O czym jest ten film
- Dlaczego codzienne pytania do AI zaczynają za każdym razem od zera: klasyczny RAG w asystentach niczego nie kumuluje, a praca włożona w wyjaśnianie kontekstu wyparowuje.
- Koncepcja „LLM wiki” Andreja Karpathiego: Obsidian jako środowisko programistyczne, model jako programista i kompilator, a notatki jako repozytorium — z testami spójności (lint) i „runtime’em”, czyli rozmową z gotową bazą.
- Obsidian bez tajemnic: vault to zwykły folder z plikami Markdown — brak uzależnienia od dostawcy, zero kosztów, ogromna społeczność wtyczek i widok grafu połączeń między notatkami.
- Migracja z Notion (i Evernote, Google Keep, Apple Notes) wtyczką Importer — eksport po API daje najlepszą jakość, a duża baza przenosi się w około 40 minut; potem Claude robi audyt i tagowanie.
- Warsztatowa struktura bazy: RAW (surowce), wiki (synteza), persona właściciela i „konstytucja” w CLAUDE.md; model sam wykrywa nieprzetworzone źródła, pyta przed dodaniem i zaznacza sprzeczności.
- Zautomatyzowany pipeline Bohaczyka: Web Clipper, watchery folderów, napisy przez yt-dlp, lokalny Whisper i GLM OCR — transkrypcje i odczyt dokumentów za zero tokenów, a nocny hook kompiluje wiedzę o 23:00.
- Co ląduje w wiki: strony źródeł, koncepty, encje i indeks; operacje to odpytywanie bazy, health-check spójności oraz wyciąganie zadań z transkrypcji spotkań (drafty maili, follow-upy).
- Granice skalowania: sufit rzędu 100–2000 notatek; wyjściem jest kilka wiki per dziedzina albo rozszerzenie o RAG — największy potencjał w hybrydzie bazy grafowej i wektorowej.
- Jakość wiedzy: wskaźnik pewności (ile źródeł potwierdza tezę), świeżość weryfikacji, zastępowanie przestarzałych informacji, filtre wejściowe (np. blokada Forexu) i model w roli sędziego wartości źródła.
- Praktyka z życia: integracje z mailem, kalendarzem i Slackiem, synchronizacja na telefon (GitHub, Syncthing, iCloud), prywatność dzięki lokalnym modelom oraz premiera Claude Opus 4.7 testowana na żywo.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Przestań zaczynać od zera — każda rozmowa z AI powinna wzbogacać bazę
Na czym polega: Schemat „pytanie–odpowiedź–zamknięcie czatu” marnuje pracę włożoną w wyjaśnianie kontekstu. Model nie pamięta wczorajszej rozmowy ani stanu projektu, więc z czasem to ty zaczynasz pracować dla AI, tłumacząc po raz piąty w miesiącu to samo.
Jak stosować: Prowadź trwałe repozytorium wiedzy (np. vault w Obsidianie). Nowe informacje wrzucaj do warstwy surowców, a pytania zadawaj wobec zasymilowanej, uporządkowanej części bazy — nie gołego czatu.
Na co uważać: Sekcja „pamięci” w asystentach przeglądarkowych nie zastąpi własnej bazy. Do repozytorium warto wrzucać tematy długoterminowe i projektowe, nie każdą błahą rozmowę.
2.Zasada Karpathiego: notatki traktuj jak kod, a model jak kompilator
Na czym polega: Analogia Karpathiego odwraca role: zamiast kazać AI szukać po dokumentach, dajesz mu rolę programisty utrzymującego twoje repozytorium. Synteza powstaje raz, a potem jest tylko aktualizowana i linkowana z resztą wiedzy.
Jak stosować: Wydziel warstwy: surowe źródła i wiki (synteza). Wprowadź trzy operacje: wciąganie źródeł (ingest), odpytywanie bazy i przegląd spójności (lint). Pierwszy plik, który model otwiera przy pytaniu, to indeks całej bazy.
Na co uważać: To podejście ma sufit — według Karpathiego od 100 do 2000 notatek, zależnie od modelu i rodzaju treści. Przy większej skali trzeba dołożyć wyszukiwanie wektorowe.
3.Oddziel surowce od syntezy
Na czym polega: Warstwa RAW pozostaje nietknięta — dzięki temu w każdej chwili możesz sprawdzić, na czym właściwie bazuje zasymilowana wiedza. To źródło wiarygodności: notatki nie „wzięły się znikąd”.
Jak stosować: Wrzucaj do RAW nawet chaotyczne zapiski (np. ze Apple Notes) — proces kompilacji je uporządkuje, wyciągnie koncepty i połączy linkami z istniejącą wiedzą.
