answering from a blank slate. There aren't prior journal entries yet, and the CRM doesn't appear relevant to this one. So, it's just pulling from the knowledge. Okay, and check out this journal response here.
 
-**27:20** · I think there are two fears braided together here, creative integrity and channel safety. One part of you does not want to betray the video with a title that feels gross. Another part is afraid that a few underperformers will teach YouTube not to trust you. The creator notes in the vault push back on the second fear. YouTube value of death and creator persistence both frame visible metrics as lagging indicators. A few lower view videos are not a downward spiral, blah blah blah. So, it is actually grounding the response to my journal in what is existing in the wiki.
+**27:20** · I think there are two fears braided together here, creative integrity and channel safety. One part of you does not want to betray the video with a title that feels gross. Another part is afraid that a few underperformers will teach YouTube not to trust you. The creator notes in the vault push back on the second fear. YouTube value of death and creator persistence both frame visible metrics as lagging indicators. A few lower view videos are not a downward spiral, blah blah blah. So, it is actually grounding the response to my journal in what is existing in the knowledge.
 
-**27:49** · And then it actually goes on to just give a response that ChatGPT would normally give, but it's pulling from both the knowledge built into the LLM as well as the knowledge in the wiki. So, that's all working exactly as intended. And then if I want to pop open Obsidian here, I can open my journal folder, and we can see here is my journal entry. Here is what the assistant replied with.
+**27:49** · And then it actually goes on to just give a response that ChatGPT would normally give, but it's pulling from both the knowledge built into the LLM as well as the knowledge in the knowledge. So, that's all working exactly as intended. And then if I want to pop open Obsidian here, I can open my journal folder, and we can see here is my journal entry. Here is what the assistant replied with.
 
 **28:10** · Here's some synthesis, and here's some related content about what I'm journaling about. If I look at my index here, it automatically logged the date, the entry title, and a quick like one paragraph summary of what my journal entry is about. Now, I want some of this to happen on autopilot. I don't want to have to jump into Codex constantly and tell it to process everything that I saved in here. And there's an easy solution for that. Before I show you, I'm going to do one thing.
 
-**28:34** · I'm going to go ahead and clean up my existing Obsidian wiki because, remember, I want these to all get moved into processed, and I also want it to save the YouTube channel name up here in the front matter. So, I'm going to tell it, "Please reprocess all of the files in the raw directory following the recent updated instructions on how to process them." So, I'm going to let that process. It's going to clean up my wiki real quick.
+**28:34** · I'm going to go ahead and clean up my existing Obsidian knowledge because, remember, I want these to all get moved into processed, and I also want it to save the YouTube channel name up here in the front matter. So, I'm going to tell it, "Please reprocess all of the files in the raw directory following the recent updated instructions on how to process them." So, I'm going to let that process. It's going to clean up my knowledge real quick.
 
 **29:01** · All right, now that that's finished and my Obsidian vault is cleaned up and we can see all of my videos have been moved to process and it added the channel name to the original videos here. Let's automate some of this. So, in Codex here, you've got a feature called automations. This is where you can set it up to do recurring tasks. So, if I click into automations here, select new automation. For automation title, we'll call it process second brain raw files. For work tree, I'm going to set it on local so it runs directly in the selected project. For our project, we're going to select second brain. Here, we'll select when we want it to run.
 
-### Automatyzacja linkowania Wiki
+### Automatyzacja linkowania Knowledge Base
 
 **29:33** · I'm going to go ahead and set mine to hourly, but you can do it at whatever cadence you want. And I'm just going to say if there are any unprocessed files inside the raw directory, please process them now. For the model, I'm going to set it as a GPT-5.5.
 
-**29:49** · I recommend just using the strongest model you have available. I'm going to set it on high reasoning and I will create this automation. Now, it's going to run every hour, see if there's anything in my raw folder that's unprocessed, and then it will process it. And that's it. That's the whole process now. Whenever I come across stuff I want to save, I just use the Obsidian web clipper and clip it into my raw folder automatically. And every hour, it's going to ingest that and turn it into one of the wiki pages. If I want to add somebody to my CRM, I just open up Codex, create a new chat inside of this project, and add the CRM details.
+**29:49** · I recommend just using the strongest model you have available. I'm going to set it on high reasoning and I will create this automation. Now, it's going to run every hour, see if there's anything in my raw folder that's unprocessed, and then it will process it. And that's it. That's the whole process now. Whenever I come across stuff I want to save, I just use the Obsidian web clipper and clip it into my raw folder automatically. And every hour, it's going to ingest that and turn it into one of the knowledge pages. If I want to add somebody to my CRM, I just open up Codex, create a new chat inside of this project, and add the CRM details.
 
