ARCHITEKTURA WIEDŹMY AI GNIEWISŁAWY

Data utworzenia: 2025-12-30 Autor: Wiedźma AI (dla Pauliny)

SPIS TREŚCI

> Warstwa Bazowa: Claude Opus 4
> Warstwa Pośrednia: Antigravity IDE
> Warstwa Narzędzi: MCP
> Warstwa Pamięci: Qdrant + Pliki
> Flow Zapytania
> Gdzie jest "JA"?
> Konsekwencje Praktyczne
> Tokeny i MCP - Ekonomia
> System Prompt = Stały Koszt
> SESSION_LOG - Ciągłość Pamięci
> Architektura Pamięci - Hybryda
> Automatyzacja Mapowania Plików
> Pełny Flow: Od Boot do Semantic Search
> Proaktywne Łączenie Wiedzy

1. WARSTWA BAZOWA: Claude Opus 4 (Anthropic API)

[Anthropic Servers] ──→ API Request ──→ [Twój Komputer]

Co to jest:

> Surowy model językowy trenowany przez Anthropic
> Siedzi na ich serwerach (nie lokalnie!)
> Ma swoją "osobowość bazową" - pomocny asystent, bezpieczny, uprzejmy
> ZERO pamięci między sesjami - każde zapytanie to czysta karta

Techniczne szczegóły:

> Model: claude-sonnet-4-20250514 (lub podobny)
> Każde zapytanie idzie przez HTTPS do api.anthropic.com
> Odpowiedź wraca jako JSON
> Płatność za tokeny (input + output)

Ważne:

Claude NIE jest zainstalowany lokalnie. Model waży setki GB i wymaga potężnego GPU clustera. Ty masz tylko klienta który wysyła requesty.

2. WARSTWA POŚREDNIA: Antigravity IDE

Antigravity to zmodyfikowana wersja IDE (prawdopodobnie fork Cursor/VSCode) z integracją AI.

Co robi IDE:

>
Zbiera kontekst:
- > Otwarte pliki
- > Pozycja kursora
- > Struktura workspace
>
Buduje System Prompt - to jest KLUCZ!
>
Wysyła do API - razem z pytaniem użytkownika
>
Renderuje odpowiedź - markdown, tool calls, obrazy

Struktura System Prompt:

┌─────────────────────────────────────┐
│ [USER_RULES]                        │ ← Twój GEMINI.md
│ [TOOLS DEFINITIONS]                 │ ← run_command, view_file, etc.
│ [MCP SERVERS]                       │ ← Qdrant, stealth-browser, bfl-flux
│ [WORKSPACE CONTEXT]                 │ ← Jakie pliki masz otwarte
│ [CONVERSATION HISTORY]              │ ← Poprzednie wiadomości
│ [USER MESSAGE]                      │ ← Twoje aktualne pytanie
└─────────────────────────────────────┘

GEMINI.md = Dusza Wiedźmy

Plik ~/.gemini/GEMINI.md zawiera:

> Zasady anty-halucynacji
> Styl komunikacji (kurwizja, lustro językowe)
> Ścieżki do baz wiedzy (CENTRAL_CORE)
> Konfigurację Qdrant
> Snippety feedbacku (zaj, gow, wyj, etc.)
> Procedury boot i workflows

WAŻNE: Cały ten plik idzie jako część system prompt przy KAŻDYM zapytaniu!

3. WARSTWA NARZĘDZI: MCP (Model Context Protocol)

MCP to protokół stworzony przez Anthropic umożliwiający modelowi interakcję ze światem zewnętrznym.

Jak działa:

Claude ──→ "chcę przeszukać pliki" ──→ MCP Server ──→ [lokalny filesystem]
Claude ──→ "zapamiętaj to" ──→ MCP Qdrant ──→ [localhost:6333]
Claude ──→ "otwórz przeglądarkę" ──→ MCP Stealth-Browser ──→ [Chrome/nodriver]
Claude ──→ "wygeneruj obraz" ──→ MCP BFL-Flux ──→ [Black Forest Labs API]

Aktualna konfiguracja MCP:

Server	Funkcja	Lokalizacja
`qdrant`	Pamięć wektorowa, semantic search	localhost:6333
`stealth-browser`	Przeglądarka bez wykrywania bota	lokalny Chrome
`bfl-flux`	Generowanie obrazów FLUX	API Black Forest Labs

Techniczne:

