Второй мозг строят все. Но большинство — не для себя

[rodial]

Я пытаюсь сделать что-то похожее, сейчас дорабатываю ( и перерабатываю и переписываю ...) базу на которой будет построено. И до сих пор не до конца представляю во что это выльется в итоге, комбайн из всего.

Ответы на вопросы:

• И для себя и для агента, если получится, на последнем этапе предполагается хранение информации в максимально раздробленном виде и отдельные представления (сборка в читаемый вид) для агента и для себя.

• -

• Если монетизация когда-нибудь и будет то точно не в том виде в котором продукт создаётся, или только отдельные части или доработка для бизнеса.

[VIUIoQsDlyUAz5]

За всё время хайптрейна обсидиана и "второго мозга" никто мне не показал на конкретных примерах, как это работает и зачем это нужно. Буду очень рад, если кто-то здесь поделится своей историей, как в жизни помогли эти связи, ссылки и графы. Даже панамку раскрою пошире.

[alexzen]

Мне связи и графы не помогли. Так же как всякие плагины, которые, якобы, упрощают работу

Наоборот, такую систему сложно поддерживать и вместо помощника получаешь ещё одну проблему.

Решил максимальным упрощением - заметки расположены в простой иерархии каталогов.

И плагин только один - для синхронизации между устройствами.

Пользуюсь такой системой каждый день, все что нужно быстро находится либо по логике расположения каталогов, либо поиском.

[Oeaoo]

Не просто не помогли, а помешали, отвлекли. Я вернулся на заметки сплошным полотном, с самодельными тагами и маячками, и это теперь можно очень легко обрабатывать и спрашивать ЛЛМками. Пушу кроном в гит, т. е. всегда есть примерная дата каждой строки. Вручную это все менеджить был бы ад. Связи пусть делает ИИ по смыслу. Это его работа, не моя.

[Evgenii-Lopatin]

Начал активно строить с нового года, а вообще в агентную (агентскую? 😅) разработку - погружаться с релиза antigravity, где-то ноябрь-декабрь 25. До этого пробовал конечно писать код совместно с нейронками. Ещё со времён Chatgpt 4 и Sonnet 2, но это было мягко говоря не совсем то.

Пробовал copilot, когда появилось возможность авто-дополнения кода и другие альтернативные системы поддержки. Не зашло, руками писать было проще - я не на столько погромист, чтобы "на лету" разбирать подсказки к коду.

И вот, в настоящий момент, я уже несколько месяцев не пишу код вообще. По нескольким причинам - любой современный ИИ топового и пред-топового уровня делает это и лучше и быстрее. Если у него есть план и заранее написанные тесты к этому плану - код простых проектов (все относительно конечно) стабилен и чист. Вся загвоздка - когда проект начинает расти и по масштабу превосходит половину рабочего контекстного окна (на сегодня я бы определил это как ~130-140 тыс токенов), т.е. его нельзя загрузить целиком в модель и эффективно поработать над содержимым - начинаются очень большие проблемы. Стоит отметить, что в этот объем входит не только сам код - на сегодня это и .MD файлы с инструкциями, и базы данных, и много другого в зависимости от проекта.

То, чем я сейчас занимаюсь - не завязано даже на один проект. Если очень упрощённо, то это система, представляющая из себя небольшую студию по разработке сайтов и приложений. Т.е. у меня образует ещё несколько слоёв, которыми нужно оперировать - это управляющие и операционные слои самой системы, шаблоны проектов, руководящие документы и практики. И вложенные, при чём для каждого клиента - своя, часто уникальная комбинация из модулей под его, индивидуальные запросы.

Удерживать весь объем информации в голове - не реально. Когда я это осознал, то начал формировать долгосрочную память. Потом вышла та самая публикация Карпати - во многом совпадающая с моими собственными наработками. Знакомство с вариантами реализации описанных принципов позволило позаимствовать и интегрировать к себе новые фичи. Однако лично я столкнулся с двумя бутылочным горлышками - это цена токенов на обработку задач (к примеру анализ экстрации из диалогов с агентами и последующая интеграция в базу памяти) и собственные ограниченные навыки в архитектурном планировании. К примеру - после выгрузки 40+ диалогов, содержащих важные принятые решения - получилось более 350 тасок, каждую из которых потом нужно было прогнать через базу с целью определить её актуальность и выставить статус. Процесс обработки занял десятки миллионов токенов, даже с учётом кеширования, строгих workflow, уже сформированной базы и инструментов, облегчающих зинб агентов - вроде поиска по графам обсидиан. Это только обработка "внутренних" процессов + пары тестовых клиентских.

