Baza wiedzy z Hermes Agent

Kompletny przegląd metod i narzędzi do budowy systemu wiedzy osobistej z AI

Spis treści

1. Wprowadzenie
2. Podejście 1: Karpathy — LLM jako silnik wiedzy
3. Podejście 2: Obsidian — Second Brain z AI
4. Podejście 3: RAG — Retrieval-Augmented Generation
5. Podejście 4: NotebookLM — źródłowo-ugruntowany notatnik AI
6. Podejście 5: Hermes Native — wbudowane systemy pamięci
7. Podejście 6: Inne narzędzia AI-native
8. Macierz porównawcza
9. Integracja z Hermes Agent — rekomendacje
10. Podsumowanie
11. Źródła

Wprowadzenie

Każdy, kto pracuje z AI agentami — szczególnie z Hermes Agent — prędzej czy później staje przed pytaniem: jak zbudować trwałą bazę wiedzy, która przetrwa między sesjami, będzie rosła wraz z doświadczeniem i pozwoli agentowi na coraz skuteczniejsze działanie?

To pytanie nie jest nowe. Od lat 90. rozwija się koncepcja "drugiego mózgu" (second brain) — zewnętrznego systemu przechowywania i organizacji wiedzy osobistej. W erze LLM-ów koncepcja ta nabiera nowego wymiaru: baza wiedzy może być nie tylko przechowywana, ale też aktywnie przetwarzana, łączona i wnioskowana przez modele językowe.

W tym raporcie przeanalizujemy 6 głównych podejść do budowy bazy wiedzy z AI, ze szczególnym uwzględnieniem integracji z Hermes Agent.

Podejście 1: Karpathy — LLM jako silnik wiedzy

Kim jest Andrej Karpathy?

Andrej Karpathy to jeden z najbardziej wpływowych inżynierów AI na świecie. Były dyrektor AI w Tesli (Autopilot), współzałożyciel OpenAI, twórca kursu CS231n na Stanfordzie. W 2024 roku założył Eureka Labs — firmę edukacyjną AI, której pierwszym produktem był kurs LLM101n. Został uznany przez Time Magazine za jedną ze 100 najbardziej wpływowych osób w AI.

Filozofia Karpathy'ego

Karpathy od lat rozwija koncepcję minimalnego, ale kompletnego rozumienia LLM-ów. Jego podejście do bazy wiedzy można streścić w trzech zasadach:

1. Zrozum, jak działa model — od podstaw

Jego flagowy projekt microgpt (luty 2026) to 200 linii czystego Pythona, które implementują kompletny pipeline LLM: dataset dokumentów → tokenizer → silnik autograd → architektura GPT-2 → optymalizator Adam → pętla treningowa → inferencja. Żadnych zależności.

Filosofia: jeśli rozumiesz każdą linię kodu, rozumiesz cały system. Baza wiedzy to nie tylko dane — to model mentalny tego, jak dane są przetwarzane.

2. Traktuj LLM jako "jądro systemu operacyjnego wiedzy"

Karpathy wielokrotnie mówił o koncepcji "LLM OS" — modelu językowego jako centralnego komponentu systemu operacyjnego nowej generacji, który:

• Zarządza pamięcią (kontekst, bazy wektorowe)
• Obsługuje "urządzenia peryferyjne" (narzędzia, API, przeglądarki)
• Planuje i wykonuje zadania
• Uczy się na podstawie interakcji

3. Minimalizuj — prostota to najwyższa forma wyrafinowania

Zamiast budować skomplikowane systemy RAG z 10 mikroserwisami, Karpathy pokazuje, że 200 linii kodu wystarczy by wytrenować działający model. Ta sama filozofia dotyczy bazy wiedzy: zamiast overengineeringu, skup się na esencji.

Jak zastosować podejście Karpathy'ego z Hermes Agent?

Podejście 2: Obsidian — Second Brain z AI

Czym jest Obsidian?

Obsidian to aplikacja do zarządzania wiedzą oparta na lokalnych plikach Markdown, działająca na zasadzie Zettelkasten (metody karteczkowej). W przeciwieństwie do chmurowych rozwiązań (Notion, Roam), Obsidian przechowuje wszystko lokalnie — twoje dane to zwykłe pliki .md na dysku.

Kluczowe cechy (stan na 2026):

• 5 551 pluginów i 618 motywów w społecznościowym katalogu
• Graph view — wizualizacja połączeń między notatkami
• Canvas — nieskończona tablica do wizualnego łączenia pomysłów
• Obsidian Publish — publikacja notatek jako stron internetowych
• Obsidian Sync — szyfrowana synchronizacja end-to-end
• Web Clipper — zapisywanie stron internetowych bezpośrednio do vault
• CLI — dostęp z linii poleceń

Obsidian + AI — ekosystem pluginów

Najważniejsze pluginy AI do Obsidiana:

Jak zintegrować Obsidian z Hermes Agent?

