Fable 5 + Karpathy's LLM Wiki is Basically Cheating

O czym jest ten film

Autor pokazuje swoją „LLM wiki“ — osobistą bazę wiedzy zbudowaną z transkrypcji własnych filmów z YouTube, w której poszczególne materiały łączą się wzajemnymi odnośnikami niczym „drugi mózg“.
Pomysł pochodzi od Andreja Karpathy’ego, który opisał metodę budowania osobistych baz wiedzy za pomocą LLM-ów: model indeksuje źródła, a Obsidian służy jako interfejs graficzny.
Całą strukturę powiązań między treściami tworzy automatycznie Claude Code — autor nie łączył pojęć ręcznie, tylko zlecił modelowi pobranie i „zaindeksowanie“ swoich materiałów.
Prawdziwa wartość ujawnia się dopiero po zgromadzeniu danych: model Fable 5 potrafił jednym promptem zamienić „bałagan powiązań“ w przejrzystą stronę HTML dla początkujących — coś, czego autor nie osiągnął przez cały dzień pracy z Opus 4.8.
Autor prowadzi kilka osobnych wiki: jedną dla transkrypcji z YouTube, drugą („Herk Brain“) dla nagrań ze spotkań firmowych — dzięki temu jego „AIOS“ zna cały kontekst biznesu.
Jako demonstrację autor poprosił model o wizualną opowieść o pierwszym półroczu 2026 roku — system samodzielnie zebrał statystyki subskrypcji, przychody, dane o odejściach klientów i lejek sprzedażowy.
Film zawiera instrukcję krok po kroku: instalacja Obsidiana, utworzenie vaulta, otwarcie go w Claude Code i wklejenie gista Karpathy’ego jako promptu założycielskiego.
Struktura wiki to zwykłe pliki Markdown: folder raw na surowe źródła, folder wiki na strony, plik index jako spis treści i log jako dziennik ingestów — a plik CLAUDE.md działa jako „router“ kierujący agenta do właściwych danych.
W praktycznym teście model przetworzył dwa źródła (system card Claude Fable 5 w PDF oraz artykuł OpenAI o GPT 5.6 z URL-a) w 20 wzajemnie powiązanych stron wiki i sam wychwycił, że oba dokumenty odwołują się do siebie nawzajem.
Ponieważ wszystko jest w Markdownie, wiki nie jest przywiązana do Claude Code — można ją podłączyć do dowolnego agenta; kluczem jest regularne przeglądanie struktury i korygowanie reguł ingestu.

Redakcyjne tłumaczenie

Drugi mózg z filmów na YouTube

To, na co teraz patrzycie, to zbiór moich filmów z YouTube „zaindeksowanych“ do LLM wiki. Kiedy przybliżę widok, zobaczycie poszczególne filmy, a łączące je linie to różnego rodzaju relacje między nimi. Zaczyna z tego wyrastać prawdziwy „drugi mózg“ — mapa wszystkich moich materiałów na YouTube i tego, jak się ze sobą wiążą. A cała ta wiedza sprawia, że mój AIOS (Informacja dodatkowa: autor tak nazywa swój „AI Operating System“ — osobisty system pracy zbudowany wokół agentów AI i Claude Code) staje się dużo mądrzejszy.

Najfajniejsze jest to, że wcale nie musiałem łączyć tych pojęć ręcznie. Wystarczyło powiedzieć: „Hej, Claude Code, pobierz moje filmy z YouTube“ — a potem zaindeksować je do tej wiki. I ta struktura rośnie w nieskończoność.

Przybliżmy się i otwórzmy jeden z tych filmów — tutaj mam materiał o stronach robionych w Nano Banana 2. Po otwarciu widzimy u góry podstawowe informacje, a niżej podsumowanie, najważniejsze wnioski, wymienione narzędzia i omawiane techniki. Wszystkimi tymi odnośnikami mogę się poruszać. Powiedzmy, że interesuje mnie GitHub — klikam w GitHub, widzę, o co chodzi, i widzę wszystkie inne miejsca, w których się do niego odwoływaliśmy. Tu jest informacja łącząca GitHub z Vercelem — więc klikam i dowiaduję się czegoś o Vercelu, a Vercel prowadzi mnie z powrotem do Claude Code, skąd znów mogę podążać za kolejnymi odnośnikami zwrotnymi, aż trafię tam, gdzie chcę. W miarę jak ta mapa myśli z filmów rośnie, wszystko zaczyna nabierać życia. Dziś pokażę wam, jak uruchomić coś dokładnie takiego w jakieś pięć minut. To dużo prostsze, niż się wydaje.