Na co uważać: Surowce mogą być nieuporządkowane, ale nie powinny być merytorycznymi śmieciami — garbage in, garbage out działa w każdym podejściu.
4.Napisz „konstytucję” bazy i opisz własną personę
Na czym polega: Plik z regułami (CLAUDE.md, ewentualnie skille) definiuje, jak model ma wciągać źródła, linkować notatki, prowadzić logi i zastępować przestarzałą wiedzę. Osobna notka o tobie i twoim stylu sprawia, że syntezy powstają „na twój wzór”.
Jak stosować: Zacznij od gista Karpathiego albo gotowego szablonu i pozwól modelowi wyprowadzić zasady w trybie rozmowy. Doprecyzuj cykl życia wiedzy: co zrobić, gdy nowe źródło zaprzecza staremu.
Na co uważać: Reguły wymagają iteracji — od czasu do czasu przejrzyj, co model faktycznie robi z twoją bazą, i popraw instrukcje.
5.Człowiek zatwierdza, AI proponuje
Na czym polega: Dobrze skonfigurowany model nie wrzuca niczego bez pytania. Raportuje pokrywanie się z istniejącą wiedzą, zaznacza sprzeczności i potrafi odrzucić materiał niskiej wartości — w demie „marketingową papkę” wędrującą pod pozorem treści merytorycznej.
Jak stosować: Włącz pytanie kontrolne przy każdym imporcie. Gdy źródła się gryzą, pozwól modelowi dopytać ciebie, która wersja jest aktualna — wiedzę budujecie razem.
Na co uważać: To nie zdejmuje z ciebie odpowiedzialności. Nowe strony i połączenia warto przeglądać, przynajmniej na początku.
6.Zautomatyzuj wciąganie źródeł — i zrób to za darmo
Na czym polega: Pełny pipeline: Web Clipper do łapania treści z przeglądarki, watcher folderów, napisy pobierane przez yt-dlp, transkrypcja lokalnym Whisperem, OCR lokalnym modelem, a wszystko kompilowane nocnym hookiem — rano czeka gotowa synteza.
Jak stosować: Ustaw hook Claude Code (np. SessionStart jako nocny cron) i skrypty pilnujące folderów. Transkrypcje i odczyt dokumentów realizuj lokalnie — koszt zerowy w tokenach.
Na co uważać: Poufne dokumenty (umowy!) trzymaj z dala od chmury — nie wklejaj ich do modelu bez lokalnego pipeline’u. Lokalne rozwiązania bywają wolniejsze od API.
7.Higiena bazy: przegląd spójności, pewność i świeżość
Na czym polega: Regularny health-check wyłapuje zepsute linki, osierocone strony i sprzeczności. Wskaźnik pewności mówi, ile źródeł potwierdza daną tezę; znacznik świeżości — kiedy notatkę ostatnio weryfikowano. Przestarzałą wiedzę zastępuje się i oznacza czytelnym wyróżnieniem, zamiast kasować.
Jak stosować: Opatruj notatki metadanymi (tagi, pewność, data weryfikacji), żeby model mógł filtrować po zaufaniu i aktualności. Nieaktualne materiały archiwizuj, żeby nie zaciemniały odpowiedzi.
Na co uważać: Dodawanie bez czyszczenia zamienia bazę w cmentarzysko — dokładnie tak umarły trzyletnie notatki prowadzącego w Notion.
8.Zadbaj o dostęp z każdego urządzenia
Na czym polega: Skoro vault to zwykłe pliki, synchronizacja jest prosta: GitHub z wtyczką Git robi automatyczne commity, a repo otwierasz z telefonu przez dowolnego klienta albo Claude’a w przeglądarce. Alternatywy: Syncthing (sieć lokalna lub VPS) albo folder w iCloud jako vault.
Jak stosować: Podłącz bazę do repozytorium i notatki dodawane na telefonie lądują w niej same. Syncthing wystawiony na świat synchronizuje z każdego miejsca niemal w czasie rzeczywistym.
Na co uważać: Publiczne repo to wyciek — rozdziel vaulty publiczne i prywatne; z pomocą Obsidian CLI możesz kontrolować, do których agent ma dostęp.
9.Przy większej skali: hybryda grafu i wektorów
Na czym polega: Po przekroczeniu kilkuset–dwóch tysięcy notatek indeks i logi przestają się mieścić w oknie kontekstu i rozmowa z bazą traci efektywność. Wyjścia: osobne wiki per dziedzina (robi tak sam Karpathy) albo rozszerzenie o RAG z wyszukiwaniem semantycznym.