1. Współdzielony vault
   /root/obsidian-vault/  ← Obsidian
   Hermes czyta/zapisuje przez file tools

2. Hermes jako "activity stream"
   - Każda delegacja → nowa notatka w Obsidian
   - Każdy research → podsumowanie w vault
   - Każda decyzja → log z timestampem

3. Graph view = mapa wiedzy agenta
   - Połączenia między taskami, researchami, decyzjami
   - Wizualizacja "czego agent się nauczył"

4. Plugin Smart Connections
   - Hermes może używać embeddingów do przeszukiwania vault
   - Semantyczne wyszukiwanie: "co wiemy o X?"

Podejście 3: RAG — Retrieval-Augmented Generation

Czym jest RAG?

RAG (Retrieval-Augmented Generation) to technika łącząca wyszukiwanie informacji z generowaniem odpowiedzi przez LLM. Zamiast polegać wyłącznie na wiedzy "zamrożonej" w modelu podczas treningu, RAG:

1. Indeksuje dokumenty — dzieli na fragmenty (chunks), tworzy embeddingi, zapisuje w bazie wektorowej
2. Wyszukuje — dla danego zapytania znajduje najbardziej podobne fragmenty
3. Wzbogaca prompt — dodaje znalezione fragmenty jako kontekst
4. Generuje — LLM odpowiada na podstawie dostarczonego kontekstu

Dlaczego RAG rozwiązuje problem bazy wiedzy?

Problem klasycznych LLM-ów:

• Knowledge cutoff — model "nie wie" niczego po dacie treningu
• Brak wiedzy specjalistycznej — model może nie znać niszowej domeny
• Brak danych prywatnych — twoje dokumenty nie były w zbiorze treningowym
• Halucynacje — model "zmyśla" zamiast powiedzieć "nie wiem"

RAG adresuje wszystkie te problemy, "ugruntowując" (grounding) odpowiedzi w rzeczywistych dokumentach.

Stack technologiczny RAG

Jak zintegrować RAG z Hermes Agent?

Opcja A: Chroma lokalnie

pip install chromadb

Hermes może przez terminal lub execute_code zarządzać lokalną bazą Chroma, dodawać dokumenty i odpytywać je przed delegacją zadań.

Opcja B: Pipeline "dokument → embedding → wyszukiwanie"

1. Hermes monitoruje folder z dokumentami
2. Nowe pliki → chunking → embedding → Chroma
3. Przed każdą delegacją: wyszukaj kontekst w Chroma
4. Dodaj do context w delegate_task

Opcja C: session_search jako "lokalne RAG"

Hermes ma wbudowaną bazę FTS5 (SQLite) z historią sesji — session_search to w praktyce forma retrieval. Można ją rozszerzyć o embeddingi dla wyszukiwania semantycznego.

Podejście 4: NotebookLM — źródłowo-ugruntowany notatnik AI

Czym jest NotebookLM?

NotebookLM (dawniej Project Tailwind) to eksperymentalny produkt Google Labs, zaprezentowany na Google I/O 2023 i udostępniony publicznie. To "AI-first notebook" — notatnik zaprojektowany od podstaw z założeniem, że w jego centrum znajduje się model językowy.

Kluczowe funkcje

• Source-grounding — model jest "ugruntowany" wyłącznie w dokumentach, które sam wgrasz. Nie ma dostępu do internetu ani swojej ogólnej wiedzy — odpowiada tylko na podstawie twoich źródeł
• Automatyczne podsumowania — po wgraniu dokumentu automatycznie generuje streszczenie, kluczowe tematy i pytania
• Cytaty — każda odpowiedź zawiera cytaty z oryginalnych źródeł
• Multiformat — obsługuje Google Docs, PDF, strony www, audio (YouTube)
• Prywatność — dane nie są używane do trenowania modeli AI

NotebookLM vs inne podejścia

Integracja z Hermes Agent

NotebookLM to narzędzie chmurowe bez publicznego API (stan na 2026), więc integracja programowa jest ograniczona. Można jednak:

• Eksportować podsumowania i cytaty z NotebookLM do plików, które Hermes czyta
• Używać NotebookLM jako narzędzia dla człowieka do przygotowania materiałów przed sesją z Hermesem
• Traktować NotebookLM jako "zewnętrzny mózg badawczy", a Hermes jako "wykonawcę"