Тогда я и приступил к модернизации "базы знаний". Добавил RAG в виде векторной БД - сейчас это qmd через wsl, внутри несколько небольших локальных нейронок вроде gemma для формирования чанков и поиска. Добавил notebooklm и supabase для работы с некоторыми клиентскими данными. Добавил linear для отслеживания задач и настроил процессы взаимной интеграции всего этого безобразия, а так же адаптировал пайплайны работы агентов для взаимодействия с этими процессами.

Спустя несколько месяцев ежедневной работы, оглядываясь на проделанную работу - я понимаю, что уже зная как должна выглядеть моя система хотя бы по состоянию на текущий момент, с нуля я бы прошел этот путь не за месяцы, а за пару недель. Имея безлимит на топовые нейронки - за дни.

При этом, погружаясь в информационный поток и наблюдая за релизами, я понимаю, что то, что я сейчас делаю - может перестать иметь смысл спустя пол года, с выпуском очередного продукта от тех же Antropic. Они не дураки, тоже держат руку "на пульсе" сообщества и понимают, что требуется разработчикам. И у них нет тех ограничений, что есть у меня или у других ребят, которые сейчас занимаются похожими делами.

Это сильно фрустрирует.

Может я и не ответил полностью на твой вопрос, привел мало конкретики. Думаю это потому, что я и сам до конца не понимаю, как будет выглядеть моя система, готовая к обработке коммерческих заказов на потоке - с минимумом ручной работы, начиная от поиска клиентов до пострелизного сопровождения и обслуживания. У меня есть сложившееся видение конечной цели, только вопрос времени и трудочасов пока я к нему приду.

Но одно понятно точно уже сейчас - ИИ агенты, имеющие долгосрочную память и хорошо прописанные инструкции - способны справляться с практически любыми задачами в обобщённом цифровом пространстве, с которыми может справится средний человек. И делают это быстрее, стабильнее и значительно дешевле на единицу работы уже сегодня. Такие дела.

[chersun]

Сложно, если честно. Я веду PKMS очень давно, до этого обожал OneNote - за очень легкое форматирование и поиск по скриншотам, очень облегчало работу. Лет 10 точно на нём сидел. В какой-то момент решил перейти на локальный открытый формат. Перепробовал всё - остановился на Obsidian в итоге. Пробовал разные форматы - не ложилось, никак. То не мог найти, то сложно структуру поддерживать, то дико переусложненное (опять же - неподдерживаемое).

В конце-концов пришел к какому-то своему пониманию zettelkasten в Obisidian - максимально короткие и простые заметки, по сути в одной папке, каждая с 1 главной мыслью, именно в моей формулировке. Ключевое - связи. Сложные заметки - декомпозируются на простые. Тэгов - фактически нет. Некоторые вещи ушли во frontmatter (типа статуса, которым реально активно пользуюсь), но в целом ушел именно к максимальной простоте и связям. И вот как раз отсюда начались интересные вещи. Раньше я постоянно забывал где что искать. Помнил, что есть, но где - не найти. Со связями (граф + backlinks) - я стал легко находить (в 1-2 хопа). Причём чем больше я следовал этой концепции, тем больше обращался к локальному графу. И чем чаще обращался к локальному графу, тем больше мне начала откликаться концепция "второго мозга". Многие вещи выпадают из контекста, особенно на долгом периоде - граф мне позволял увидеть их снова. Я полностью отказался от MOC (опять же сложность поддержки), и положился на встроенную базу. В итоге типовая заметка - буквально 1-2 абзаца смысловых (если только не требуются технические детали). Остальное - ссылками между статьями, ходя по ссылкам - переоткрываешь связность.

Оценить объективно насколько это помогает - я не знаю как, но то, что лично мне это помогает - 100%. Другой вопрос, что я сомневаюсь, что нормальные люди готовы столько инвестировать в это. Окупается очень сильно спустя - я бы сказал, что минимум год надо инвестировать. Сейчас вот пытаюсь понять на сколько я готов подпускать агента, и стоит ли его пускать в то же пространство, или в отдельное (а если в отдельное, то зачем, если есть вики на работе, а к личному я его и не хочу пускать).

[anonym0use]

С древних времен пользуюсь вот такой программкой https://docfetcher.sourceforge.io/ru/
Индексирует все что выберите, файлы/заметки/документы, мгновенно находит все что нужно по ключевым словам, если встречаются в содержимом/названии.