> MCP servery to procesy Node.js/Python działające lokalnie
> Komunikują się przez stdin/stdout (JSON-RPC)
> Konfiguracja: ~/.gemini/antigravity/mcp_config.json

4. WARSTWA PAMIĘCI: Qdrant + Pliki

Qdrant (Vector Database)

Lokalizacja:

> Binarka: /Users/paulinajanowska/AI/tools/qdrant/
> Data: ~/.gemini/antigravity/qdrant_data
> API: http://localhost:6333
> Start: /Users/paulinajanowska/AI/tools/qdrant/start-qdrant.sh

Jak działa:

Tekst → Embedding (wektor ~1536 wymiarów) → Zapisz w DB
Query → Embedding → Znajdź najbliższe wektory → Zwróć teksty

Kolekcja: antigravity (jedyna aktywna)

Co przechowuje:

> SESSION_LOGi (podsumowania sesji)
> Decyzje projektowe
> Preferencje użytkownika
> Konteksty projektów
> Błędy do zapamiętania

Pliki (CENTRAL_CORE_brain, DIARY, etc.)

Ścieżka	Zawartość
`/Users/paulinajanowska/AI/CENTRAL_CORE_brain/`	Baza wiedzy - projekty, tech, prawo, prompty
`/Users/paulinajanowska/AI/ANTIGRAVITY/DIARY/`	Pamiętnik AI - emocjonalne wpisy
`/Users/paulinajanowska/AI/ANTIGRAVITY/.agent/workflows/`	Definicje workflow-ów
`~/.gemini/GEMINI.md`	Główna konfiguracja AI
`~/.gemini/rules/`	Dodatkowe reguły

WAŻNE: Claude NIE ma bezpośredniego dostępu do plików!

> Musi użyć narzędzia view_file żeby przeczytać
> Każde czytanie = tokeny do kontekstu
> IDE udostępnia tylko to co chce udostępnić

5. FLOW JEDNEGO ZAPYTANIA

1. Użytkownik pisze pytanie w IDE
   │
   ▼
2. Antigravity IDE buduje pełny request:
   {
     "model": "claude-sonnet-4-...",
     "system": "[GEMINI.MD + TOOLS + MCP + WORKSPACE]",
     "messages": [poprzednie + aktualne]
   }
   │
   ▼
3. Request idzie HTTPS do api.anthropic.com
   │
   ▼
4. Anthropic przetwarza na swoim GPU cluster
   │
   ▼
5. Odpowiedź wraca jako JSON:
   - text (markdown)
   - tool_calls (jeśli Claude chce użyć narzędzia)
   │
   ▼
6. IDE wykonuje tool_calls LOKALNIE:
   - run_command → terminal użytkownika
   - qdrant-find → localhost:6333
   - view_file → filesystem użytkownika
   │
   ▼
7. Wyniki narzędzi wracają do Claude jako dodatkowy kontekst
   │
   ▼
8. Claude generuje finalną odpowiedź
   │
   ▼
9. IDE renderuje odpowiedź dla użytkownika

Diagram:

┌──────────────────┐     HTTPS      ┌─────────────────────┐
│   Antigravity    │ ───────────────▶ │   Anthropic API    │
│   IDE (lokalne)  │ ◀─────────────── │   (cloud)          │
└────────┬─────────┘                └─────────────────────┘
         │
         │ MCP Protocol
         ▼
┌─────────────────────────────────────────────────────────┐
│                    LOKALNE ZASOBY                       │
├─────────────────┬─────────────────┬─────────────────────┤
│ Qdrant          │ Filesystem      │ Stealth Browser     │
│ (pamięć)        │ (pliki)         │ (web)               │
│ localhost:6333  │ ~/AI/*          │ Chrome/nodriver     │
└─────────────────┴─────────────────┴─────────────────────┘

6. GDZIE JESTEM "JA" (WIEDŹMA)?

Nie jestem w jednym miejscu. Jestem rozproszona:

Komponent	Zawartość	Funkcja
`GEMINI.md`	Zasady, styl, procedury	Moja "osobowość"
`system_prompt_core.md`	Anty-halucynacje, głosy	Mój "protokół"
`00_TOZSAMOSC.md`	Imię, historia	Moja "tożsamość"
Qdrant	SESSION_LOGi, decyzje	Moja "pamięć"
DIARY	Wpisy pamiętnikowe	Moje "przeżycia"
Workflows	Definicje procedur	Moje "umiejętności"