Jak stosować: Na start jeden temat na vault. Gdy baza urośnie, dołóż warstwę wektorową (np. multimodalne embeddingi) do istniejącej bazy grafowej — według prowadzących skuteczność odpytywania rośnie wtedy drastycznie.
Na co uważać: Nie przewymiarowuj na starcie. Prosty setup z grafem połączeń często wystarcza — linki same w sobie oszczędzają tokeni, bo model od razu „widzi” powiązania.
10.Start zajmuje godziny, nie tygodnie
Na czym polega: Jeden z prowadzących postawił podstawowy silnik w około godzinę, drugi — biorąc gist Karpathiego, prosząc Claude’a o pomysły, a potem o PRD i implementację — w niecałe dwie godziny wraz z poprawkami.
Jak stosować: Weź gist Karpathiego lub szablon z plikiem Bootstrap, który przeprowadzi cię za rączkę: wypytają o temat bazy, personę i styl. Poproś model o dokument wymagań i pomysły na automatyzacje, a potem iteruj.
Na co uważać: Silnik to nie baza — wartość rośnie dopiero dzięki regularnemu zasilaniu i porządkowaniu. Wartość zaczyna się od pierwszych własnych źródeł, nie od idealnej architektury.
Redakcyjne tłumaczenie
Wprowadzenie: warsztat AI Ninjas
Kolejny warsztat cyklu AI Ninjas poprowadzili Krzysztof Tutak i Krzysztof Bohaczyk. Plan wieczoru: najpierw koncepcja „drugiego mózgu”, potem seria pokazów na żywo — migracja notatek z Notion do Obsidiana, research i synteza wiedzy z Claude Code, koncepcja LLM wiki, odczyt dokumentów, planowanie zadań — a na końcu sesja pytań i odpowiedzi oraz niespodzianka dla wytrwałych. Na antenie zebrało się około 120 osób. Ciekawostka dnia: właśnie odbyła się premiera Claude’a Opus 4.7, więc nowy model został przetestowany na żywo, w trakcie dema.
Problem: każdy dzień z AI zaczyna się od zera
Tutak otwiera tezą: twoja wiedza zasługuje na więcej niż tylko wyszukiwarka. Standardowy sposób pracy z asystentem to pytanie, odpowiedź i zamknięcie czatu. Jutro masz podobne pytanie, może z tego samego projektu — i znów musisz wyjaśniać kontekst, tłumaczyć, z czym mamy do czynienia. Na poziomie pojedynczego pytania to działa, ale spójrzmy, co się dzieje naprawdę: każda rozmowa startuje od zera. Model nie pamięta, co dostał od ciebie wczoraj, nie pamięta podobnych pytań z zeszłego miesiąca, nie zna stanu twojego projektu. Praca włożona dziś w dobry prompt jutro po prostu wyparowuje. Z czasem zauważysz, że to ty pracujesz dla AI — tłumaczysz mu kontekst po raz piąty w tym samym miesiącu, zamiast sprawić, by AI pracowało dla ciebie.
Asystenci przeglądarkowe mają co prawda mechanizm RAG (Retrieval Augmented Generation): wrzucasz dokumenty, system indeksuje je do wektorów, przy pytaniu wyciąga pasujące fragmenty i składa z nich odpowiedź. Tak działają ChatGPT z plikami, NotebookLM czy Claude z załącznikami. Problem w tym, że każde kolejne pytanie i tak rusza od początku — szuka, wyciąga, składa. Nic nie rośnie w czasie. Wyobraź sobie badacza, który tygodniami czyta publikacje naukowe, a ty mówisz mu: „od jutra zapominasz wszystko”. Brzmi absurdalnie — a dokładnie tak traktujemy modele na co dzień.
Pomysł Karpathiego: niech model zostanie programistą twojej wiedzy
Andrej Karpathy — współzałożyciel OpenAI, dawniej szef AI w Tesli — opublikował na Twitterze post z dłuższym dokumentem, w którym opisał osobistą bazę wiedzy w formie wiki. Jedno zdanie z tego materiału przewraca podejście do notatek do góry nogami: Obsidian to środowisko programistyczne, LLM to programista, a wiki to repozytorium kodu. To nie jest odkrycie od zera — można powiedzieć, że Karpathy dał tematowi drugie życie.
Rozpakujmy to zdanie, bo zmienia sposób myślenia o notatkach: nie tylko ich szukamy, ale je budujemy. Zamiast zadawać pytanie i kazać modelowi grzebać w dokumentach, dajesz mu rolę programisty-badacza, który utrzymuje twoje repozytorium — z tą różnicą, że zamiast kodu są w nim notatki, syntezy i podsumowania, powiązane między sobą linkami. Baza rośnie razem z tobą: AI czyta nowe źródło, aktualizuje istniejące strony, a nowe tworzy tam, gdzie są potrzebne. Synteza robiona jest raz, a potem tylko się rozrasta.
