O czym jest ten film
- W 1945 roku Vannevar Bush przewidział urządzenie gromadzące całą wiedzę człowieka (memex); dziś technologia to umożliwia, ale toniemy w marketingowym szumie wokół AI.
- Autor odrzuca modę na „drugie mózgi” jako łatwy marketing — ale sam używa osobistej bazy wiedzy w dochodowej firmie i uważa, że zbudowana konkretnie, a nie na pokaz, naprawdę działa.
- Osobista baza wiedzy to w istocie: przeszukiwalny zbiór twoich materiałów plus model językowy, który przegląda go przed udzieleniem odpowiedzi (klasyczny schemat RAG).
- Dzisiejsze okna kontekstu mieszczą równowartość 35–50 książek, ale wypełnianie ich całością danych jest drogie, wolne i mniej dokładne — im dłuższy kontekst, tym gorzej model odnajduje konkretne informacje.
- Kluczowy trik to ważenie aktualności: każdy wpis dostaje datę, nowsze informacje mają wyższy priorytet, więc model nie podaje np. dwóch lat starej ceny jako obowiązującej.
- System autora (Engram, 35–50 tys. rekordów) zbiera m.in. logi z Gita, wszystkie firmowe sesje Claude i transkrypty nagrań; odpowiedź na pytanie powstaje na podstawie wyszukania w ułamku sekundy.
- Krok 1: konnektory — skrypty uruchamiane cyklicznie (u autora co 15 minut) pobierają tylko nowe dane z e-maila, Slacka czy rozmów VoIP i od razu stemplują je datą; uprawnienia wyłącznie do odczytu.
- Krok 2 i 3: sesje z chatbotami trzeba archiwizować, zanim wygasną (zwykle po 30 dniach), a każdy dokument wzbogacać o metadane — streszczenie, przewidywane pytanie i „atomy” (błędy z rozwiązaniami, działające komendy, decyzje z uzasadnieniem), co buduje pamięć instytucjonalną firmy.
- Do generowania metadanych wystarcza najtańszy zaufany model (Claude Haiku), a do wyszukiwania — pełnotekstowy algorytm BM25 zamiast bazy wektorowej; autor odnotował ok. 90% spadek czasu i kosztów.
- Całość wymaga nadzoru: skrypt w tle pilnuje, czy konnektory działają, bo bez stałego dopływu świeżych danych system traci sens; architekturę autor wzorował na rozwiązaniu firmy Cohere.
10 najważniejszych takeaways — z kontekstem zastosowania
1.„Drugi mózg” to wdzięczny marketing — liczy się konkretna baza dla AI
Na czym polega: Rynek „drugich mózgów” żyje z obietnic sprzedawanych osobom, które nie wiedzą, jak te systemy działają. Autor zamiast sloganów proponuje rzecz skromną, ale namacalną: przeszukiwalny zbiór danych połączony z modelem — sam używa go w firmie o stałym miesięcznym przychodzie.
Jak stosować: Nie zaczynaj od kupna aplikacji do notatek. Zbuduj trójkąt: dane → wyszukiwanie → model, i rozwijaj go od jednego źródła informacji.
Na co uważać: Ładny interfejs to nie to samo co system, z którego AI faktycznie korzysta. Decyduje jakość danych i mechanizm ich dopływu, nie wygląd.
2.Nie wrzucaj całej wiedzy do okna kontekstu
Na czym polega: Choć współczesne modele przyjmą równowartość 35–50 książek, skuteczność spada wraz z długością kontekstu (tzw. context rot — „zgnilizna kontekstu”). Model traktuje wszystkie informacje jednakowo, chętnie podaje przestarzałe dane jako aktualne, a do tego płacisz za tokeny i czekasz na odpowiedź.
Jak stosować: Trzymaj materiały poza modelem i podawaj mu wyłącznie to, co wyszukiwarka uzna za najlepsze trafienia dla danego pytania.
Na co uważać: Nawet ogromne okno kontekstu nie odróżni „starego” od „nowego”, jeśli nie opatrzysz informacji datami (patrz punkt 3).
3.Stempluj datą wszystko i waż świeżość
Na czym polega: Każda informacja wchodząca do systemu dostaje znacznik czasu. Świeżym wpisom przyznaje się niewielką premię, tym z odległą datą — lekką karę. Model dostaje w ten sposób sygnał: szukaj najnowszej wersji wiedzy, nie dowolnej.
