AI Research OS: как second brain становится памятью для агентов (Рубрика AI4SDLC)
Посмотрел выступление Paul Iusztin из Decoding AI (соавтор книги "LLM Engineer's Handbook") и Louis-François Bouchard из Towards AI (автор книги "Building AI Systems for Production") на канале AI Engineer: "Turn 10,994 Notes Into Memory". Оно мне зашло тем, что ребята решали проблему, с которой я сталкиваюсь часто сейчас: исследования на разные темы копятся, документы раскиданы по разным источникам и собирать контекст под новый вопрос не очень сложно. Я с этой проблемой борюсь разными способами, а тут авторы предложили свой, который я планирую попробовать.
Но сама постановка проблемы у авторов звучит как организация информации в том виде, который будет удобен для повторного использования в исследованиях. Codex, Claude Code, ChatGPT или NotebookLM могут быстро помочь с отдельной задачей, но если каждый новый сеанс заново восстанавливает источники, выводы и открытые вопросы, знания по исследованию не накапливается.
Для решения этой проблемы авторы создали проект "AI Research OS". По сути, это локальный слой памяти между вашим second brain и агентной обвязкой (agent harness). Не очередной чат с большим контекстным окном и не тяжелая RAG-инфраструктура с vector database. Идея более приземленная: обычные файлы, Markdown, index.yaml, сырые источники и wiki-слой, который агент может читать, пополнять и проверять.
Архитектура там простая и скучная:
- На входе - Obsidian, Readwise, NotebookLM, GitHub-репозитории, YouTube-транскрипты, ссылки, PDF и локальные файлы
- Система складывает неизменяемые raw-источники, строит индекс, а сверху генерирует wiki: страницы источников, concepts, entities, comparisons, overview, synthesis, open questions и log
- Агент сначала читает индекс, потом краткую wiki-страницу, потом производные страницы и только при необходимости лезет в полный raw-документ.
Интересно, что Paul отмечает, что его second brain с заметками в Obsidian работает как долговременная память и immutable snapshot (LLM не должен переписывать личные заметки). Вместо этого под конкретный проект создается отдельная research-wiki. В итоге имеем
- Second brain как архив архив
- Проектная wiki как рабочая память, из которой потом можно писать статью, делать слайды, разбирать кодовую базу или продолжать исследование через месяц.
Авторы сравнивают свой подход (через простое хранение файлов в репе) с другими
- NotebookLM полезен для чтения набора источников, но авторы считают его менее удобным для agent-native и coding-сценариев
- Vector database и полноценный RAG нужны в продуктовых системах, но для личного исследовательского OS это часто слишком много инфраструктуры (я кстати, сейчас тут в своем пет-проекте копаюсь, но там реально много движущихся частей получается)
Если вы решите попробовать подход авторов, то реализация открыта на GitHub под MIT-лицензией. В репозитории есть skills /research, /research-distill, /research-lint, /research-render, примеры с deep research, ingest GitHub-репозиториев и ingest обычных ссылок. По README, для старта нужен uv, Claude Code или Codex, а внешние CLI для Obsidian, Readwise и NotebookLM подключаются по мере необходимости. Для первых экспериментов с репозиториями и ссылками не нужно сразу тащить весь личный архив.
Отдельно авторы говорят о том, что в проекте они не планировали строить SaaS и есть задел для улучшений: не хватает коннекторов вроде Google Drive, Notion и Slack, слабее проработаны source provenance, оценка устаревания источников и memory compaction. Но в проекте видно, как устроена система, где можно вмешаться и что адаптировать под свой процесс.
P.S. Выступление авторов мне понравилось, думаю, что потрогаю их систему и посмотрю как она работает для моих сценариев.
#AI #AI4SDLC #Engineering #Research #Software #Architecture