DBAdmin/brain/knowledge/feynman_problems.md

# 12 Ulubionych Problemów Feynmana

Poniższa lista zawiera kluczowe pytania i obszary zainteresowań, które są "testowane" przy każdym nou źródle wiedzy. Cel: Znalezienie nowych perspektyw, połączeń lub cząstkowych rozwiązań dla tych długoterminowych wyzwań.

## 1. Zarządzanie sobą w czasie
- **Notatki i połączenia**: 
    - [[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-knowledge-breakdown]]: Wykorzystanie LLM do "księgowości wiedzy" (bookkeeping).
    - [[summaries/how-to-deploy-autoresearch]]: Automatyzacja pętli badawczej – agent pracuje, gdy człowiek śpi.
    - [[summaries/karpathy-llm-knowledge-superpower-researchers]]: LLM jako "księgowy" automatyzujący nudne zadania i konserwację bazy wiedzy, zapobiegając jej porzuceniu przez ludzi.
    - [[summaries/building-personal-ai-assistant-sqlite-gtd]]: System MarcOS integruje GTD z SQLite i Claude Code, automatyzując cotygodniowy przegląd zadań.
    - [[summaries/building-llm-research-knowledge-philosophy]]: Etapowe podejście do wdrażania bazy i odrzucenie "fantazji migracyjnej" chroni przed wypaleniem narzędziowym.
    - [[summaries/15-obsidian-workflows-and-plugins]]: Autonomiczne potoki wykonawcze (autopsje, audyty stanu, inicjalizacja) usuwają konieczność ręcznej administracji bazą.
    - [[summaries/best-12-claude-skills-setup]]: Ustrukturyzowane, modularne umiejętności (np. `schedule`, `consolidate-memory`) zwiększają precyzję pracy agentów przy minimalnym zużyciu tokenów.
    - [[summaries/archive-obsidian-skill]]: Archiwizacja wartościowych czatów z AI jako ustrukturyzowanych notatek w Obsidian eliminuje konieczność rekonstrukcji kontekstu w przyszłości.

## 2. Zarządzanie bazami danych
- **Notatki i połączenia**: 
    - [[summaries/accidental-dba-intro]]: Przejście od reaktywnego "gaszenia pożarów" do [[concepts/proactive-administration]].
    - [[entities/sql-server]]: Główny ekosystem techniczny dla zadań administracyjnych.
    - [[summaries/ai-impact-on-dba]]: AI jako narzędzie wspierające DBA w monitoringu i optymalizacji.
    - [[summaries/software-2-0]]: Koncepcja "Learned Index Structures" – zastąpienie tradycyjnych struktur danych (jak B-Tree) wyuczonymi modelami sieci neuronowych dla większej wydajności.
    - [[entities/pgvector]]: Wykorzystanie rozszerzenia PostgreSQL do natywnego zapisywania, indeksowania i przeszukiwania osadzeń wektorowych (embeddings) bezpośrednio w relacyjnej bazie danych.

## 3. Generatywna Sztuczna Inteligencja
- **Notatki i połączenia**: 
    - [[summaries/jak-zbudowalem-agenta-newslettera-n8n]]: Wykorzystanie LLM do planowania i pisania treści.
    - [[summaries/ai-impact-on-dba]]: Ryzyko [[concepts/ai-hallucinations]] w krytycznych systemach.
    - [[summaries/google-nanobanana-workflow]]: Gemini 2.5 Flash jako narzędzie do spójnej generacji obrazów.
    - [[summaries/software-2-0]]: Definicja sieci neuronowych jako nowej formy oprogramowania ([[concepts/software-2-0]]).
    - [[summaries/loom-thinking-tool]]: Wykorzystanie AI do [[concepts/metacognition-as-a-service]] i [[concepts/idea-collision]].
    - [[summaries/building-llm-research-knowledge-philosophy]]: Wprowadzenie [[concepts/epistemic-markers]] (`[W]`, `[P]`, `[?]`) pozwala rozróżnić obiektywne syntezy modeli od własnych przemyśleń badacza.
    - [[summaries/obsidian-vault-as-knowledge-graph]]: Zastosowanie serwerów [[concepts/mcp-servers]] (np. [[entities/mcpvault]]) pozwala LLM na strukturalną i grafową analizę pojęć w bazie.
    - [[summaries/what-happens-giving-keys-to-llm-obsidian]]: Zestawy cech `obsidian-skills` od Steph Ango uczą modele poprawnej składni dialektu Obsidian, eliminując błędy formatowania.
    - [[summaries/5-mental-models-for-ai-agents]]: Optymalizacja stosu kontekstowego (Context Stack) oraz separacja wykonawcy od sędziego (Doer-Judge Split) zapewniają stabilność i poprawność generatywnych operacji biznesowych.
    - [[summaries/10-claude-prompts-replace-consultant]]: Zastosowanie specyficzności roli (Role Specificity) i rami afrontacyjnych (Adversarial Framing) w inżynierii podpowiedzi pozwala ominąć domyślne filtry uprzejmości modeli LLM.

## 4. Automatyzacja i Agenci AI
- **Notatki i połączenia**: 
    - [[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-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.
    - [[summaries/building-personal-ai-assistant-sqlite-gtd]]: Claude Code jako aktywny administrator systemów użytkownika (GTD/faktury), działający pod nienaruszalnym kontraktem `CLAUDE.md`.
    - [[summaries/obsidian-vault-as-knowledge-graph]]: Wykorzystanie Claude Code bezpośrednio na bazie Markdown jako "bazy kodu", z użyciem specjalnych "umiejętności" Obsidiana.
    - [[summaries/what-happens-giving-keys-to-llm-obsidian]]: Zwrot ról: LLM nie jest już tylko pasywną wyszukiwarką (RAG), lecz autonomicznym redaktorem naczelnym bazy wiedzy (Search-assisted writing).
    - [[summaries/5-mental-models-for-ai-agents]]: Pięć konsensusowych modeli dla agentów AI (rusztowanie jako OS, trójwarstwowa struktura pamięci, stopniowana autonomia) definiuje profesjonalne ramy systemów autonomicznych.
    - [[summaries/hyperresearch-deep-research-agent]]: Zastosowanie 16-etapowego zautomatyzowanego potoku HyperResearch i struktur orkiestracji subagentów zapobiega skażeniu głównego okna kontekstowego.
    - [[summaries/gbrain-long-term-memory]]: Trwała, samoorganizująca się pamięć semantyczna w postaci grafu wiedzy GBrain integrowanego przez serwery MCP.

---
*Miejsce na kolejne problemy (5-12)...*