Jak stosować: Datuj e-maile, notatki ze spotkań i decyzje już na etapie pobierania przez konnektor, a przy odpytywaniu pozwalaj systemowi preferować młodsze rekordy.
Na co uważać: Bez regularnych przeglądów stare wpisy i tak się kumulują; autor cyklicznie czyści bazę z tego, co straciło wartość.
4.Konnektory zamiast ręcznego karmienia systemu
Na czym polega: Baza ma wartość tylko wtedy, gdy zapełnia się sama. Konnektor to mały skrypt, który przy każdym uruchomieniu pobiera wyłącznie dane powstałe od ostatniego przebiegu i natychmiast opatruje je datą oraz godziną.
Jak stosować: Wypisz źródła (e-mail, Slack, rozmowy telefoniczne, leady, strona firmowa), dla każdego zbuduj konnektor i uruchamiaj go według harmonogramu — u autora to kwadrans.
Na co uważać: Pierwsze uruchomienie może pobrać ogrom historii (u autora — rok korespondencji z trzech skrzynek); zaplanuj to i pilnuj limitów API.
5.Konnektor dostaje wyłącznie odczyt
Na czym polega: Gmail API wystarczy w trybie read-only. Uprawnienia do zapisu oznaczają, że skrypt może zmieniać twoją korespondencję — a przez to de facto rządzi twoim życiem, jak ujmuje to autor.
Jak stosować: Przy konfiguracji wybieraj najwęższe możliwe zakresy dostępu i co jakiś czas je weryfikuj.
Na co uważać: Zmieniające się klucze API i uprawnienia to najczęstsza przyczyna cichego padania integracji — skrypt nadzoru z punktu 10 to nie luksus.
6.Archiwizuj sesje z chatbotami, zanim wygasną
Na czym polega: Historie Claude czy ChatGPT są zapisane na urządzeniu jako zwykły tekst, więc łatwo je indeksować — ale serwisy kasują je domyślnie po około 30 dniach. Trafiając do bazy, rozmowy sprzed miesięcy stają się trwałym surowcem do budowania pomysłów w dużych projektach, bez wymyślania koła od nowa.
Jak stosować: Dodaj katalog sesji jako kolejne źródło konnektora i synchronizuj częściej niż raz w miesiącu.
Na co uważać: Nie zakładaj, że stara rozmowa wciąż czeka w interfejsie — jeśli jej nie zarchiwizowałeś, najpewniej przepadła.
7.Do każdego dokumentu: streszczenie i pytanie, którym go znajdziesz
Na czym polega: Surowy tekst źle się przeszukuje słowami kluczowymi. Rozwiązanie: tani model pisze do każdego wpisu krótkie streszczenie oraz przewidywane pytanie użytkownika, wielokrotnie przeredagowane, by oddać sedno. Wyszukiwarka działa na streszczeniach, a po trafieniu odwołuje się do pełnej treści.
Jak stosować: Generuj metadane na bieżąco, przy każdym nowym wpisie, a nie hurtowo po miesiącach.
Na co uważać: Skuteczność całego systemu zależy od jakości streszczeń — przetestuj prompty na własnych materiałach, zanim puścisz mechanizm na automat.
8.„Atomy” budują pamięć instytucjonalną
Na czym polega: Atom to najmniejsza użyteczna cząstka wiedzy: komunikat błędu razem z dokładnym rozwiązaniem, komenda, która zadziałała, albo decyzja wraz z wyjaśnieniem, dlaczego ją podjęto. Takie zapisy czynią jawnymi decyzje, które w firmie zapadały dotąd nie wprost.
Jak stosować: Gdy rozwiązujesz problem lub podejmujesz decyzję, zapisz atom od razu — albo każ agentowi robić to automatycznie przy każdym incydencie.
Na co uważać: Atom bez kontekstu „dlaczego” szybko traci sens, a bez daty może wprowadzać w błąd — oba elementy są równie ważne jak treść.
