Второй мозг для AI-агентов: кратко о главном
🎯 О чём этот конспект: Практическое руководство по созданию локальной структурированной базы знаний («второго мозга») на основе обычных текстовых файлов и Markdown-заметок для автономных AI-агентов. Разбирается 5-уровневая архитектура агентных систем, подключение парсеров через Apify, локальная транскрибация контента, упаковка рутинных задач в навыки и развертывание Telegram-ботов с RAG-архитектурой на базе агентного API.
👤 Кому будет полезно: Вайбкодерам, разработчикам автоматизаций, фаундерам микро-SaaS и маркетологам, которые хотят перестать каждый раз объяснять контекст нейросетям с нуля и стремятся создать автономную самообновляющуюся систему.
✨ Что получите: Рабочую структуру файлов и папок для AI-агента в Obsidian/Roof p, настроенные коннекторы к внешним сервисам, автоматизированный радар трендов и навык быстрого прототипирования Telegram-ботов с обращением к собственной базе знаний.
1. Пятислойная архитектура агентной системы
Контекст: Большинство пользователей фокусируются на сравнении моделей (Claude, GPT, Gemini), однако ценность персонального ассистента определяется не мощностью нейросети, а качеством предоставленного контекста. Сама по себе модель умна, но ничего не знает о конкретном бизнесе, процессах и решениях пользователя. Чтобы агент работал автономно и не начинал каждый диалог с чистого листа, архитектуру необходимо выстраивать в виде пяти независимых слоев. Модели постоянно сменяют друг друга, но правильно структурированная локальная база знаний остается универсальным активом.
Тайминг:
Выгода: Позволяет безболезненно менять базовую нейросеть и софт, сохраняя весь накопленный опыт, факты и правила проекта в локальных файлах.
Как применить:
- Шаг 1: Разделение системы на слои — Спроектируйте систему по следующей структуре:
- Модель (Ядро) — вычислительный интеллект (GPT, Claude и др.).
- Контекст (Второй мозг) — папка с Markdown-файлами о вас, проектах и правилах.
- Оболочка — среда исполнения агента (Roof p, Claude Code, Cursor, Codex), умеющая читать/писать файлы и выполнять команды.
- Процессы (Навыки) — повторяемые цепочки действий, вызываемые одной slash-командой.
- Коннекторы — внешние API и веб-скраперы для поставки свежих данных снаружи.
Результат: Четкое понимание структуры данных и независимость вашей базы знаний от конкретного провайдера AI.
2. Развертывание оболочки и базовые настройки доступа
Контекст: Для взаимодействия агента с файловой системой требуется специализированная среда выполнения. В видео используется агентное приложение Roof p (аналог Claude Code и Codex с графическим интерфейсом и прямой оплатой из РФ), под капотом которого по умолчанию работает модель класса GPT-4o / GPT-5 (Soul 6.1). Перед запуском первой задачи критически важно настроить уровни изоляции и глубины размышлений, чтобы агент не вносил несанкционированные изменения в системные файлы компьютера.
Тайминг:
Выгода: Безопасная работа нейросети строго в границах выделенной папки без риска случайного удаления важных данных на диске.
Как применить:
- Шаг 1: Изоляция рабочей директории — Roof p / File Explorer / Finder] — Создайте на диске пустую папку (например,
Мой мозг) и откройте ее в оболочке агента. Агент получит доступ только к содержимому этой директории, остальная часть файловой системы останется недоступной. - Шаг 2: Настройка политик выполнения — Roof p Settings] — Сконфигурируйте базовые параметры рабочего процесса:
- Режим планирования: включен (агент сначала формирует пошаговый план и ждет подтверждения пользователя).
- Доступ: полный в рамках выбранной папки (изменение файлов без отдельного клика на каждый шаг).
- Глубина размышлений: стандартный режим для типовых задач (глубокий режим расходует значительно больше лимитов токенов).
Результат: Изолированная среда выполнения с прозрачным контролем плана действий агента.
3. Автоматическая инициализация второго мозга через интервью
Контекст: Ручное создание структуры папок и перенос контекста занимают много времени и часто приводят к хаосу. Эффективный подход — передать агенту установочный навык (пак инструкций) и исходные материалы (PDF, заметки, транскрипты), после чего агент сам анализирует пробелы в информации и проводит короткое интервью. Агент задает уточняющие вопросы о владельце системы, делегируемых задачах, допустимости действий от лица пользователя и правилах фиксации решений.