[greenrus]

Кстати у обсидиана с недавних пор есть свой cli, с помощью которого ИИ агент сможет в привычном для себя виде работать с заметками

[Dmitrii_Zz]

Немного непонятно, что в статье подразумевается под вторым мозгом. Личное, огромный объем информации рабочих проектов или просто хранение всего подряд? Поясню: информация о проекте это чаще всего просто документация. Огромный объем информации это просто "база знаний". Мозг же ассоциируется с личностью, второй мозг должен быть её продолжением. Записать мысль, чтобы не забыть, или что-то вроде личного дневника: это способствует росту (личностному и профессиональному).

у всех она умирала. Причина простая: такая система начинает приносить пользу через годы, а стоит — каждый день.

Тут бы я не стал так утверждать. Будут хотя бы неудачные примеры?

Сам пользуюсь obsidian как "вторым мозгом" уже лет 5, перепробовал много подходов и сформировался удобный для меня. Это приносит пользу каждый день (даже когда только начинал), а на дистанции кратный личностный/профессиональный рост, а не через годы как сказано в статье.

В целом статья понравилась, LLM не использовал в этой области, спасибо за идею, нужно попробовать.

[WebPeople]

Заявление смелое очень, что второй мозг строят все. Кликбейт классический.

А если про саму систему зетлкастен - она создавалась не для создания второго мозга, а для помощи своей памяти.

Ценность такой системы проявляется на длительном периоде потому, что память родная затирается. Остаётся какой-то обрывок, слово, образ - и по нему ты можешь восстановить целый пласт информации из прошлого, если он у тебя записан.

Особенно важно здесь КАКАЯ и КАК записана информация. Не тупо общедоступная информация, а пропущенная через свое мышление. Мысли. Утверждения. Заметки. Описания коллег, друзей, знакомых, партнёров. Фото. Все это может быть подкрепленно ссылками на внешние источники.

В чем польза от ИИ в Obsidian? С одной стороны - нейросеть избавляет от части рутины. Сама проложит нужные связи, пометит тегами, а потом по запросу выдаст нужную информацию. Экономит время на ведение такой системы и упрощает доступ к ней.

А с другой стороны, какой вред может принести такое использование ИИ в Obsidian?

Сам процесс ведения таких заметок позволяет замедлиться и подумать. В наше "быстрое" время мы постоянно пытаемся экономить его (время) на всем подряд. Сделать заметку и забыть про нее. Выделить цитату, поделиться к себе в избранное и забыть. И т.д.

Но на некоторых вещах экономить очень вредно. Например, экономить на своем же мышлении и памяти. Не давать себе время на раздумья. Безостановочное поглощение контента (информации) без ее обработки в голове превращает нас в инфозомби. Отключает критическое мышление.

Если вместо наших мыслей в обсидиан будут записаны суррогаты от ИИ (ее выводы и обобщения), и выдаваться будут такие же обработанные механические результаты, то как по мне, половина пользы от системы зетлкастен срежется.

Это всё ещё будет база данных по той информации, что вы откладываете. Но это уже не будет отпечатком вашей личности.

И это нарушение главного принципа системы зетлкастен.

Одна заметка - одна идея.

Ваша идея. Не обработанная ИИ. Если цитата - записанная вашими словами и то, как вы ее понимаете. И т.д. Если идея сложная - разбивать ее на несколько и связывать. Понятность без контекста.

Поможет ли в этом процессе ИИ? Да, но только если оставить на нем сухую механику. Например, найти все идеи, похожие по контексту. Как поисковик - отлично. Но оценивать и связывать надо самостоятельно. Ещё можно использовать его как систему рекомендаций.

[Vipo]

У каждого человека свой ответ и своё виденье того что он хочет получить от "Второго мозга"
Для меня меня это поиск крупицы золота в огромном океане информации. Поиск истины, смысла, причинно-следственной связи.
Было принято решение создавать свою программу, локальную.
вот маленький отрывок README.md

KGDIS

KGDIS - локальная система знаний, памяти и доказательного поиска по источникам.

Проект создаётся как “библиотека смысла” для человека и внешних агентов: система индексирует документы, код и контекст репозитория, извлекает утверждения, группирует их в темы, строит связи и отвечает только по найденным данным.

Главный принцип: если в источниках нет подтверждения, система не должна придумывать ответ.

Зачем нужна программа

Обычный поиск возвращает похожие фрагменты. KGDIS должна идти глубже:

• видеть, какие утверждения реально есть в источниках;

• показывать, где именно найдено доказательство;

• объединять близкие утверждения в группы;

• выделять темы знаний и связи между ними;

• задавать уточняющие вопросы, если запрос широкий или неоднозначный;

• хранить память для внешнего помощника или агента;

• отделять факты из источников от личной памяти и адаптивных предпочтений.