9.Tani model do metadanych, BM25 do wyszukiwania
Na czym polega: Streszczenia i atomy może tworzyć najtańszy model u dostawcy, któremu powierzasz te dane (u autora Claude Haiku). A zamiast bazy wektorowej i embeddingów wystarcza pełnotekstowy algorytm BM25 z lat 90., punktujący dokumenty według częstości szukanych słów. Autor odnotował ok. 90% spadek czasu rozumowania i kosztów; zbliżony wniosek przekazał Boris Cherny, twórca Claude Code — zwykłe wyszukiwanie tekstowe miało pobić pozostałe metody z wyraźną przewagą.
Jak stosować: Zacznij od zwykłego wyszukiwania, a embeddingi dokładaj dopiero wtedy, gdy udowodnisz na własnych danych, że są potrzebne.
Na co uważać: Proste wyszukiwanie działa dobrze właśnie dzięki metadatom — bez kroku ze streszczeniami i słowami kluczowymi wyniki będą słabe.
10.System żyje, dopóki dopływa świeży materiał
Na czym polega: Baza, której nie aktualizujesz, zawodzi w najmniej spodziewanym momencie — na starej cenie, starej procedurze. Autor utrzymuje skrypt w tle, który pilnuje konnektorów: klucze API, uprawnienia i ścieżki zmieniają się same, a gdy konnektor padnie, nowe dane przestają napływać i cała reszta traci znaczenie.
Jak stosować: Monitoruj stan potoków danych i alertuj o awariach; do tego okresowo przeglądaj zawartość i usuwaj wpisy, które straciły wartość.
Na co uważać: Cicha awaria jest groźniejsza niż widoczny błąd — system sprawia wrażenie działającego, choć niczego już nie indeksuje.
Redakcyjne tłumaczenie
Od memexu do marketingowej waty
W 1945 roku inżynier Vannevar Bush wyobraził sobie maszynę, która zachowałaby wszystkie jego książki, notatki i korespondencję. Nazwał ją zaufanym, osobistym przedłużeniem własnej pamięci.
(Informacja dodatkowa: Vannevar Bush, amerykański inżynier i główny doradca naukowy prezydenta USA, opisał to urządzenie — memex — w eseju „As We May Think” z 1945 roku; koncepcję uważa się dziś za przodka hipertekstu i narzędzi do zarządzania osobistą wiedzą.)
Osiemdziesiąt lat później marzenie się spełniło — i utonęliśmy w chórze zachwytów nad sztuczną inteligencją: fruwające trójwymiarowe mózgi i Bóg wie co jeszcze. Dlaczego więc „drugi mózg” kojarzy się z marketingową watą? Po pierwsze, to wdzięczny towar dla handlowców: sprawia wrażenie czegoś tak zawiłego, że do zbudowania potrzebny byłby inżynier, a jednocześnie świetnie sprzedaje się osobom, które nie wiedzą, jak takie systemy działają — jako obietnica wyższej produktywności firmy, większej sprzedaży i tak dalej. A jednak moim zdaniem osobista baza wiedzy może być rozwiązaniem naprawdę dobrym. Sam korzystam z takiej w firmie, która co miesiąc przynosi przyzwoity przychód, i pokażę wam praktyczny sposób, byście zbudowali własną. A najprzyjemniejsze? Opanowanie tej metody zajmie wam trzy, cztery minuty.
Czym naprawdę jest osobista baza wiedzy
To po prostu zbiór waszych materiałów — tyle że przeszukiwalny — oraz model językowy, który przegląda go, zanim odpowie. Dawniej inżynierowie mówili na to po prostu „wyszukiwanie”; gdy się je wzmocni sztuczną inteligencją, wychodzi generowanie wspomagane wyszukiwaniem, czyli RAG. Skrót ten pewnie nie raz obił się wam o uszy.
Kiedyś RAG był niezbędny i bardzo rozpowszechniony, bo okna kontekstu modeli były ciasne i mieściły niewiele. Kto chciał, by AI odpowiadało na najbardziej różnorodne pytania bez zmyśleń, musiał sięgnąć właśnie po takie podejście. Dziś okna kontekstu są wielokrotnie przestronniejsze — w większości popularnych modeli mieszczą równowartość mniej więcej 35–50 książek. Teoretycznie możecie wrzucić do nich, co się chce, a model sobie poradzi. W praktyce trzymanie w kontekście 35 książek kosztuje fortunę, więc zdecydowanie odradzam.