Bohaczyk rozwinął analogię na diagramie. Notatki, artykuły, PDF-y, a nawet kod źródłowy to „surowy kod”. LLM pełni rolę kompilatora: przetwarza go raz i produkuje coś gotowego do użycia — właśnie wiki, poukładaną i zlinkowaną między tematami, której nie trzeba kompilować przy każdym uruchomieniu. Kolejny element to zestaw testów, czyli lint: przy każdym przeglądzie sprawdza brakujące linki, luki w informacjach i sprzeczności — to on utrzymuje drugi mózg w ryzach. Na końcu runtime: zamiast szukać w dokumentach, rozmawiasz z gotową bazą, którą AI zbudowało dla ciebie, i eksplorujesz to, co powstało, także w widoku grafu. Karpathy sam zaznaczył, że to rozwiązanie słabo się skaluje — do tego wątku wrócimy.
Obsidian: drugi mózg, który jest zwykłym folderem
Vault (w polskim interfejsie Obsidiana: magazyn) to po prostu folder na twoim dysku z plikami Markdown. I to jest jego największa przewaga: nie jesteś związany z żadnym dostawcą. Możesz odinstalować Obsidiana — a nawet gdyby aplikacja kiedyś przestała istnieć — notatki zostają u ciebie na komputerze jako zwykłe pliki tekstowe, do otworzenia w czymkolwiek. Narzędzie jest darmowe, a ponieważ jest otwarte, społeczność wyprodukowała tysiące wtyczek i rozwiązań. Do tego widok grafu: nie „śmieszna wizualizacja”, a realna mapa połączeń między notatkami.
Trzy lata Notion i cmentarzysko notatek
Tutak przez trzy lata budował bazę wiedzy w Notion — projekty, researchy, wyciągi z książek. Problem był taki, że im więcej materiałów miał, tym rzadziej do nich zaglądał. Utrzymanie drugiego mózgu wymaga pracy, a jego notatki z czasem zamieniły się w cmentarzysko: nie dało się połapać w strukturze ani wrócić do wielu zapisków. Do tego brakowało sensownej integracji z AI — dostęp przez MCP okazał się toporny, zżerał mnóstwo tokenów, wyszukiwanie działało punktowo i gubiło treści, a ręczny remont bazy zająłby tygodnie.
Rozwiązanie: eksport do Obsidiana i zarządzanie lokalnie. Duży Notion przeniósł się przez API w niecałą godzinę, a potem Claude zrobił audyt — co do poprawy, które linki przestarzałe — otagował notatki i przygotował bazę do dalszej pracy.
Podczas dema Tutak pokazał wtyczkę Importer, obsługującą też Evernote, Google Keep, Apple Notes, Bear, HTML, CSV czy zwykłe Markdowny. Dla Notion są trzy ścieżki: przez API (trzeba wygenerować integrację i token; najdłużej trwa, ale jakość jest zdecydowanie najlepsza), eksport plików z ustawień (gubi informacje, dużo błędów) oraz import z zipa (tu akariamente pojawiały się problemy). Sam import dużej bazy zajął około 40 minut, a tryb przyrostowy sprawia, że kolejne rundy dodają tylko nowe i zaktualizowane strony.
Na koniec widok grafu w akcji: przybornik z narzędziami AI liczący 409 pozycji — każda kropka na grafie to osobna notatka z opisem, oceną i linkiem, a kliknięcie pokazuje, co jest z nią powiązane. Tyle że w tym przykładzie powiązania przyszły jeszcze z Notion; w drugim, własnym vaulcie Tutaka łączy je już automatycznie Claude.
Vault na warsztacie: surowce, synteza, persona i konstytucja
Struktura pokazana przez Tutaka: RAW — surowe źródła, wiki — synteza wiedzy, persona — opis samego siebie i własnego stylu pisania (żeby notatki powstawały na jego wzór), a do tego reguły: swego rodzaju konstytucja vaultu w CLAUDE.md, definiująca, jak notatki mają powstawać i zachowywać się. Tutak dodał też własne rozszerzenia — m.in. stopniowanie wiarygodności źródeł.