To nie ingest robi wrażenie — tylko to, co dzieje się potem

Imponujące nie jest to, że Fable potrafił to wszystko przetworzyć. Imponujące jest to, co Fable potrafi zrobić, gdy już da mu się dostęp do tych danych. Wszyscy wiemy, że dane są królem — kontekst jest królem.

Oto przykład. Poprosiłem Fable’a jednym promptem: „Chcę, żebyś zamienił tę nieczytelną plątaninę powiązań między transkrypcjami z YouTube w coś, na co ludzie naprawdę mogą spojrzeć i to zrozumieć. Ma to być prosty zasób, który nie przytłacza, ale pokazuje mojej widowni, jak te narzędzia, techniki i pomysły łączą się ze sobą“. I dostałem świetny plik HTML: u góry widzę pojęcia — na przykład „workflow agentowe“ — i to, z czym się łączą. Łączą się z rutynami, rutyny z rozróżnieniem między automatyzacją deterministyczną a agentową, a to z kolei prowadzi do n8n i Claude Code. Po prostu rewelacja. Moim zdaniem taki interfejs jest dużo bardziej przyjazny użytkownikowi niż surowy graf.

I tu ciekawa rzecz: mogłem sformułować prompt „emocjonalnie“. Napisałem rzeczy w rodzaju: „tak, żeby początkujący mógł to zrozumieć i przeklikać się przez to bez poczucia przytłoczenia“. Model taki jak Opus 4.8 po prostu nie rozumie, co to znaczy, tak dobrze jak Fable. Żeby pokazać, o co mi chodzi: nad podobną stroną pracowałem z Opusem prawie cały dzień. Chodziliśmy tam i z powrotem, zbudowaliśmy to — i ostatecznie nie spodobało mi się na tyle, żeby się tym podzielić, bo efekt był przytłaczający i mylący. A baza danych na zapleczu, która to zasila, jest dokładnie ta sama. W tej wersji też można przeszukiwać narzędzia, techniki i filmy, jest tam pewna warstwowa struktura — orkiestrator, modele, wejścia — te same dane, te same odnośniki zwrotne. Ale wersja od Fable’a jest po prostu dużo prostsza i bardziej mi się podoba. Gdy klikam w jakieś pojęcie, po prawej stronie widzę filmy, z których pochodzą dane, mogę doczytać więcej i zobaczyć, z czym jeszcze jest powiązane.

Kilka wiki, jeden system: przykład raportu za pół roku

Jeśli śledzicie mnie od dłuższego czasu, wiecie, że w moim AIOS mam kilka różnych LLM wiki. Ta jest od transkrypcji z YouTube. Mam też „Herk Brain“ — tam trafiają wszystkie nagrania z moich spotkań, wewnętrznych i zewnętrznych. Dzięki temu widzę, jak koncepcje, o których rozmawiam z ludźmi, ewoluowały i jak będą ewoluować dalej. Kiedy piszę posty do społeczności, wpisy na LinkedIn czy maile, system bierze to wszystko pod uwagę, bo wie o mnie i o moim biznesie wszystko.

