← Каталог

· AI Engineer World's Fair 2026

Превратите 10 994 заметки в память для ваших агентов

Turn 10,994 Notes Into Your Agents' Memory

Файловая база знаний из индекса, сырых источников и вики-слоя, которую агенты читают по ссылкам, даёт постоянный контекст для исследований без векторной базы.

  • Три слоя вместо векторной базы — сырые источники не меняются, index.yaml работает как каталог с саммари и метаданными, а вики хранит производные заметки: сравнения, концепции, сущности. Агент идёт от индекса к саммари и только потом к полному тексту, что, по словам авторов, экономит токены.
  • Deep research по личным источникам — тот же цикл запросов, который раньше искал по открытому вебу, теперь проходит по Obsidian, Readwise, NotebookLM и GitHub. Режим глубины определяет число запросов за раунд и число раундов.
  • Вики растёт от вопросов — каждый вопрос к вики оставляет след: новую заметку, сравнение или открытый вопрос, поэтому база обновляется без повторного сбора источников.
  • Личное хранилище не трогает LLM — заметки по методу PARA остаются снимком, который агент только читает, а проект строится поверх вики и запускается через skills в Claude Code или Codex. Код открыт, для примеров с GitHub и ссылками нужны только Git и curl.

Кому полезно: тем, кто ведёт большую личную базу заметок и хочет, чтобы агенты для кодинга и исследований переиспользовали её без отдельной инфраструктуры.

Статья по теме

На какие вопросы отвечает доклад

  • Когда стоит собирать собственную базу исследований вместо NotebookLM или Claude Code?

    Если исследование нужно повторять, дополнять и подключать к другим проектам, нужны собственные файлы. NotebookLM не даёт владеть данными и плохо подходит для кодинга, а разовые задачи лучше решать в Codex или Claude Code.

    ▶ 3:43Выбор ChatGPT, Codex, Claude Code и NotebookLM в зависимости от задачи
  • Почему агент теряет контекст между сессиями и приходится заново вставлять ссылки и файлы?

    Контекстное окно не решает проблему: нужна память и управление контекстом, а не больше данных. Исследования предлагается хранить в markdown-файлах, которые агенты читают через skills.

    ▶ 8:12Репозиторий AI Research OS и постоянный исследовательский контекст
  • Как дать агенту долгосрочную память на файлах без векторной базы и графа знаний?

    Каталог index.yaml со ссылками, краткими описаниями и метаданными источников, неизменяемая папка raw и слой wiki, который генерирует LLM. Агент сначала читает индекс, а не всю базу.

    ▶ 15:55Deep Research и лёгкая файловая вики для исследований
  • Как не платить токенами за deep research с нуля каждый раз, когда возвращаюсь к теме?

    Результаты сохраняются в wiki: новые вопросы сначала читают готовые саммари источников, концепции и сравнения, и только при нехватке данных открывают сырой текст. Каждый вопрос тоже оставляет след в wiki.

    ▶ 15:55Deep Research и лёгкая файловая вики для исследований
  • Как изучить архитектуру open source harness для агентов по их исходному коду?

    Агент клонирует репозитории и пишет заметки по каждому: архитектура, субагенты, система памяти, поток разрешений. Затем строятся сравнения и концепции по всем трём harness.

    ▶ 26:38Демонстрации репозитория воркшопа и исследовательские запросы

Главы

Ещё доклады: Louis-François Bouchard

Страница спикера →

Похожие доклады