Тайминг:
Выгода: Экономия нескольких часов на структурировании документации; база знаний создается за 5–10 минут через ответы на вопросы в формате чата.
Как применить:
- Шаг 1: Подготовка сырых документов — Соберите в отдельную подпапку
Мой бизнесбазовые текстовые файлы: описание продуктов, портреты целевой аудитории, черновики постов, транскрипты созвонов. - Шаг 2: Запуск инициализации — Roof p / AI Agent] — Отправьте агенту системный промпт для развертывания структуры:
Изучи файлы в текущей папке и прикрепленный навык установки системы. Собери по нему рабочую систему второго мозга на основе моих документов. Сохраняй мои исходные настройки. Если информации не хватает, задай мне уточняющие вопросы по пунктам. Не удаляй исходные файлы.- Шаг 3: Прохождение интервью — Ответьте на вопросы агента о текущих приоритетах, границах автономии и правилах публикации контента.
Результат: Сгенерированная структура взаимосвязанных Markdown-заметок с выделенным контекстом бизнеса и профилем владельца.
4. Архитектура хранения и предотвращение превращения базы в свалку
Контекст: Главная проблема любых баз знаний — со временем они превращаются в неструктурированную свалку, из-за чего AI начинает галлюцинировать и путать черновики с утвержденными фактами. Чтобы система оставалась надежной, необходимо внедрить жесткие правила разграничения статусов данных: входящее сырье, утвержденная база знаний с пруфлинками, черновики гипотез и финальные согласованные решения.
Тайминг:
Выгода: Гарантия того, что агент при генерации ответов опирается только на верифицированные факты и всегда прикладывает ссылки на первоисточники.
Как применить:
- Шаг 1: Организация структуры папок — Obsidian / Markdown] — Настройте следующую иерархию внутри директории базы знаний:
/Контекст— профиль владельца, принципы, редполитика, описание ЦА./Проекты— карточки активных проектов с текущим статусом и одним главным шагом на неделю./Материалы— входящее сырье, транскрипты, скачанные документы./База знаний— атомарные заметки, где каждое утверждение содержит ссылку на источник и уровень достоверности (низкий/средний/высокий)./Результаты (Черновики)— сгенерированные агентом материалы, ожидающие аппрува./Архив— устаревшие файлы и служебные пакеты.
- Шаг 2: Внедрение правил валидации — Добавьте в корень базы файл правил для агента (например,
RULES.md):
1. Любой сгенерированный контент сохранять исключительно в папку /Результаты со статусом [Черновик].
2. Запрещено записывать выводы в /Проекты/Решения без прямого подтверждения пользователя в чате.
3. Каждая заметка в /База знаний обязана содержать ссылку на исходный файл из /Материалы.
4. Запрещено удалять файлы с диска: неактуальные документы перемещать строго в /Архив.- Шаг 3: Визуализация графа связей — Obsidian] — Откройте папку как хранилище (Vault) в Obsidian, проверьте граф связей и запустите автоматическую проверку целостности внутренних ссылок.
Результат: Граф из 50+ связанных заметок, где каждое утверждение агента подкреплено ссылкой на исходный файл.
5. Подключение внешних коннекторов через Apify
Контекст: Локальная база знаний быстро устаревает без притока свежей информации из внешнего мира. Пятый слой агентной системы — коннекторы. Вместо написания сложных собственных парсеров и поддержания прокси, агент может использовать готовых облачных исполнителей (акторов) на платформе Apify для сбора данных из социальных сетей и поисковой выдачи Google.
Тайминг:
Выгода: Подключение автоматического сбора данных из Instagram, Google или CRM за 1 минуту без написания кода парсеров.
Как применить:
- Шаг 1: Регистрация и получение токена — Apify Console] — Зарегистрируйтесь на платформе Apify, перейдите в раздел
Settings -> Integrations -> API Tokensи скопируйте персональный API-ключ. - Шаг 2: Авторизация в оболочке агента — Roof p] — Передайте агенту команду на подключение акторов:
Подключи сервис Apify через мой API токен. Настрой двух акторов:
1. Instagram Scraper (для сбора Reels и постов)
2. Google Search Scraper (для мониторинга поисковой выдачи)
Пока ничего не запускай, только проверь доступность инструментов.- Шаг 3: Верификация интеграции — Проверьте появление инструментов в списке доступных функций агента.