Do tego stopnia, że tuż przed nagraniem tego filmu powiedziałem: „Panie Fable, opowiedz mi historię ostatnich sześciu miesięcy. Jesteśmy w połowie 2026 roku — zbuduj mi wizualną podróż przez to, co dotąd zrobiliśmy“. I to, co widzicie, dostałem za pierwszym podejściem. Model wyciągnął moje zdjęcie, nasze logo — a nawet stylistyka przypomina mój AIOS: ciemny motyw, niebieskie kolory grafów. Wyciągnął prawdziwe statystyki: ile zyskałem subskrybentów, nasz najlepszy miesiąc przychodowy (który zamażę). Widać też duży zwrot, jaki wykonałem w tym roku — przejście z treści prawie wyłącznie o n8n na dużo treści o Claude Code — i jak to się opłaciło, jeśli spojrzeć na średnią oglądalność, przychody i wzrost biznesu od tamtej decyzji. Dalej: jak zmienił się churn, jak zmieniła się konwersja, inne dane o przychodach. I zabawny szczegół — wyciągnął inne moje zdjęcie: na początku byłem uśmiechnięty, tu jestem zamyślony. System potrafi przekopać się przez ogrom danych i zasobów w moim projekcie Herk 2. Pokazał cały lejek biznesu, co dowodzi, że rozumie, jak ludzie wchodzą do naszego ekosystemu, jakie decyzje podejmują w lejku i dokąd staramy się ich prowadzić.

Puenta jest taka: im więcej danych dasz swoim projektom, tym lepiej — ale kluczowe jest, żeby odpowiednio to „trasować“. I właśnie w tym LLM wiki jest naprawdę dobra. To jest mój projekt Herk 2, mój AIOS — mamy w nim mnóstwo informacji, różne wiki, różne projekty, wszystko, nad czym pracowałem. Przy okazji: jeśli chcecie przejść pełny, darmowy kurs, w którym pokazuję, jak zbudować własny AIOS, link do mojej darmowej społeczności na School jest w opisie.

Skąd się to wzięło: pomysł Karpathy’ego

Wszystko zaczęło się od wpisu Andreja Karpathy’ego o „bazach wiedzy LLM“. Napisał, że ostatnio bardzo przydaje mu się używanie LLM-ów do budowania osobistych baz wiedzy na różne interesujące go tematy badawcze. Model indeksuje źródła — zaraz pokażę, jak to zrobić — a jako frontend służy coś w rodzaju Obsidiana, czyli dokładnie to, co przed chwilą widzieliście. (Informacja dodatkowa: Andrej Karpathy to jeden z najbardziej znanych badaczy AI, były szef działu AI w Tesli i współzałożyciel OpenAI; opisany pomysł opublikował jako gist — krótki publiczny dokument na GitHubie.)

Konfiguracja krok po kroku

Najpierw wejdźcie na obsidian.md i zainstalujcie aplikację dla swojego systemu — w moim przypadku Windows. Przejdźcie przez kreatora instalacji i otwórzcie aplikację. Po otwarciu klikacie „Manage vaults“ i tworzycie nowy vault (Informacja dodatkowa: vault to w Obsidianie po prostu folder na dysku, w którym trzymane są wszystkie notatki w formacie Markdown). Ja nazwę go „AI test“. Potem wybieracie lokalizację — może być pulpit, choć ja zwykle umieszczam vaulty wewnątrz mojego projektu Herk 2, dzięki czemu Herk 2 ma wgląd w całą masę tych małych LLM wiki, podzielonych tematycznie. Na potrzeby przykładu ten trafi na pulpit. Tworzę vault — i to na razie wszystko, co mamy. To jego dopiero zamienimy w wiki.

Następnie otwieracie ten vault tam, gdzie używacie Claude Code — u mnie to VS Code. Po otwarciu widzimy folder .obsidian i plik welcome.md, czyli domyślną zawartość nowego vaulta. Potem uruchamiamy Claude Code — ja lubię robić to w terminalu, więc wpisuję claude i zaczynamy.

Jedna uwaga: widzę komunikat, że Fable jest dostępny w ramach limitu subskrypcji tylko do 7 lipca, a potem będzie rozliczany kredytami. Widziałem jednak tweeta Thora z Anthropic, że planują jak najszybciej przywrócić go do subskrypcji — wspomina o tym zresztą oryginalny wpis na blogu. Nie wiadomo kiedy, ale jest nadzieja, że okno zostanie wydłużone i Fable wróci jako standardowa część planu.