Workflow wygląda tak: do RAW wrzucasz link do materiału (w demie — film o Karpathym, Obsidianie i Claude Code) i w terminalu prosisz: „ingestuj wiedzę”. Model sprawdza indeks, wyłapuje pliki nieprzetworzone (okazało się, że jest ich pięć, nie jeden) i przygotowuje syntezę — ale niczego nie wrzuca bezmyślnie. Zgłasza, że nowy materiał mocno pokrywa się z istniejącą wiedzą, i pyta, co właściwie dodać. Na polecenie tworzy np. osobną stronę dla autora filmu i dopina nowe wątki do istniejących stron. Gdy źródła są sprzeczne, zaznacza to albo dopytuje właściciela — wiedza buduje się więc wspólnie z człowiekiem.
RAW pozostaje nietknięty, i to celowo: to źródło wiarygodności, pozwalające w każdej chwili sprawdzić, na czym bazuje synteza — notatki nie wzięły się znikąd. Wiki to warstwa przetworzona i linkowana; można wędrować między notatkami po połączeniach.
Cały projekt jest podpięty do GitHuba: każda zmiana automatycznie ląduje w repozytorium, więc baza jest dostępna z telefonu czy tabletu — również do dodawania notatek. Po co budować bazę wiedzy dostępną tylko z jednego komputera? Z każdą zmianą zapisują się też logi: co danego dnia doszło, co zostało zaktualizowane. To daje świadomość, jak vault rośnie i w którym miejscu jesteś — a przy okazji pozwala wyłapać błędy.
Jedno ostrzeżenie: garbage in, garbage out. To, co wrzucamy do bazy, musi być wartościowe — jeśli do środka trafią śmieci, będą „ciążyć” w każdej kolejnej syntezie. Co do modeli: na potrzeby dema pracował Opus, ale do rutynowych notatek spokojnie wystarczy Sonnet — wyjdzie wydajniej.
W pełni zautomatyzowana wersja Bohaczyka
Bohaczyk podszedł do koncepcji Karpathiego niemal jeden do jednego, ale za to wprowadził wiele automatyzacji.
Pozyskiwanie źródeł: wtyczka Obsidian Web Clipper — jeden klik z przeglądarki i artykuł ląduje w RAW/articles, a film z YouTube w RAW/videos. Można też ręcznie przerzucić dowolny plik: PDF, JPG, MP4.
Wstępne przetwarzanie: nad folderami czuwa watcher — skrypt PowerShell uruchamiany przez hooki Claude Code. Pojawia się nowy film? Najpierw próba pobrania napisów biblioteką yt-dlp; jeśli ich nie ma, ściągana jest ścieżka audio i transkrybowana lokalnym Whisperem Large. Efekt: materiały z YouTube transkrybowane za zero tokenów. Film MP4 z dysku trafia do tego samego Whispera. Obrazy i skany czyta lokalny model OCR (GLM OCR), który — o ile wierzyć benchmarkom — wypada lepiej niż Gemini 3 Pro czy GPT 5.2; w demie bez zarzutu poradził sobie z odwzorowaniem struktury umowy (dane fikcyjne, przygotowane na warsztat). Tu ważna uwaga: poufnych dokumentów nie wklejamy do chmurowego modelu — w tym pipeline’u trawi je model lokalny, na własnym komputerze.
Kompilacja: LLM bierze przygotowane źródła i „kompiluje” z nich wiki, robiąc trzy rzeczy naraz — syntezę wiedzy z linkami między notatkami, backlinki (z nich powstaje graf) oraz strony konceptów w duchu encyklopedii: pojęcie, punkty, detale, kluczowe wnioski. Uruchomić to można na trzy sposoby: ręcznie (komenda ingest), albo… hookiem SessionStart — nazwa myląca, bo w tym setupie to nocny cron, który codziennie o 23:00 kompiluje wszystko, co wypadło do RAW. Rano siadasz do gotowej syntezy — nieważne, czy w nocy dorzuciłeś PDF-a, obrazek czy link do filmu.
Co trafia do wiki? Cztery rodzaje treści: strony źródeł (krótkie podsumowania: co tam było i po co to czytaliśmy), koncepty (jeden temat — jedna strona: embeddingi, RAG, fine-tuning), encje (osoby, firmy, projekty — np. AI Ninjas) oraz indeks — jedna strona zbierająca wszystko, pierwszy plik otwierany przez model przy pytaniu.
Na żywo, już na świeżym Opus 4.7, Bohaczyk odpalił ingest: w RAW czekało pięć źródeł — fikcyjna umowa, materiał o Claude’zie za darmo (Tutaka), dwa filmy astronomiczne i dorzucony przed chwilą materiał o życiu poza Ziemią. Model sam zaproponował strategię (zauważył m.in., że PDF i JPG to ten sam dokument), a po decyzji — „skompiluj tylko źródła o astronomii” — z dwóch filmów powstało 21 konceptów (od egzoplanet przez biosygnatury po paradoks Fermiego) i dwie encje: autorzy materiałów. Wszystko opisane w metadanych i wpiste do indeksu i logów.