Результат: Агент получает доступ к выполнению внешних HTTP-запросов и сбору открытых данных через API.
6. Автоматизированный радар трендов и локальная расшифровка медиа
Контекст: Анализ конкурентов вручную отнимает много времени. Агент может автоматически собрать десятки роликов по ключевым запросам, отфильтровать спам (мемы, нерелевантную рекламу), локально скачать топ видео, извлечь аудиодорожки, транскрибировать их с помощью локальных утилит и сформировать визуальный HTML-дашборд с разбором хуков и структуры сценариев.
Тайминг:
Выгода: Автоматический сбор 50+ единиц контента, фильтрация и транскрибация топ-10 видео за 8–10 минут без рутинного просмотра ленты.
Как применить:
- Шаг 1: Запуск парсинга и фильтрации — Roof p / Apify] — Отправьте агенту задачу на сбор трендов:
Собери через Apify 50+ популярных Reels по темам: "ИИ агенты", "автоматизация бизнеса", "ChatGPT".
Отфильтруй мусор (фото-промпты, мемы, очевидную рекламу).
Сформируй таблицу лидеров по просмотрам и сохрани в /Результаты/Радар.- Шаг 2: Генерация HTML-галереи — Попросите агента упаковать данные в интерактивную веб-страницу для удобного предпросмотра: обложка, автор, просмотры, вовлеченность, прямая ссылка.
- Шаг 3: Локальная транскрибация и анализ хуков — Whisper / ffmpeg] — Дайте команду на глубокий разбор лидеров:
Для топ-10 роликов из таблицы:
1. Скачай видео и извлеки аудиодорожки.
2. Расшифруй аудио текст на моем компьютере.
3. Выдели структуру хуков (первые 3 секунды) и основные триггеры удержания внимания.
4. Добавь выводы в /База знаний/Паттерны_хуков.md с пометкой [Черновик].Результат: Локальная HTML-галерея трендов и структурированный файл с разбором сценариев залетевших роликов в вашей базе знаний.
7. Упаковка цепочек действий в переиспользуемые навыки
Контекст: Повторять сложную многоступенчатую переписку с агентом каждую неделю неэффективно. Четвертый слой системы — процессы. Любую успешно выполненную цепочку промптов можно одной просьбой упаковать в постоянный навык (Skill), который затем вызывается короткой slash-командой.
Тайминг:
Выгода: Сокращение времени запуска комплексного мониторинга с 15 минут до ввода одной команды /reels-radar.
Как применить:
- Шаг 1: Создание навыка из диалога — Roof p] — После успешного выполнения сценария радара отправьте запрос:
Упакуй весь пройденный процесс (сбор данных, фильтрация, создание HTML-галереи, скачивание и транскрибация топ-10, обновление базы знаний) в отдельный навык под названием "reels-radar".
Каждый новый прогон должен сохраняться в отдельную папку с датой, не перезаписывая старые данные.- Шаг 2: Регулярный запуск — Вызывайте автоматизацию командой:
/reels-radar- Шаг 3: Сравнительный анализ периодов — Сравнивайте результаты нескольких прогонов запросом к агенту:
«Что изменилось в трендах Reels между прогоном от 10 октября и текущим?».
Результат: Автономный сценарий, выполняющий 7 последовательных задач за 9 минут без участия пользователя.
8. Использование агентного API для создания Telegram-ботов с RAG
Контекст: База знаний может отдавать данные не только через десктопный интерфейс, но и внешним микросервисам. Roof p предоставляет OpenAI-совместимый API эндпоинт, который работает в рамках лимитов подписки. Агент может самостоятельно написать код Telegram-бота на Python/Node.js, реализовать поиск по урокам или документам (RAG), настроить обработку ошибок потокового ответа (streaming) и запустить сервис в фоне.
Тайминг:
Выгода: Готовый Telegram-бот технической поддержки или базы знаний курса создается за 4–5 минут без ручного написания кода.
