Андрей Карпаты показал идеальную архитектуру для ИИ-агентов (и она гениально проста👌)
Забудьте про сложные векторные базы данных (RAG) и платные инструменты. Известный ИИ-исследователь Андрей Карпаты поделился своим методом создания саморазвивающегося «второго мозга», который работает исключительно на голых текстовых файлах.
🧐Как это устроено:
Вы просто скидываете все исходники (статьи, PDF, картинки) в папку raw/. Затем натравливаете на неё языковую модель. Нейросеть выступает в роли автономного библиотекаря: она сама читает данные, пишет саммари, разбивает информацию по категориям и собирает из обычных Markdown-файлов (.md) структурированную Википедию, проставляя перекрестные ссылки. Obsidian (не cli, бесплатная версия) здесь используется просто как удобная и бесплатная программа для просмотра этих файлов.
✨В чем главная магия:
Весь секрет — в закольцованности. Когда вы задаете ИИ сложный вопрос по собранной базе, он не просто выдает текстовый ответ в чат. Он генерирует новую статью, таблицу или график и физически сохраняет этот ответ обратно в папку. Таким образом, с каждым вашим исследовательским запросом база знаний становится умнее и обрастает новыми связями.
🧠 «Петля знаний» Андрея Карпаты
Вместо того чтобы каждый раз закидывать в чат-бота тонны текста, он использует его как автономного редактора:
Свалка (Raw): Он просто скидывает нужные PDF, датасеты, картинки и вырезки из интернета в одну папку на компьютере.
Компиляция: LLM (через простые скрипты в терминале) сама читает всё это и пишет структурированную Википедию в формате Markdown. ИИ делает саммари, выделяет концепции и проставляет обратные ссылки.
Интерфейс: Карпаты почти не пишет заметки руками. Он открывает Obsidian просто как красивую читалку для того, что собрал и отсортировал ИИ.
Магия цикла: Когда он задает сложный вопрос, ИИ ищет ответ в этой же базе, выдает результат и сохраняет его обратно в Википедию как новую статью. База знаний прокачивает сама себя с каждым вашим запросом.
Этот подход доказывает, что автономным ИИ-агентам не нужны гигантские окна контекста (запихивать все знания мира в один промпт — дорого и неэффективно) или сложные API-интерфейсы. Им нужна просто хорошая файловая система и понятная инструкция в корневой папке (например, файл AGENTS.md).
Это дешево, абсолютно прозрачно (все знания лежат в ваших папках на диске, а не в «черном ящике» весов нейросети) и открывает путь к созданию совершенно нового класса полезных ИИ-продуктов. В комментариях разработчики соглашаются, что это идеальная архитектура для будущих ИИ-агентов. Им не нужна бесконечная память в голове, им нужна хорошая файловая система, в которой они могут сами копаться, наводить порядок и из которой могут извлекать знания🤓
Качаем, тестируем, эволюционируем🥳
_______
Источник | #Futuris
Забудьте про сложные векторные базы данных (RAG) и платные инструменты. Известный ИИ-исследователь Андрей Карпаты поделился своим методом создания саморазвивающегося «второго мозга», который работает исключительно на голых текстовых файлах.
🧐Как это устроено:
Вы просто скидываете все исходники (статьи, PDF, картинки) в папку raw/. Затем натравливаете на неё языковую модель. Нейросеть выступает в роли автономного библиотекаря: она сама читает данные, пишет саммари, разбивает информацию по категориям и собирает из обычных Markdown-файлов (.md) структурированную Википедию, проставляя перекрестные ссылки. Obsidian (не cli, бесплатная версия) здесь используется просто как удобная и бесплатная программа для просмотра этих файлов.
✨В чем главная магия:
Весь секрет — в закольцованности. Когда вы задаете ИИ сложный вопрос по собранной базе, он не просто выдает текстовый ответ в чат. Он генерирует новую статью, таблицу или график и физически сохраняет этот ответ обратно в папку. Таким образом, с каждым вашим исследовательским запросом база знаний становится умнее и обрастает новыми связями.
🧠 «Петля знаний» Андрея Карпаты
Вместо того чтобы каждый раз закидывать в чат-бота тонны текста, он использует его как автономного редактора:
Свалка (Raw): Он просто скидывает нужные PDF, датасеты, картинки и вырезки из интернета в одну папку на компьютере.
Компиляция: LLM (через простые скрипты в терминале) сама читает всё это и пишет структурированную Википедию в формате Markdown. ИИ делает саммари, выделяет концепции и проставляет обратные ссылки.
Интерфейс: Карпаты почти не пишет заметки руками. Он открывает Obsidian просто как красивую читалку для того, что собрал и отсортировал ИИ.
Магия цикла: Когда он задает сложный вопрос, ИИ ищет ответ в этой же базе, выдает результат и сохраняет его обратно в Википедию как новую статью. База знаний прокачивает сама себя с каждым вашим запросом.
Этот подход доказывает, что автономным ИИ-агентам не нужны гигантские окна контекста (запихивать все знания мира в один промпт — дорого и неэффективно) или сложные API-интерфейсы. Им нужна просто хорошая файловая система и понятная инструкция в корневой папке (например, файл AGENTS.md).
Это дешево, абсолютно прозрачно (все знания лежат в ваших папках на диске, а не в «черном ящике» весов нейросети) и открывает путь к созданию совершенно нового класса полезных ИИ-продуктов. В комментариях разработчики соглашаются, что это идеальная архитектура для будущих ИИ-агентов. Им не нужна бесконечная память в голове, им нужна хорошая файловая система, в которой они могут сами копаться, наводить порядок и из которой могут извлекать знания🤓
Качаем, тестируем, эволюционируем🥳
_______
Источник | #Futuris