Dalej: wchodzicie na stronę z gistem Karpathy’ego o LLM wiki — link będzie w opisie. Ja po prostu kopiuję całość. Jeśli chcecie się zatrzymać i przeczytać — śmiało. Wklejam to do Claude’a i dopisuję własny prompt: „Jesteś teraz moim agentem LLM wiki. Zaimplementuj dokładnie tę ideę jako mój kompletny drugi mózg. Prowadź mnie krok po kroku. Utwórz plik CLAUDE.md ze wszystkimi regułami, załóż indeks i log, zdefiniuj konwencje folderów i pokaż mi pierwszy przykład ingestu. Od tej pory każda interakcja przebiega według tego schematu“. I wysyłam.

Używam tu Fable’a, ale — jak mówiłem — pewnie go nie potrzebujecie. Do samego ingestu Fable to przerost formy. Jego siła ujawnia się dopiero wtedy, gdy dane już są w środku. Więc jeśli chcecie przełączyć się na Opusa i to nim robić ingest kolejnych dokumentów, to prawdopodobnie lepszy wybór. Ja w tym filmie po prostu pokazuję Fable’a.

Struktura, która dopasowuje się do danych

Co ciekawe, w miarę dokładania kolejnych materiałów struktura będzie się dynamicznie zmieniać. Pokażę, co mam na myśli. W mojej wiki od YouTube mam foldery: porównania, koncepcje, źródła, techniki i narzędzia — bo model przeczytał moje filmy i tak je przeanalizował. Ale gdy przełączę się na Herk Brain, czyli wiki od transkrypcji spotkań, widzę strukturę praktycznie płaską: wszystkie nagrania leżą w jednym miejscu i model na razie nie chciał ich organizować. Może kiedyś, po kolejnych przebiegach porządkujących, znajdzie sensowne foldery. Ale czasem płaska struktura jest po prostu lepsza — chodzi o to, żeby AI mogło łatwo przeszukać całość, zamiast schodzić w głąb kolejnych folderów.

Układ jest taki: jest folder raw, do którego wrzucacie materiały. AI czyta wszystko z raw i „ingestuje“ to do wiki — i tu jedno źródło może zostać rozbite na pięć, sześć, a nawet dziesięć małych stron wiki. Jest też index, czyli coś w rodzaju spisu treści, jest log, a pliki .md to wszystkie pozostałe strony wiki. Dokładnie tak jest ustawiony Herk Brain — bardzo płasko. Wiki od YouTube płaska nie jest: ma te wszystkie podfoldery, o których mówiliśmy. W jej indeksie widać wszystkie narzędzia i techniki, wszystko zmapowane z odnośnikami zwrotnymi. W logu widać, że robiłem kilka ingestów wsadowych — i za każdym razem, gdy dokładam kolejny film z YouTube albo inne źródło, pojawia się tam wpis. Cały sens polega na tym, żeby AI mogło przyrostowo budować i utrzymywać tę wiki: musi umieć zaglądać do indeksu, logów i odnośników zwrotnych, żeby sprawnie „krążyć“ po strukturze i znajdować dane, których szukacie.

Test: system card Fable 5 i artykuł OpenAI

Dobrze — konfiguracja skończona. Mamy pusty indeks, prawie pusty log, folder raw i folder wiki. W raw model przetworzył już sam pomysł LLM wiki — czyli gist Karpathy’ego — a w wiki zaplanował podział na koncepcje, encje i źródła. Od tego zaczynamy.

Teraz zaindeksujemy dwie różne rzeczy — i pokażę wam dwa różne sposoby. Pierwsza to system card modeli Claude Fable 5 i Mythos 5 (Informacja dodatkowa: system card to publikowany przez laboratorium AI dokument opisujący możliwości, ograniczenia i wyniki testów bezpieczeństwa nowego modelu). Pobieram go jako PDF i po prostu przeciągam do folderu raw. Druga rzecz to zapowiedź GPT 5.6 od OpenAI — tę zrobimy z adresu URL. Wklejam link i piszę: „Hej, Claude, przeczytaj ten artykuł i zaindeksuj go do naszej wiki. Wrzuciłem też do raw PDF o nazwie Claude Fable 5 — jego również zaindeksuj“. I to wszystko, co mówię modelowi. Powinien już rozumieć, jak to jest zorganizowane: spodziewamy się nowego wpisu w indeksie, nowego wpisu w logu i nowych źródeł w wiki. A czy Fable zamieni ten PDF w jedną, pięć czy może pięćdziesiąt stron wiki — zważywszy na jego rozmiar — zobaczymy. Dam wam znać, gdy skończy.