В будущем такая система может быть частью личного цифрового помощника, например проекта “Джарвис”, но архитектура не привязана к одному агенту.

Подключение агентов

KGDIS может быть памятью и источниковой библиотекой для любого внешнего агента.

LLM-Профили

KGDIS может работать без LLM, но для более естественной подачи ответа можно подключить языковую модель как низко доверенный слой.

Важно: в архитектуре KGDIS LLM подключается не напрямую, а через контролируемый шлюз. Это значит:

• модель получает только подготовленные артефакты вроде QueryPlan, Evidence Pack, Blueprint, Correction Packet и Inspector Bundle;

• сырой пользовательский ввод и недоверительный контент не должны смешиваться с проверенным factual layer без явной разметки;

• LLM не выносит окончательное решение об истине, а производит проверяемые артефакты:

  • план поиска,

  • черновой ответ,

  • исправленный ответ,

  • инспекторскую заметку,

  • рекомендацию по улучшению системы.

Сейчас предусмотрены два базовых профиля:

• local_qwen_small - маленькая локальная Qwen через llama.cpp endpoint /completion;

• titin_qwen_32b - внешняя Qwen 32B или модель Джарвис через OpenAI-compatible endpoint /v1/chat/completions.

В обоих случаях LLM не является источником истины. Она получает только Evidence Pack и Blueprint, не может писать в память, не может повышать confidence и не должна добавлять факты без источников.

Live Inspector и Inspector Bundle

KGDIS создаётся не только как система ответов, но и как наблюдаемая система знаний. Это значит, что по важному запросу пользователь или внешний инспектор должны иметь возможность увидеть не только итог, но и путь: как был понят запрос, какие retrieval-слои сработали, какие claims и источники попали в пакет доказательств, что было передано в LLM и почему verifier принял или отклонил ответ.

Live Inspector / Trace Mode

Онлайн-режим для просмотра внутренней работы KGDIS по шагам: query_plan, retrieval, rerank, evidence pack, blueprint, ответ, verification и audit.

Inspector Bundle

Переносимый слепок одной инспекционной сессии. Подходит для внешнего анализа, удалённой настройки, тестов, сравнений между версиями KGDIS и совместной диагностики.

Такой режим нужен, чтобы различать: проблема в данных, в retrieval, в graph-логике, в answer pipeline или в verifier. Это делает KGDIS не “чёрным ящиком”, а проверяемой инженерной системой.

Важно: большая внешняя LLM в этом режиме не является источником истины. Она анализирует работу KGDIS, но не должна подменять factual layer, напрямую менять память или повышать confidence знаний.

Инструкция для большой инспектирующей LLM находится в docs/cards/INSPECTOR_GATEWAY.md.

В программе реализовано много чего что здесь не описано и предстоит сделать ещё многе.
Всё ради того чтобы можно было использовать программу для помощи человеку в море информации. Мы не можем помнить всё как компьютер, но мы можем построить программу которая нам поможет в обработке этого необьятного. В данном случае это KGDIS. Я привожу пример для друзей такой: если сломал ногу, то накладывают гипс и выдают костыли. Далеко уйдёте без костылей?
KGDIS - это костыль! Чтобы воспользоваться им нужно иметь большое количество локальной информации. Чего у нас в интернете очень много. Локальные статьи и библиотеки.
KGDIS задумывалась для работы с этим добром. Есть возможность установить соединение с локальными LLM для формирования правильного запроса и хорошо сформулированного ответа от KGDIS. (в настройках программы KGDIS, LLM сильно зажата правилами) И для аудита работы самой KGDIS. Это позволяет настроить работу программу с помощью огромных LLM через шлюз (где тоже применяются жёсткие правила).
В итоге должно выйти следующее: запрос информации у личного AI (Hermes для примера) отправляется параллельно к нескольким источникам: поисковику Google, большой модели Алиса и к нашей KGDIS.
Hermes выкатит ответы от всех 3х. Вот только вы точно будете знать что ответ от KGDIS исключает ГАЛЛЮЦИНАЦИИ. Он ориентирован на локальные источники.
Для кого это? для исследователей в первую очередь. Мы видим как корпорации пытаются подсадить людей на использование LLM - типа Gemini. KGDIS должна помочь придерживаться истины. Это заставляет пользователя вкладывать только проверенную информацию. С одной стороны это хлопотно, с другой это окупается. В исследованиях помогает придерживаться только проверенных данных.
Как то так. Это было моё виденье.