Как применить:
- Шаг 1: Получение ключей — Telegram @BotFather & Roof p] — Создайте нового бота через
@BotFather, получите токен бота. В личном кабинете Roof p скопируйте API Key, Base URL и имя модели. - Шаг 2: Изоляция секретов — Создайте локальный файл
.env:
TELEGRAM_BOT_TOKEN="your_bot_token_here"
ROOFP_API_KEY="your_roofp_api_key_here"
ROOFP_BASE_URL="https://api.roofp.com/v1"
MODEL_NAME="soul-6.1"- Шаг 3: Промпт на сборку бота — Roof p] — Поставьте агенту задачу на разработку:
Напиши Telegram-бота для учеников курса.
Бот должен отвечать строго по материалам из папки /Материалы/Курс со ссылками на номер урока.
Если ответа в материалах нет, бот должен прямо отвечать: "В материалах курса информации не найдено".
Ключи и токены бери из .env файла. Запусти бота и проверь его работу.- Шаг 4: Самовосстановление при ошибках — Если бот упал из-за несовместимости формата потокового ответа (stream chunking), скопируйте лог ошибки в чат агенту: агент скорректирует обработку ответа API и перезапустит процесс.
Результат: Работающий Telegram-бот, отвечающий пользователям строго по вашим учебным материалам.
Второй мозг для AI-агентов: ответы на частые вопросы
В: Чем второй мозг для агента отличается от обычной папки с документами на компьютере?
О: Обычная папка содержит разрозненные файлы, которые человек ищет вручную. Второй мозг для агента — это структурированная система Markdown-заметок с двусторонними связями (wikilinks), строгими метаданными (источник, уровень достоверности, статус черновика) и системными правилами (RULES.md), определяющими, как и когда агент может использовать и обновлять эти данные.
В: Почему нельзя просто загрузить всю информацию в один большой контекстный файл или системный промпт?
О: При разрастании единого файла модель начинает терять фокус, галлюцинировать и тратить избыточное количество токенов на каждый запрос. Модульная структура позволяет агенту подтягивать в контекст только релевантные карточки проектов и связанные заметки базы знаний.
В: Безопасно ли давать агенту полный доступ к изменению файлов?
О: Полный доступ безопасен только при условии изоляции: агент подключается строго к одной конкретной папке проекта. Дополнительно в правилах системы прописывается запрет на удаление файлов — неактуальные документы агент обязан перемещать в директорию /Архив.
В: Что делать, если агент выстроил неверные логические связи между заметками?
О: Статус «0 ошибок» при валидации означает только целостность ссылок между файлами, но не гарантирует абсолютную смысловую точность. Раз в неделю рекомендуется просматривать граф Obsidian и при обнаружении неточностей корректировать их текстовым запросом в чате агента.
В: Обязательно ли использовать приложение Roof p для повторения этой системы?
О: Нет, пятислойная архитектура универсальна. В качестве оболочки можно использовать Claude Code, Cursor, Windsurf, Codex или OpenCode. Roof p в видео выбран как готовое коробочное решение, работающее с российскими картами и имеющее встроенные коннекторы.
В: Как агент транскрибирует видео, если у них нет субтитров?
О: Агент автономно выполняет цепочку системных команд: скачивает видеофайл через утилиты загрузки, извлекает аудиодорожку с помощью ffmpeg и прогоняет аудио через локальную или API-модель распознавания речи (Whisper) прямо на компьютере пользователя.
Второй мозг для AI-агентов: инструменты и ссылки из видео
- Roof p — десктопное приложение для запуска автономных AI-агентов с локальным доступом к файлам и встроенным API —
https://roofp.com(упомянут в видео). - Obsidian — бесплатный Markdown-редактор для ведения заметок и визуализации графа связей базы знаний —
https://obsidian.md(упомянут в видео). - Apify — платформа готовых облачных скраперов (акторов) для сбора данных из Instagram, Google и других платформ —
https://apify.com(упомянут в видео). - Telegram BotFather — официальный инструмент для создания и управления ботами в Telegram —
https://t.me/BotFather(упомянут в видео).
Конспект создан на основе видео «Второй мозг для AI-агентов» канала автора. Все права на оригинальный материал принадлежат авторам. Источник: https://www.youtube.com/watch?v=cy8z2i4ugUc
