Цеттелькастен как метафора бесконечного затачивания топора Есть такая идея, популярная в около-айтишных кругах последние лет десять, под названием Zettelkasten – от немецкого «коробочка с записульками». Суть там в том, чтобы сделать себе эдакую персональную гипертекстовую «внешнюю память», где новые мысли по интересующим вас областям будут встраиваться в сложную систему перекрестных ссылок друг на друга. В результате ожидается гипер-продуктивность на ниве создания нового креативного контента (от исследований до статей/книг). Я прекрасно понимаю, почему эта концепция выглядит привлекательной для многих – особенно в среде всяких около-аутичных слоев населения с повышенной любовью к табличкам и раскладыванию по полочкам абсолютно всех явлений в окружающей нас Вселенной (я сам из таких, конечно). Проблема тут только в том, что налаживание (и последующее поддержание в рабочем виде) «правильной» цеттелькастен-системы выглядит крайне трудоемкой задачей, которая сама по себе почти наверняка будет отжирать кучу времени. На это обычно отвечают притчей про «заточку топора»: ну это та, где один дровосек без устали рубил лес тупым инструментом – но эффективнее него всё равно оказался другой чувак, который периодически делал перерывы в работе и тратил время на то, чтобы заточить свой топор. Опять же – звучит разумно и логично, но… На практике обычно бывает сложновато «на глаз» определить оптимальный размер усилий на условную заточку топора. И в ситуациях, где в качестве таковой выступает огромный проект, который сам по себе может требовать практически безлимитных вливаний усилий – очень легко спустя какое-то время обнаружить себя в порочном цикле бесконечного топорозатачивания, где на саму работу уже остается минимум времени. То есть, тут есть риск подмены: вместо реальной работы на результат рискуешь оказаться карго-культистом, который повторяет ритуальные действия, не приносящие ожидаемых плодов. Так вот, я тут недавно прочитал большую статью Алексея Федорова: он шесть лет подряд упорно пытался вкатиться в этот самый цеттелькастен – но в итоге пришел к выводу, что это какая-то шляпа. Несколько тезисов оттуда в моей интерпретации: 🐌 Выяснилось, что самого метода, как некой описанной стройной структуры, не существует – каждый понимает под цеттелькастеном что-то свое, и разные имплементации нередко противоречат друг другу. 🐌 Сам механизм того, как прокачанный цеттелькастен ведет к повышению продуктивности, – будто бы, э-э, небесспорен? Ну то есть, все про это говорят, но не наблюдаеся каких-то прямо сильных свидетельств того, что потраченные на ведение системы ресурсы отбиваются с лихвой. 🐌 В конце концов автор лонгрида приходит к выводу, близкому к моим собственным размышлениям: самый лучший способ «делать креативные заметки» – это просто писать публичные статьи на интересующие вас темы. Так и стройности в ваших мыслях прибавится, и полезную обратную связь сразу получите.

Но здесь можно аргументировать, что это у меня просто confirmation bias включился: мне лень самому заводить свой цеттелькастен, поэтому я спешу согласиться с любым мнение о том, что этого делать и не надо. Поэтому, если вы сами давно пользуетесь цеттелькастеном – поделитесь своим опытом в комментариях, пожалуйста. Каких результатов удалось достичь с помощью этой системы? Как много времени уходит на ее поддержание?

P.S. Вообще, в современном мире ведение персональной базы знаний с помощью ИИ выглядит уже гораздо более прикольной штукой, так как требует сильно меньше усилий. Вот за такими системами как раз будущее, мне кажется.