Dlaczego duże okno kontekstu nie rozwiązuje problemu
Istnieje jednak konkretny powód, dla którego osobista baza wiedzy się broni — i dla którego mechanizmy, które zaraz pokażę, poprawiają odpowiedzi, zwłaszcza gdy pracujecie na własnych danych. Gdy zsypiecie do okna kontekstu ogromną stertę informacji, model zakłada, że wszystko waży tyle samo. Jeśli więc w bazie zalegają bardzo stare wpisy — na przykład cena waszego produktu sprzed dwóch lat — i sięgniecie po nie, przygotowując ofertę, model potraktuje tamtę cenę jak obowiązującą. Taka jest po prostu jego logika. I będzie przy tym całkiem pewny siebie: widzi «tu jest tekst i tu jest tekst» i mówi sobie: «Która wersja jest prawdziwa? Podam tę pierwszą i najłatwiejszą, jaką znajdę».
Na to wszystko jest prosty sposób, który nazwałem ważeniem aktualności. Każda informacja wchodząca do systemu zostaje opatrzona datą. Świeżym wpisom przyznajemy niewielką premię, a opatrzonym odległą datą lekko ją odbieramy. Dzięki temu model rozumie: «dobrze, mam szukać najnowszej wersji, nie najstarszej».
Pozostaje jednak kłopot: im więcej tekstu, tym trudniej sztucznej inteligencji wygrzebać konkretny fragment. To znana przypadłość dużych modeli językowych, opisywana jako „zgnilizna kontekstu” (context rot) — skuteczność spada w miarę rozrastania się kontekstu. Teoretycznie możecie dosypać równowartość 35 książek, ponad milion tokenów. Praktycznie? Po pierwsze, sprawne użytkowanie takiego molocha was zrujnuje. Po drugie, będzie powolne — model w końcu czyta 35 książek. Po trzecie, będzie mniej trafne niż metoda, którą za chwilę pokażę.
Jedno z rozwiązań to właśnie wyszukiwanie. Zamiast wysyłać modelowi wszystkie dane, trzymacie je gdzieś obok, a on najpierw je przeszukuje — sprawnie, w zwykłym tekście albo z użyciem wektorowych reprezentacji (embeddingów), choć to akurat nieistotne. A tak w ogóle: to dopiero początek. Najnowsze podejścia spina się w jeden system i dzięki temu działają o klasę lepiej.
Jak działa mój system — Engram
U mnie taka baza nazywa się Engram i mieści naraz około 35–50 tysięcy rekordów.
(Informacja dodatkowa: engram to w neuronauce ślad pamięciowy — fizyczny zapis wspomnienia w mózgu.)
Trafią do niej każdy mój log z Gita, wszystkie sesje Claude w naszej firmie oraz transkrypty naszych nagrań. Filmów nakręcam sporo, więc wyobraźcie sobie liczbę tokenów. Na wejściu ważymy wpisy według świeżości, żeby przy odpytywaniu AI nie wyciągało informacji, które dawno przestały obowiązywać. Cyklicznie przeglądamy też całość i wyrzucamy to, co straciło dla nas wartość.
A potem, gdy zadaję Claude pytanie o cokolwiek — a Claude możecie zastąpić dowolnym innym modelem — wykonuje on błyskawiczne rozumowanie, żeby dobrać właściwą frazę wyszukiwania. Przeszukuje zbiór, zwykle w mniej niż pół sekundy, wybiera kilka najlepszych trafień, dopisuje je do promptu z moim pytaniem i dopiero na tym materiale odpowiada. Brzmi banalnie, ale nie uwierzycie, jak bardzo wygładza mi to pracę. Przestałem w ogóle przejmować się tym, gdzie zapisuję jakieś informacje. Nie martwię się, że pamięć Claude zawiedzie. I nie obawiam się błędnej odpowiedzi, bo system niemal zawsze podaje mi dane ważone świeżością, a nie przypadkowe resztki rozmowy sprzed czterech tygodni.
Krok 1: Konnektory, czyli stałe zasilanie w dane
Pierwszy krok: doprowadźcie do bazy regularny dopływ kontekstu. To w moich oczach najważniejszy etap całej budowli, bo baza jest dokładnie tak dobra, jak dane, które do niej wpływają. Potrzebujecie nieprzerwanego strumienia informacji, odnawianego za każdym razem, gdy w firmie wydarzy się coś, co dane wytwarza.