Skończyło się — zajęło to jakieś 10–12 minut. Z tych dwóch źródeł powstało 20 stron wiki, w pełni wzajemnie powiązanych. I spójrzcie na to — oto powiązanie, które sprawia, że warto mieć wiki zamiast dwóch osobnych streszczeń: oba źródła odwołują się do siebie nawzajem, a punktem styku jest strona o cyberbezpieczeństwie modeli frontierowych. OpenAI porównało w benchmarkach GPT 5.6 z wersją zapoznawczą Mythosa, a model sam oznaczył rzecz łatwą do przeoczenia przy czytaniu obu dokumentów osobno: OpenAI porównywało się do kwietniowego poprzednika, nie do Mythos 5, a oba laboratoria używają innych zestawów testowych, więc liczby nie są bezpośrednio porównywalne.

Otwórzmy tę wiki na pełnym ekranie. Widać tu OpenAI i strony, z którymi się wiąże — artykuł odwoływał się do Claude Mythos 5, więc to połączenie istnieje. Widzimy rozkład tematów: skoordynowane z rządem premiery modeli, wielowarstwowe zabezpieczenia, zabezpieczenia przed nadużyciami konkurencyjnymi. W samej wiki mamy koncepcje, encje, źródła i tematy. Encje są fajne, bo są tam modele — Fable, Mythos, wersja zapoznawcza Mythosa, Opus 4.8, GPT 5.6 — oraz Anthropic i OpenAI. A w logu widać wpis o początkowej konfiguracji, potem artykuł OpenAI i system card Claude Fable 5.

CLAUDE.md jako router — i co dalej

Lekcja jest taka: mamy teraz system, w którym Claude Code patrzy na wiele naszych źródeł danych — na wiki, a potencjalnie na wiele wiki naraz. Wewnątrz są ustawione reguły trasowania, dzięki którym agenci wiedzą, gdzie szukać konkretnej rzeczy — bo muszą przekopywać się przez to wszystko wydajnie, żeby nie marnować naszego czasu ani tokenów na znalezienie właściwej odpowiedzi. I to w gruncie rzeczy jest istota Claude Code: chodzi o to, jak sprawić, żeby plik CLAUDE.md działał jako router — pozwalał zaglądać do moich wcześniejszych projektów i kontekstu biznesowego i trafiać we właściwe miejsce.

Kiedy struktura już się układa, po prostu dodajecie kolejne źródła danych, obserwujecie, jak system ewoluuje, i stale sprawdzacie, czy wszystko ma sens. Jeśli po ingestcie wsadowym nie podoba wam się sposób organizacji folderów i plików — zmieńcie go. Otwierajcie strony, na przykład tę o zabezpieczeniach przed nadużyciami konkurencyjnymi, czytajcie, klikajcie po odnośnikach i sprawdzajcie, czy wszystko wciąż się klei. A jeśli coś idzie nie tak — zaktualizujcie reguły ingestu. Jak mówiłem, każda moja LLM wiki ma inną strukturę i trochę inne reguły, bo trzyma inny typ danych: transkrypcje spotkań, dane osobiste, oferty handlowe — cokolwiek indeksujecie, ma to mieć sens nie tylko dla AI, ale też dla was. Chodzi o to, żebyście sami też mogli przejść po łańcuchu odnośników i znaleźć to, czego szukacie.