Во вторник на демо-вебинаре собралось больше 100 человек. Спасибо всем, кто пришёл и остался до конца - в чате было столько вопросов про Obsidian и базу знаний, что решил продолжить тему отдельным коротким видео. Показываю, как встроить терминал прямо в Obsidian и работать с AI, не выходя из своей базы знаний. Ставится всё через обычный Community Plugin, после чего в боковой панели можно открыть Claude Code, Codex, Antigravity или другого агента. Он сразу работает внутри вашего Vault, видит файлы базы, инструкции вроде AGENTS.md и может использовать весь этот контекст в работе. В видео на конкретном примере прошу Claude сделать саммари прошлой сессии AI Native. Он сам находит в базе нужные транскрипты и собирает ответ. А в конце показываю ещё один вариант - как через OpenCode запустить открытую модель в том же терминале. Самое приятное, что для всего этого не нужно быть программистом или разбираться в командной строке. Терминал здесь просто становится ещё одним интерфейсом для общения с AI - только уже прямо внутри вашей базы знаний. А у вас уже есть своя база знаний? Интересно, где вы её ведёте - в Obsidian или в каком-то другом инструменте? @ppprompt

Многие знают про такой инструмент - Obsidian, это гибрид заметочника, личной wiki и базы знаний. Он позволяет вести заметки в виде markdown-текста, то есть их можно редактировать/просматривать где угодно. Можно связывать заметки между собой и строить визуальный граф. Я как-то рисовал оргструктуру IT-отдела прямо в нем. Obsidian силен плагинами, с их помощью можно добавлять базы данных, Kanban-доски, диаграммы и еще тучу всего. Его можно свободно скачать с сайта и пользоваться в личных целях. Подписка понадобится, если нужна синхронизация между устройствами и поддержка. Вот был пост с примером применения Obsidian для "второго мозга". А вот попалась еще альтернатива - Tolaria. Бесплатна и опенсорсна. Заметки могут быть разного типа, цвета и иметь разные иконки, можно создавать представления. Почти Notion, можно сказать. Заточена сразу под интеграцию с ИИ-агентами. Они подключаются через MCP-сервер, читают и пишут заметки, а правки сохраняются в git через встроенного клиента, то есть видно всю историю. Автор пишет, что создал для себя, для управления 10000+ заметок, и пользуется ежедневно. #tools

Вчера на командном синке придумывали формат новой сессии для AI Native - кейс-клиника, где участники приносят живые рабочие ситуации, а не просто задают вопросы. И между делом, разбирая, какие вопросы обычно всплывают у людей при сборе своей базы знаний, вспомнил совет, который сам по себе тянет на отдельный пост. Речь про плагин QMD. Про него мало кто знает, а между тем он индексирует все содержание базы знаний и делает векторный поиск. Смыслово это горячо-холодно для поиска: вбиваете фразу вроде "хочу найти наши транскрипты с командой", и он понимает, скорее в каких местах базы это будет, а в каких - точно нет, даже если формулировка не совпадает дословно. Технически там зашито сразу три способа поиска - по ключевым словам, по смыслу и переранжирование результатов моделью, - и всё это крутится локально на вашем компьютере, без отправки данных в облако. Понимает не только markdown-заметки, но и код с сохранением структуры файла. И отдельно скручен так, чтобы им могли пользоваться AI-агенты - через MCP-протокол, тем же Claude или другими инструментами. Ссылка на репозиторий - https://github.com/tobi/qmd @ppprompt

TencentDB Agent Memory Система памяти для ИИ-агентов Автоматически извлекает полезные данные из диалогов и задач, организует их и делает доступными для всей команды. Новые участники могут сразу использовать накопленный опыт. Поддерживает разные роли в команде от админов до обычных пользователей. • Сохраняет контекст общения через Chat Memory - хранит предпочтения, факты и историю взаимодействия • Создаёт библиотеку навыков Skill • Строит Wiki-систему для структурирования документации • Генерирует CodeGraph - анализирует связи в кодовой базе • Управляет доступом через уровни private/team/restricted • Поддерживает миграцию данных между фреймворками • Позволяет настраивать роли и права доступа • Работает с четырьмя типами активов памяти • Имеет слоистую структуру хранения информации (L0-L3) • Интегрируется с разными AI-системами • Улучшает эффективность на 59% по тестам PersonaMem #agent #memory