· 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.yamlработает 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 задачиПочему 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 контекстКак 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 исследованийКак 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 исследованийКак 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 →Context engineering в 2026 году: компактизация, память и стоимость
Louis-François Bouchard, Samridhi Vaid, Omar Solano
AI Engineer World's Fair 2026
Создайте собственного Deep Research Agent и технического автора
Louis-François Bouchard, Paul Iusztin, Samridhi Vaid
AI Engineer Europe 2026
Почему тексты ИИ всё ещё выглядят как AI slop
Похожие доклады
Как создать обучающуюся память для AI agents
AI Engineer World's Fair 2026
Близко по содержанию
Как превратить память агента в работающие навыки
Близко по содержанию
От контекста к памяти: вашим agents нужен полноценный слой памяти
AI Engineer World's Fair 2026
Близко по содержанию