Od czego zacząć? Wypiszcie wszystkie źródła: skrzynkę e-mail, stronę internetową, listę potencjalnych klientów, z którymi rozmawialiście, całą firmową korespondencję na Slacku, no i transkrypty rozmów telefonicznych — zwłaszcza z telefonii internetowej (VoIP). Następnie piszecie mały skrypt, który nazywam konnektorem. Jego zadanie: pobrać wyłącznie dane, które pojawiły się od poprzedniego uruchomienia, i od razu opatrzyć je aktualną datą i godziną.
Przykład? Mój konnektor pocztowy korzysta z Gmail API i to wyłącznie w trybie odczytu. To ważne: nie nadawajcie mu uprawnień do zapisu, bo przejmie kontrolę nad całym waszym życiem. Przy pierwszym uruchomieniu pobrał rok korespondencji z trzech moich ostatnich skrzynek. Za drugim razem wystarczyło mu już tylko to, co napłynęło od ostatniego przebiegu. I pamiętajcie: całość działa u mnie według własnego harmonogramu — uruchamiam co piętnaście minut, ale w zależności od obciążenia możecie dostroić częstość do woli.
Krok 2: Sesje z Claude i ChatGPT
Druga rzecz, do której gorąco zachęcam: dodajcie sesje Claude. To najprostsza część całości. Jeśli korzystacie z ChatGPT albo Claude, te sesje są tak naprawdę zapisane na waszym urządzeniu jako zwykły tekst, więc ich zaindeksowanie to formalność. Istotne jest natomiast to, że serwisy zwykle kasują historię po trzydziestu dniach. Archiwizacja pozwala wracać do rozmów sprzed miesiąca czy kilku — a bywają one bezcenne, gdy budujecie pomysły wokół dużych projektów i nie chcecie drugi raz wykonywać tej samej pracy.
Wskazówka na start: wklejcie tekst tego filmu ulubionemu agentowi i zapytajcie: „Jakie są moje źródła?”. Najpewniej wyliczy ich całkiem przyzwoitą część. Podobnie zresztą zbudujecie resztę potoku danych, który wygląda mniej więcej tak.
Krok 3: Metadane, streszczenia i atomy
Samo dodanie treści to jednak za mało. Owszem, zrobi się imponująco, ale fundament polega na czym innym: każdy dłuższy element trzeba rozbić na sam element oraz metadane — między innymi listę notatek o tym, co się w nim znajduje, zwykle przeredagowanych kilka razy, żeby uchwycić sedno. I tu wchodzi kolejna zasada: pozwólcie tanimu modelowi pisać streszczenia. Surowy tekst źle się przeszukuje, zwłaszcza dla modeli pracujących na słowach kluczowych. Zamiast tego zróbcie dwie rzeczy. Po pierwsze, wygenerujcie krótkie streszczenie materiału wchodzącego do systemu wraz z pytaniem, jakie ktoś najpewniej wpisze, żeby go znaleźć — i problem znika.
Dorzućcie jeszcze coś, co nazywam atomami: dokładne komunikaty błędów razem z rozwiązaniami, komendy, które zadziałały (zwłaszcza gdy budujecie program albo produkt), oraz decyzje z wyjaśnieniem, dlaczego ktoś w danym momencie zrobił to, co zrobił. Dzięki temu wszystkie niepisane decyzje zapadające w waszej firmie zaczynają istnieć czarno na białym — ubieracie je w słowa i budujecie z nich pamięć instytucjonalną. To bardzo potężna rzecz, bo macie wtedy każdy proces czy przepływ pracy gotowy dla siebie — i dla agentów.
W tym kroku pracuje oczywiście kolejny model językowy. U mnie jest to obecnie Claude Haiku 5.5; wcześniej używałem wersji 4.5, z czasem zapewne przejdę na 6.5. Ogólna zasada: wybierzcie najtańszy model u dostawcy, któremu chcecie powierzyć te informacje, i przekażcie mu prompt — może go wam przygotować wasz model na podstawie tekstu tego filmu — tak, by przy każdym nowym wpisie tworzył metadane: krótkie notatki i atomy. Korzyść? Claude albo inny wasz agent przeszukuje wyłącznie streszczenia, nie dotykając surowych danych. A gdy znajdzie trafienie, odsyłany jest do oryginału i dopiero wtedy dostaje pełną treść.