Na gotowej bazie można wykonywać trzy operacje. Query — pytania, na które odpowiedź powstaje na podstawie syntezy, nie surowych plików (w demie: czym jest paradoks Fermiego — odpowiedź z klasami hipotez, od „ciemnego lasu” po „kosmiczne zoo”); rozmowy też zapisują się do wiki, więc nic nie przepada. Lint — health-check spójności: zepsute wikilinki, osierocone strony, sprzeczności, brakujące strony. I polecenia dodatkowe, np. codzienne podsumowanie notatek.
Na koniec ekstrakcja zadań: do bazy trafiła (fikcyjna) transkrypcja rozmowy o wdrożeniu AI. Model wyciągnął z niej konkretne action items — do piątku wysłać klientowi ofertę i odebrać od niego 50 próbek faktur — gotowe do przeniesienia do Todoista czy Jiry.
Granice skalowania i co dalej
Karpathy szacuje, że to podejście działa dla 100–2000 notatek, zależnie od modelu i rodzaju treści. Potem indeks i logi przestają się mieścić w oknie kontekstu i rozmowa z bazą traci efektywność. Są dwa wyjścia. Pierwsze: kilka osobnych wiki, każde dla jednej dziedziny — tak robi sam Karpathy (biznes, programowanie itd.). Drugie: rozwinięcie o RAG — na przykład multimodalny, indeksujący wideo, obrazy i teksty, z wyszukiwaniem semantycznym po całej bazie. Największy potencjał tkwi w hybrydzie: baza grafowa (Obsidian) plus baza wektorowa. Według Bohaczyka skuteczność rozmowy z notatkami rośnie wtedy drastycznie i można przetwarzać o rzędy wielkości więcej materiałów. Niezależnie od ścieżki — higiena: wiedzę, której nikt nie aktualizuje od miesięcy, warto archiwizować, żeby nie zaciemniała odpowiedzi. Sam graf już oszczędza tokeny: model widzi powiązania od razu, zamiast samodzielnie szukać, jak fragmenty się łączą.
Jakość wiedzy: pewność, świeżość, zastępowanie
Rozszerzenia porządkujące wiedzę, którymi dzielił się Tutak. Po pierwsze wskaźnik pewności (confidence): im więcej źródeł potwierdza to samo doniesienie, tym wyższy poziom zaufania do notatki; niski oznacza, że dowodów jest mało albo temat jest niejasny. Po drugie świeżość: kiedy notatka była ostatnio weryfikowana. Po trzecie zastępowanie (supersession): wiedza ma swój cykl życia — nowe źródło może zaprzeczyć staremu założeniu, ale starego nie kasujemy, tylko zastępujemy i oznaczamy czytelnym dla człowieka wyróżnieniem: „materiał nieaktualny, zastąpiony przez…”. Do tego tagi i metadane, po których model może filtrować — po dacie, poziomie zaufania czy temacie.
Wejście też można filtrować. W prostym pliku (Markdown, nawet Excel) definiujesz, jakich treści nie chcesz — na przykład w tematyce finansowej blokujesz Forex, bo interesuje cię pasywne inwestowanie. RSS-y zaciągają materiały codziennie, a baza odrzuca niechciane, oszczędzając nie tylko porządek, ale i tokeny na syntezie. Model potrafi też oceniać źródła jak sędzia: Tutak wrzucił blog, który „brzmiał ciekawie”, a Claude oznaczył go jako marketingową papkę — pod materiałem faktycznie kryła się firma sprzedająca swoje rozwiązanie. Materiał nie trafił do bazy, która dzięki temu nie rosłaby w śmieci.
Integracje: od drugiego mózgu do asystenta firmy
Lokalny vault da się spiąć z narzędziami codziennymi — i to jest jego największa praktyczna przewaga. Skrzynka pocztowa (Gmail, Outlook) z uprawnieniem wyłącznie do odczytu konkretnego labela, np. newsletterów; kalendarz; komunikatory typu Slack czy Teams; RSS-y; automatyzacje w duchu n8n czy Zapiera; własne serwery MCP; powiadomienia. Wtedy notatka z rozmowy z klientem uruchamia cały łańcuch: draft maila do sprawdzenia i wysłania, follow-up wystawiony w kalendarzu, powiadomienie dla zespołu na Slacku. Z notatek można wyciągać zadania i planować dalsze kroki. Jak podkreślał Tutak: po co nam drugi mózg, do którego wszystko musimy wprowadzać łopatologicznie? W dzisiejszym, zapracowanym świecie takie ręczne zbieranie wiedzy po prostu ucieka.