Podejście 5: Hermes Native — wbudowane systemy pamięci

Hermes Agent ma cztery wbudowane systemy pamięci, które razem tworzą kompletną bazę wiedzy:

1. Memory System (memory)

Dwa pliki w ~/.hermes/memories/:

• Wstrzykiwane do system promptu na początku każdej sesji
• Agent sam zarządza pamięcią: memory add/replace/remove
• Zmiany zapisywane na dysk natychmiast, widoczne w następnej sesji
• Frozen snapshot — niezmienne podczas trwania sesji (dla wydajności prefix cache)

2. Skills System (skills)

Umiejętności proceduralne w ~/.hermes/skills/:

• Agent sam tworzy skille po trudnych zadaniach (>5 tool calls, pokonane błędy)
• Agent sam aktualizuje skille gdy znajdzie błędy lub nowe podejścia
• Format: YAML frontmatter + Markdown body
• Kompatybilne ze standardem agentskills.io
• Ładowane przez skill_view(name) na żądanie (progressive disclosure)

3. Session History (session_search)

• Baza FTS5 (full-text search) w SQLite
• Przeszukuje historię wszystkich sesji
• Cztery tryby: DISCOVERY (FTS5 query), SCROLL (po sesji), READ (cała sesja), BROWSE (ostatnie sesje)
• Zwraca: fragmenty kontekstu + bookendy (początek/koniec sesji)
• Agent używa session_search zamiast pytać użytkownika "co robiliśmy ostatnio?"

4. Context Files + SOUL.md

• SOUL.md — osobowość agenta, definiowana w profilu
• AGENTS.md / CLAUDE.md / .cursorrules — kontekst projektu z katalogu roboczego
• Automatycznie wstrzykiwane do system promptu

Porównanie systemów pamięci Hermes

Jak to wygląda w praktyce

Sesja 1: Użytkownik mówi "znajdź mi najlepsze praktyki deployu"
→ Agent zapisuje w MEMORY.md: "Projekt używa Docker Swarm, port 3000"
→ Tworzy skill "deploy-checklist" z krokami
→ Wszystkie decyzje w komentarzach Kanban

Sesja 2 (nowa): Użytkownik mówi "deployuj"
→ MEMORY.md ładuje się → agent wie o Docker Swarm
→ session_search znajduje poprzednią sesję deployu
→ skill_view('deploy-checklist') ładuje procedurę
→ Agent działa autonomicznie, bez pytania "jaki port? jakie narzędzie?"

Podejście 6: Inne narzędzia AI-native

Mem.ai

Mem to "AI-native" aplikacja do notatek, która sama organizuje wiedzę:

• Notatki nie mają folderów — AI automatycznie je kategoryzuje i łączy
• Funkcja "Mem X" — AI chat z dostępem do wszystkich twoich notatek
• Automatyczne tagowanie i wyszukiwanie semantyczne
• Wada: wymaga przeglądarki (brak CLI), dane w chmurze

Reflect

Reflect to minimalistyczna alternatywa dla Obsidiana:

• Szyfrowanie end-to-end
• Wbudowany asystent AI z dostępem do notatek
• Transkrypcja głosowa
• Graph view podobny do Obsidiana

Rewind AI

Rewind nagrywa wszystko co robisz na komputerze i tworzy przeszukiwalną bazę wszystkiego:

• "Co czytałem wczoraj o 14:30?"
• Prywatność: wszystko lokalnie, na urządzeniu
• Ograniczenie: tylko macOS

Porównanie narzędzi zewnętrznych

Macierz porównawcza

Wszystkie podejścia — porównanie

Integracja z Hermes Agent — rekomendacje

Rekomendowany stack: "Hybryda Hermes + Obsidian"

Na podstawie analizy wszystkich podejść, rekomendowany stack dla użytkownika Hermes Agent:

┌─────────────────────────────────────────────┐
│               HERMES AGENT                   │
│  (centralny orkiestrator + pamięć aktywna)   │
│                                              │
│  MEMORY.md  ←── fakty, konwencje             │
│  Skills     ←── procedury                    │
│  SOUL.md    ←── tożsamość, reguły            │
│  session_search ←── historia sesji           │
│  Kanban     ←── taski, decyzje               │
└──────────────┬──────────────────────────────┘
               │
    ┌──────────┴──────────┐
    │                     │
    ▼                     ▼
┌──────────┐      ┌──────────────┐
│ OBSIDIAN │      │  CHROMA DB    │
│ (vault)  │      │  (RAG layer)  │
│          │      │               │
│ Notatki  │      │ Embeddingi    │
│ Research │      │ Wyszukiwanie  │
│ Logi     │      │ semantyczne   │
└──────────┘      └──────────────┘

Dlaczego akurat tak?