A najlepsze w tym wszystkim jest to, że gdy uświadomicie sobie: „zaraz, przecież cała ta wiki to po prostu pliki Markdown z trasowaniem“ — przestajecie być przywiązani do Claude Code. Możecie podłączyć do tego agenta Hermes, możecie podłączyć Codex, możecie podłączyć cokolwiek chcecie, bo to tylko pliki Markdown. Jeśli chcecie dowiedzieć się więcej o całej idei budowania drugiego mózgu, obejrzyjcie mój film, w którym omawiam wszystkie poziomy takiego systemu i to, jak rozpoznać, czy powinniście wejść poziom wyżej, czy zejść niżej. Dzięki, że dotrwaliście do końca — do zobaczenia w kolejnym filmie.

10 najważniejszych takeaways — z kontekstem zastosowania

1.Osobista baza wiedzy = Obsidian jako frontend + agent AI jako bibliotekarz

Na czym polega: Metoda Karpathy’ego: LLM (np. Claude Code) indeksuje źródła i utrzymuje sieć powiązanych notatek Markdown, a Obsidian służy tylko do przeglądania grafu i klikania po odnośnikach.

Jak stosować: Zainstaluj Obsidiana, utwórz nowy vault, otwórz ten folder w edytorze z Claude Code i wklej gist Karpathy’ego jako prompt założycielski. Całość działa od zera w kilka minut.

Na co uważać: Vault to zwykły folder na dysku — trzymaj go w miejscu, do którego twój agent ma dostęp (autor umieszcza vaulty wewnątrz swojego głównego projektu), i zadbaj o kopie zapasowe, bo agent będzie te pliki modyfikował.

2.Wartość powstaje po ingestcie, nie w trakcie

Na czym polega: Samo wciągnięcie danych to zadanie mechaniczne; przewaga pojawia się, gdy model z pełnym kontekstem odpowiada na pytania, generuje raporty i strony — jak półroczny raport biznesowy autora zrobiony jednym promptem.

Jak stosować: Traktuj wiki jako inwestycję: najpierw systematycznie zasilaj ją danymi (transkrypcje, notatki, dokumenty), a dopiero potem oczekuj efektów w postaci syntez i analiz.

Na co uważać: Nie oceniaj systemu po pierwszym tygodniu — sieć powiązań staje się użyteczna dopiero przy pewnej masie krytycznej treści.

3.Drogi model do syntezy, tańszy do ingestu

Na czym polega: Autor wprost mówi, że Fable 5 jest „przerostem formy“ do samego przetwarzania źródeł — jego siła to interpretacja i tworzenie wyników z gotowych danych. Do rutynowego ingestu wystarczy Opus.

Jak stosować: Rozdziel zadania: rutynowe wciąganie dokumentów rób tańszym modelem, a najdroższy rezerwuj dla promptów kreatywnych i syntetyzujących, gdzie różnica jakości jest odczuwalna.

Na co uważać: Ingest dwóch źródeł zajął 10–12 minut — przy dużych partiach danych koszty i limity tokenów rosną szybko, więc śledź zużycie.

4.Prompt „emocjonalny“ — opisuj efekt dla odbiorcy, nie specyfikację

Na czym polega: Zamiast technicznych wymagań autor napisał: „tak, żeby początkujący mógł to zrozumieć i nie czuł się przytłoczony“ — i najlepszy model zrozumiał tę intencję lepiej niż dzień iteracji ze słabszym modelem nad tą samą bazą danych.

Jak stosować: W promptach o interfejsy i materiały dla ludzi opisuj docelowe doświadczenie odbiorcy (kto to czyta, co ma poczuć, czego ma nie doświadczyć) zamiast wyliczać elementy do zbudowania.

Na co uważać: To działa tym lepiej, im mocniejszy model — ze słabszymi nadal warto łączyć intencję z konkretnymi wymaganiami.

5.Struktura wiki powinna wynikać z danych — płasko też bywa dobrze

Na czym polega: Wiki autora od YouTube sama wykształciła foldery (koncepcje, techniki, narzędzia, źródła), a wiki od spotkań pozostała płaska — i to jest w porządku, bo płaska struktura bywa łatwiejsza do przeszukania przez AI.