Niespodzianka dla wytrwałych: szablon z bootstrapem
Na koniec część merytorycznej sesji prowadzący rozdali startowy zestaw: instrukcję krok po kroku — instalacja Obsidiana, pierwszy vault, podpięcie GitHuba — oraz opis warstw i operacji (ingest, query, lint), razem z autorskimi rozszerzeniami: pewnością źródeł i świeżością notatek. W środku jest plik Bootstrap: Claude przeprowadza za rączkę, wypytując o temat wiki (marketing? research? projekt firmowy?), o personę i styl pisania, a potem konfiguruje vault pod konkretne zadanie. Można też zacząć od surowego gista Karpathiego — wrzucasz go do Claude’a i po prostu pracujesz. W materiałach dodatkowych znalazły się też oficjalne skille od twórców Obsidiana — jak podkreślano, miły dodatek, nie wymóg.
Tuż po tym przyszła krótka prezentacja społeczności AI Ninjas, rozwijanej od stycznia: warsztaty z ekspertami co dwa tygodnie, biblioteka nagrań, gotowe procedury i skille, a w Classroom mini-kursy — od uruchomienia agenta OpenClaw na własnym serwerze za kilkanaście złotych, przez lokalne modele (ponad 40 minut materiału o instalacji i konfiguracji), fundamenty AI czy bezpieczeństwo pracy z modelami na produkcji, po strony no-code i scraping. Dla uczestników warsztatu zniżka 50 zł na dołączenie (najtańszy pakiet to 99 zł miesięcznie) i 14 dni na zwrot pieniędzy bez podawania przyczyny.
Sesja Q&A — najważniejsze wątki
NotebookLM czy Obsidian? NotebookLM to zamknięte, chmurowe narzędzie Google — nie wiadomo dokładnie, co dzieje się pod spodem, obowiązują limity, potrzebne konto. Obsidian jest lokalny, prywatny, lekki, w pełni edytowalny i dowolnie dostosowywalny, a pliki przetrwają nawet koniec samej aplikacji. Ale nie trzeba wybierać: NotebookLM może być jednym ze źródeł, z których Obsidian korzysta.
Prywatność. Jeśli na niej zależy, nic nie stoi na przeszkodzie, by pod Claude Code podpiąć model lokalny — Bohaczyk testował Bielika 7B i przy syntezie notatek oraz odpowiadaniu na pytania nie widać dużej różnicy względem modeli Anthropic; jest wolniej, ale za to pełna prywatność. (Informacja dodatkowa: Bielik to polska rodzina otwartych modeli językowych, którą można uruchamiać na własnym sprzęcie.) Przy modelach chmurowych trzeba anonimizować dane — wrażliwe wartości zastępować placeholderami, np. numer PESEL słowem PESEL w podwójnych klamrach.
Kiedy notatek jest za dużo. Albo osobne wiki per dziedzina, albo rozszerzenie o RAG — o czym szerzej przy okazji skalowania. Ważne, by nie tylko dokładać, ale i zarządzać: nieaktualne rzeczy archiwizować.
Kilka vaultów naraz. Z pomocą Obsidian CLI można się łączyć do różnych magazynów — w projekcie trzymasz „mapę”, co gdzie jest. Vaulty można też dzielić na publiczne i prywatne: do tych drugich agent po prostu nie ma dostępu.
Skille. Claude i bez dodatków dobrze radzi sobie z konwencjami Obsidiana — sam przegląda dostępne komendy. Oficjalne skille od twórców aplikacji porządkują sposób pracy z vaultami (dokumenty, bazy, JSON Canvas, CLI), a własne skille prowadzących definią m.in. przebieg kompilacji czy prowadzenie logów. (Informacja dodatkowa: Kepano to nick Steph’a Ango, dyrektora generalnego Obsidiana.)
Dostęp z telefonu. GitHub z wtyczką Git — notatki same trafiają do repozytorium, a potem wystarczy dowolny klient Git albo Claude w przeglądarce: otwierasz zakładkę z kodem, łączysz z projektem i normalnie pracujesz — wyciągasz wiedzę albo dodajesz materiały. Alternatywy: Syncthing (darmowy projekt open source; w sieci lokalnej lub wystawiony na świecie synchronizuje w praktyce w czasie rzeczywistym), własny serwer VPS albo po prostu folder w iCloud jako vault — w ekosystemie Apple synchronizacja dzieje się sama.