1. Hermes Native jako fundament — memory, skills, session_search i kanban to już działające, zintegrowane systemy. Nie wymagają dodatkowej konfiguracji.

1. Obsidian jako "external brain" — wszystkie notatki, research, logi w jednym vault. Hermes czyta i zapisuje przez file tools. Plugin Smart Connections dodaje wyszukiwanie semantyczne.

1. Chroma jako opcjonalny RAG — dla większych baz dokumentów (>1000 plików). Embeddingi pozwalają na semantyczne wyszukiwanie, którego FTS5 nie daje.

Plan wdrożenia

Faza 1: Fundament (1 dzień)

• Skonfiguruj MEMORY.md i USER.md w Hermes
• Utwórz pierwsze skille z powtarzalnych procedur
• Zacznij używać session_search zamiast powtarzać kontekst

Faza 2: Obsidian (1-2 dni)

• Utwórz vault w /root/obsidian-vault/
• Zainstaluj pluginy: Smart Connections, Dataview, Templater
• Skonfiguruj Hermes do zapisywania logów i researchu w vault

Faza 3: RAG (opcjonalnie, 2-3 dni)

• Zainstaluj Chroma: pip install chromadb
• Stwórz skill index-documents — indeksuje dokumenty z vault
• Stwórz skill search-knowledge — wyszukuje semantycznie przed delegacją

Co zyskujesz?

Podsumowanie

Budowa bazy wiedzy z Hermes Agent to nie wybór jednego narzędzia, ale zbudowanie ekosystemu dopasowanego do skali i potrzeb:

• Mała skala (<100 notatek, <10 tasków dziennie) → wystarczy Hermes Native (memory, skills, session_search, kanban)
• Średnia skala (100-1000 notatek, research, logi) → Hermes Native + Obsidian vault
• Duża skala (>1000 dokumentów, potrzeba wyszukiwania semantycznego) → Hermes Native + Obsidian + Chroma RAG

Niezależnie od skali, filozofia Karpathy'ego pozostaje aktualna: zaczynaj od minimum, rozumiej każdy element, dodawaj złożoność tylko gdy jest naprawdę potrzebna. 200 linii kodu może zdziałać więcej niż 20 mikroserwisów.

Źródła

Źródła (pliki)

• /root/convertere/reports/baza-wiedzy-hermes.md — niniejszy raport w formacie Markdown
• /tmp/karpathy-microgpt.md — artykuł Karpathy'ego o microgpt (2026)
• /tmp/karpathy-blog.md — pełna lista postów na blogu Karpathy'ego
• /tmp/rag-pinecone.md — artykuł Pinecone o RAG (2025)
• /tmp/notebooklm.md — oficjalny announcement Google NotebookLM (2023)
• /tmp/hermes-memory.md — dokumentacja systemu pamięci Hermes Agent
• /tmp/hermes-skills.md — dokumentacja systemu skills Hermes Agent
• /tmp/hermes-docs.md — pełna dokumentacja Hermes Agent

Źródła (Linki URL)

Andrej Karpathy

• Blog Karpathy'ego — wszystkie artykuły, w tym microgpt (2026)
• microgpt — 200 linii Pythona — minimalny, kompletny pipeline LLM
• Eureka Labs — firma edukacyjna Karpathy'ego
• Andrej Karpathy — Wikipedia — biografia i osiągnięcia

Obsidian

• Obsidian.md — oficjalna strona
• Obsidian Plugins — katalog 5 551 pluginów
• Obsidian Help — dokumentacja
• Smart Connections Plugin — wyszukiwanie semantyczne

RAG

• Pinecone: Retrieval-Augmented Generation — kompletny przewodnik
• Chroma DB — open-source baza wektorowa
• LlamaIndex — framework do budowy RAG
• LangChain — orkiestracja LLM + RAG

NotebookLM

• Introducing NotebookLM — oficjalny announcement (2023)
• NotebookLM — strona produktu

Hermes Agent

• Hermes Agent Docs — pełna dokumentacja
• Memory System — system pamięci
• Skills System — system umiejętności
• Hermes Agent — strona główna — instalacja
• agentskills.io — otwarty standard skilli

Inne narzędzia

• Mem.ai — AI-native notatnik
• Reflect — szyfrowany notatnik z AI
• Rewind AI — przeszukiwalna baza wszystkiego co robisz

Raport opracowany na podstawie analizy dokumentacji, artykułów i materiałów źródłowych — lipiec 2026