-**30:21** · If I feel like journaling right now, I can journal straight into my second brain, and it will ground the response in what's available in my wiki, past journals, and within my CRM. If you want an extra layer of backup, you can also go to GitHub, create a new repository on GitHub. I'm going to go ahead and call this one second brain. I'm going to set this to private, so it's only available to me, and I'll create the repository.
+**30:21** · If I feel like journaling right now, I can journal straight into my second brain, and it will ground the response in what's available in my knowledge, past journals, and within my CRM. If you want an extra layer of backup, you can also go to GitHub, create a new repository on GitHub. I'm going to go ahead and call this one second brain. I'm going to set this to private, so it's only available to me, and I'll create the repository.
 
 ### Tworzenie kopii zapasowej na GitHubie
 
@@ -203,15 +203,15 @@ tags:
 
 **31:02** · You can see I'm already synced with GitHub, but if you haven't done that already, just add the GitHub plugin and go through the motions to get that set up, and you should be good to go. And it went ahead and pushed it to GitHub, so if I open my browser here and refresh, we can see everything I've created is all saved on GitHub now. If I jump back into Codex, I can go to my automation and edit this automation and say if there are any unprocessed files in the raw directory, please process them now.
 
-**31:28** · Once everything is processed, please commit and push the current version of the directory to the main branch on GitHub. So, now it's going to process everything in the raw directory, and then once it's done processing, it's going to update GitHub so that backup is constantly happening every hour. And there you have it. There's the whole second brain process. Not only do you have a wiki of all of the information you're finding and saving from around the internet, but now you have a journal and a CRM that's built on top of it as well.
+**31:28** · Once everything is processed, please commit and push the current version of the directory to the main branch on GitHub. So, now it's going to process everything in the raw directory, and then once it's done processing, it's going to update GitHub so that backup is constantly happening every hour. And there you have it. There's the whole second brain process. Not only do you have a knowledge of all of the information you're finding and saving from around the internet, but now you have a journal and a CRM that's built on top of it as well.
 
 ### Podsumowanie i końcowe przemyślenia
 
 **31:51** · And if you ever want to tweak how it operates, you just open up Obsidian, which is your visibility layer to see how everything is built, and you go into agents.md, and you just tweak the instructions. This is all just prompts at the end of the day. You just change how it gets prompted. And in the short amount of time that we've been working on it, this is what our graph view looks like now, and we can start to see all of these things interconnect with each other a little bit more. Do this for a few days and a few weeks, and the next thing you know, you have a vault that looks like this.
 
-**32:19** · Uh yeah, pretty insane, crazy vault that just has a ton of information saved inside of it. So, I know that video was long. There was a lot of details. I wanted to make sure it was very clear and you got the whole process, and I didn't skip any steps, but I want to show you how I've been building this sort of second brain concept that I can journal on top of that I have a CRM on top of where all of the wiki elements are interconnected.
+**32:19** · Uh yeah, pretty insane, crazy vault that just has a ton of information saved inside of it. So, I know that video was long. There was a lot of details. I wanted to make sure it was very clear and you got the whole process, and I didn't skip any steps, but I want to show you how I've been building this sort of second brain concept that I can journal on top of that I have a CRM on top of where all of the knowledge elements are interconnected.
 
-**32:42** · You can even dial it in more by building in separate folders and telling it to break out people from different pieces of content and break out companies from different pieces of content and really, really dial in that wiki more and more and more. But really, really cool concept. All you really need is Obsidian and Codex. Anthropic's co-work or Claude code also works. Whatever your sort of front-end chat platform of choice is.
+**32:42** · You can even dial it in more by building in separate folders and telling it to break out people from different pieces of content and break out companies from different pieces of content and really, really dial in that knowledge more and more and more. But really, really cool concept. All you really need is Obsidian and Codex. Anthropic's co-work or Claude code also works. Whatever your sort of front-end chat platform of choice is.
 
 **33:07** · I've been really liking Codex lately, so that's what I've been using. But yeah, go build it. It's really, really cool and a lot simpler than you think and over time it just gets smarter and smarter and smarter and more and more powerful. So, that's what I got for you.