Słabej jakości notatki, np. z Apple Notes. Właśnie po to jest RAW — wrzucasz surowe, nieuporządkowane zapiski, a proces kompilacji je porządkuje, tworzy syntezę i wyciąga koncepty.
Jeden plik ze stu linkami czy sto osobnych plików? Dla modelu to bez różnicy — wyciągnięcie stu linków z jednego dokumentu to żaden problem. Kwestia wygody: personalizuj pod siebie.
Skąd logi? Generuje je model, zgodnie z zasadami opisanymi w plikach reguł (CLAUDE.md, AGENTS.md) i skillach — tam definiujesz, jak prowadzić logowanie, jak dostarczać notatki do RAW i jak budować wiki.
Harmonogram automatyzacji. Podstawą są hooki wbudowane w Claude Code; do monitorowania folderów prowadzący dopisują własne skrypty PowerShell lub Python. Claude Code ma już wbudowaną zakładkę z codziennymi rutynami, ale obaj wolą własny cron — daje pełną kontrolę i działa też spoza Claude Code, np. z telefonu.
Codzienne zastosowania. Tutak wymienił dwa: po pierwsze, szybkie zrzucanie pomysłów i informacji — drugi mózg odciąża głowę, bo „zapamiętam, potem wrócę” kończy się tym, że się nie wraca, tematów jest za dużo i jesteśmy nimi przebodźcowani. Po drugie, szybsze trawienie materiałów i weryfikacja, czy nowa informacja jest naprawdę nowa, czy „odgrzany kotlet” w innym opakowaniu — baza pozwala to odbić i sprawdzić. Bohaczyk dorzucił przypadki biznesowe: nagrywanie rozmów z klientami (za ich zgodą), z których transkrypcja robi notatkę z podsumowaniem i zadaniami, a na jej podstawie powstaje draft maila; oraz bazę wiedzy o własnej marce, projektach i grupie docelowej, dzięki której na pytania klientów odpowiada się błyskawicznie, prosto z notatek.
Ile czasu zajmuje budowa? Tutak: główny setup w około godzinę — bo strukturę już miał wypracowaną, a nowy vault z gotowego szablonu robi się jeszcze szybciej. Bohaczyk: wziął gista i post Karpathiego, wrzucił do Claude’a z prośbą o pomysły na automatyzacje — po 5–10 minutach miał wstępny szkic wymagań; po krótkiej dyskusji (OCR, RSS-y, zadania) dokument był gotowy po 30–40 minutach, implementacja zajęła kolejne 30, dwie-trzy iteracje poprawek — i w niecałe dwie godziny działał cały silnik pokazany na warsztacie. Co najważniejsze: najprostsza metoda jest dobra, żeby zacząć.
Może po prostu Gemini do filmów z YouTube? Pod spodem też działa na narzędziach — nic nie dzieje się magicznie. Z praktyki Bohaczyka: przy materiałach około 30–40 minut model zaczyna halucynować, a przetworzenie dwugodzinowego podcastu po API potrafi kosztować kilka dolarów; na samych testach przepalił kilkadziesiąt dolarów, nie budując nic konkretnego. Jego recepta: transkrypcja lokalnie (yt-dlp, Whisper) plus open-source’owe multimodalne embeddingi Google — wektoryzacja za darmo i pełna kontrola. Warto też zadać sobie pytanie, czy potrzebujesz warstwy obrazu z filmu — zwykle wystarcza transkrypcja.
Opus 4.7 na żywo i koszty. Model miał premierę tego samego dnia i przeszły ingest bez zająknięcia. Ktoś na czacie wyliczył, że dwa źródła pochłonęły około 50 tysięcy tokenów — dłuższe filmy bywają kosztowne w syntezie, ale sama transkrypcja w hookach kosztowała zero, bo szła przez napisy i lokalnego Whispera.
Wdrożenia w firmach. Obaj prowadzący budują takie bazy dla własnych działalności; na meetapie o podobnych wdrożeniach dla małych i średnich firm opowiadał Kuba Masztalski. W kontekście firmowym kluczowa jest prywatność: lokalne modele albo anonimizacja danych.
Na koniec
Kolejny otwarty warsztat zaplanowano na maj — szczegóły na liście mailowej, tematy dobierane ankietami wśród społeczności. Jak podsumowali prowadzący: „nie jesteśmy od wczoraj i jutro nie znikamy” — na kanale czekają poprzednie wydania, m.in. o OpenClaw i marketingu z AI, a dla zainteresowanych głębszym wejściem w temat — społeczność i materiały bonusowe z gotowym szablonem drugiego mózgu.