Jak stosować: Nie narzucaj z góry drzewa folderów. Pozwól agentowi organizować treści i interweniuj dopiero wtedy, gdy nawigacja przestaje mieć sens dla ciebie lub dla modelu.

Na co uważać: Głębokie zagnieżdżanie folderów utrudnia agentowi wyszukiwanie — jeśli nie ma wyraźnego powodu, żeby dzielić, nie dziel.

6.Cztery filary: raw, wiki, index, log

Na czym polega: Standardowy układ: folder raw na surowe źródła, folder wiki na wygenerowane strony, index jako spis treści z odnośnikami i log jako dziennik każdego ingestu.

Jak stosować: Utrzymuj tę konwencję konsekwentnie — to dzięki indeksowi, logowi i odnośnikom zwrotnym agent może przyrostowo rozbudowywać wiki, zamiast za każdym razem czytać wszystko od nowa.

Na co uważać: Jedno źródło może zostać rozbite na 5–10 stron wiki — sprawdzaj po ingestcie, czy podział jest sensowny, i nie kasuj plików z raw, dopóki nie zweryfikujesz wyniku.

7.CLAUDE.md jako router do danych

Na czym polega: Sercem systemu są reguły trasowania w pliku CLAUDE.md, które mówią agentowi, gdzie szukać jakiego typu informacji — dzięki temu nie marnuje czasu ani tokenów na przeszukiwanie wszystkiego.

Jak stosować: Opisz w CLAUDE.md, jakie wiki i foldery istnieją, co zawierają i kiedy do nich zaglądać. Każdej wiki nadaj reguły dopasowane do typu danych (spotkania, transkrypcje, oferty).

Na co uważać: Reguły trzeba aktualizować w miarę wzrostu systemu — nieaktualny router prowadzi agenta w złe miejsca i podnosi koszty każdego zapytania.

8.Prawdziwa siła wiki: powiązania między źródłami, których nie widać osobno

Na czym polega: Po ingestcie system card Fable 5 i artykułu OpenAI model sam wychwycił, że dokumenty odwołują się do siebie, oraz oznaczył pułapkę: porównania benchmarkowe dotyczyły starszego modelu i innych zestawów testowych, więc liczby nie są porównywalne wprost.

Jak stosować: Wrzucaj do jednej wiki źródła z tego samego obszaru tematycznego — dopiero wtedy powstają połączenia, których nie da się zobaczyć w dwóch osobnych streszczeniach.

Na co uważać: Wnioski o powiązaniach nadal warto weryfikować u źródła — model może połączyć rzeczy trafnie, ale interpretację liczb sprawdzaj samodzielnie.

9.Regularny przegląd i korekta reguł ingestu

Na czym polega: Autor po każdym ingestcie wsadowym przegląda strukturę: otwiera strony, klika po odnośnikach i sprawdza, czy całość „się klei“. Gdy coś zgrzyta, poprawia reguły, według których agent organizuje treści.

Jak stosować: Wpisz sobie w rutynę krótki audyt po każdej większej partii danych. System ma mieć sens nie tylko dla AI, ale i dla ciebie — jeśli sam nie umiesz przejść po łańcuchu odnośników do odpowiedzi, popraw organizację.

Na co uważać: Zaniedbana wiki degeneruje się cicho — błędna organizacja z jednego ingestu utrwala się w kolejnych, więc lepiej korygować wcześnie.

10.To tylko Markdown — brak uzależnienia od jednego narzędzia

Na czym polega: Cała wiki to zwykłe pliki Markdown z odnośnikami, więc nie jesteś przywiązany do Claude Code — można podłączyć dowolnego innego agenta (autor wymienia Hermesa i Codex) albo czytać ją ręcznie.

Jak stosować: Projektuj bazę wiedzy w otwartych formatach plikowych, tak by każdy nowy agent czy narzędzie mogły od razu z niej korzystać bez migracji.

Na co uważać: Otwartość formatu to też odpowiedzialność: pliki na dysku nie mają wbudowanych uprawnień ani wersjonowania — jeśli trzymasz tam dane biznesowe czy osobiste, zadbaj o kontrolę dostępu i kopie zapasowe.