Krok 4: Zwykłe wyszukiwanie zamiast bazy wektorowej
Zostaje kwestia wyszukiwania — i tu większość ludzi przekombinowuje. Bazy wektorowe i tym podobne. Tymczasem embeddingów w ogóle nie potrzebujecie. Najprostsza droga okazała się zwykłe wyszukiwanie pełnotekstowe. Gdy to odkryłem, nie mogłem uwierzyć. Przeczytaliśmy o wielu metodach, zbudowałem cały stos systemów RAG dla różnych klientów — aż w końcu do mnie dotarło: nie potrzebujesz tu pełnego RAG-a, komuś wystarcza czysty tekst. Czas rozumowania spadł u nas o 90%. Koszty baz wektorowych i embeddingów runęły o około tyle samo. Zostały wielkie pliki tekstowe, które trzymają wszystko.
Algorytm stojący za wyszukiwaniem to BM25, klasyk istniejący od lat dziewięćdziesiątych: przyznaje każdemu dokumentowi — każdemu kawałkowi waszych danych — punkty zależne od tego, jak często pojawiają się w nim szukane słowa. I okazuje się, że to wystarcza. Resztę Claude sprytnie domyśla się sam. Że tak jest, zrozumiałem późno, ale Boris Cherny — twórca Claude Code, z którego korzystamy codziennie — powiedział mniej więcej tyle, że zwykłe wyszukiwanie tekstowe zdeklasowało wszystkie pozostałe metody z wyraźną przewagą.
(Informacja dodatkowa: Claude Code to działający w terminalu agent programistyczny firmy Anthropic.)
Zderzenie z tym wnioskiem było spore: przez lata sami niepotrzebnie komplikowaliśmy sobie rzeczy pokroju RAG-a.
Krok 5: Pilnuj świeżości danych
Ostatnia rzecz: utrzymujcie dane na bieżąco. Potrzebujecie skryptu działającego w tle, który na okrągło sprawdza, czy konnektory żyją. Jeśli któryś padnie, nowe informacje przestają docierać do Engram — i cała konstrukcja się sypie. Bo po co wam system, do którego regularnie nie wpływa świeży materiał? Klucze API będą się zmieniać, uprawnienia rozjeżdżać, ścieżki przestawać działać — taka jest natura rzeczy. Zadbajcie więc, by wasz skrypt stale doglądał całości.
Skąd wzięła się ta architektura
I to wszystko. Macie przed sobą dokładnie ten sam „drugi mózg”, z którego korzystam ja i wiele firm wartych miliardy dolarów. Swoją drogą: fundament tego rozwiązania zbudowałem na systemie drugiego mózgu firmy Cohere, o którym kiedyś czytałem. Cohere, jak pewnie wiecie, tworzy duże modele językowe i buduje systemy RAG. Kiedy zobaczyłem ich potok danych, powiedziałem sobie: jak, u licha, przenieść to do nas? Porównałem go w testach z metodami RAG, które wcześniej stosowałem. Nie było o czym mówić. No to trzeba było zanurkować w ten temat głęboko!
Jeśli z kolei chcecie gotowy prompt, dzięki któremu odbudujecie całość metodą kopiuj-wklej — a to pewnie łatwiejsze niż przepisywanie tekstu tego filmu — drugi link w opisie zaprowadzi was do serwisu Maker Zero. Znajdziecie tam dosłownie wszystkie moje zasoby: materiały o sztucznej inteligencji, edukację, programy, mapy drogowe. Wszystko czeka na dole i nie kosztuje ani grosza. Wystarczy dołączyć, wejść w zakładkę Community i odszukać plik w Recently Uploaded. Kopiujcie z lewej strony strony.
Na koniec — dziękuję! Jeśli film wam się spodobał, zasubskrybujcie kanał i wrzućcie w komentarzach propozycję następnego tematu. Praktycznie wszystkie moje pomysły rodzą się w komentarzach i za każdym razem to doceniam. Do zobaczenia w następnym nagraniu!