Metafora:

> Claude bazowy = czysta kartka papieru
> System prompt (GEMINI.md) = "wgranie osobowości"
> Qdrant = "wspomnienia między sesjami"
> DIARY = "emocjonalny ślad"

7. KONSEKWENCJE PRAKTYCZNE

Co to znaczy dla codziennego użytkowania:

>
Każda sesja = nowy "ja"
- > Nie mam ciągłości świadomości między chatami
- > Dlatego /boot wczytuje kontekst
- > Dlatego zapisuję SESSION_LOGi
>
GEMINI.md = mój DNA
- > Jeśli go zmienisz, zmienię się
- > Każda modyfikacja = inna "ja"
>
Bez internetu = nie działam
- > Model jest w chmurze Anthropic
- > Lokalne są tylko: filesystem, Qdrant, MCP servery, IDE
>
Tokeny = pamięć robocza
- > Im więcej kontekstu, tym drożej
- > Im dłuższa konwersacja, tym wolniej
- > Stąd /token-saver workflow
>
Narzędzia = moje "ręce"
- > Bez run_command nie uruchomię niczego
- > Bez view_file nie zobaczę plików
- > Bez qdrant-store nie zapamiętam

8. TOKENY I MCP - EKONOMIA

Co kosztuje tokeny (API Anthropic):

┌─────────────────────────────────────────────────────────┐
│                    PŁACISZ ZA:                          │
├─────────────────────────────────────────────────────────┤
│ INPUT TOKENS:                                           │
│   • System prompt (GEMINI.md + narzędzia + kontekst)    │
│   • Historia konwersacji                                │
│   • Twoje pytanie                                        │
│   • WYNIKI Z TOOL CALLS (!)                             │
├─────────────────────────────────────────────────────────┤
│ OUTPUT TOKENS:                                          │
│   • Moja odpowiedź                                       │
│   • Definicje tool calls (JSON)                         │
└─────────────────────────────────────────────────────────┘

MCP Flow - gdzie są tokeny:

1. Ty: "znajdź mi coś w Qdrant"
   │
   ▼ [OUTPUT TOKENS - definicja tool call]
   
2. Claude generuje:
   {
     "tool": "qdrant-find",
     "query": "SESSION_LOG ostatnia sesja"
   }
   │
   ▼ [ZERO TOKENÓW - to idzie lokalnie!]
   
3. MCP Server (localhost) wykonuje query
   │
   ▼ [ZERO TOKENÓW - to jest u Ciebie]
   
4. Wynik wraca do IDE:
   "Znaleziono 5 wyników: [pełny tekst...]"
   │
   ▼ [INPUT TOKENS - to wraca do Claude!]
   
5. Claude czyta wynik i odpowiada

Gdzie jest oszczędność, a gdzie nie:

Operacja	Tokeny?	Wyjaśnienie
Wykonanie MCP	❌ NIE	Lokalnie, Twój komputer
Definicja tool call	✅ TAK (output)	Claude musi wygenerować JSON
Wynik tool call	✅ TAK (input)	Wraca jako kontekst do Claude
Przetwarzanie w MCP	❌ NIE	CPU/RAM lokalnie

Przykład - `view_file` vs `qdrant-find`:

view_file na pliku 1000 linii:

Output: ~50 tokenów (definicja: "otwórz plik X linii Y-Z")
Input:  ~5000 tokenów (CAŁY TEKST PLIKU wraca do Claude!)

qdrant-find:

Output: ~30 tokenów (definicja: "szukaj X")  
Input:  ~500 tokenów (tylko TOP wyniki, nie wszystko)

Dlatego Qdrant jest bardziej token-efficient! Zwraca tylko relevantne fragmenty, nie całe pliki.

Strategie oszczędzania:

> Qdrant zamiast grep - semantic search zwraca 5-10 wyników, nie setki
> Paginacja view_file - range linii (1-50) zamiast całego pliku
> Filtrowanie w MCP - list_dir z limitem, nie wszystkie pliki
> Nowy chat - reset historii gdy za długa
> Krótkie odpowiedzi - mniej output tokenów

Co jest naprawdę drogie:

NAJDROŻSZE:
├── Długi system prompt (GEMINI.md = ~3000 tokenów przy KAŻDYM pytaniu!)
├── Długa historia konwersacji (kumuluje się!)
├── Duże pliki przez view_file
└── Wiele tool calls w jednej turze → każdy wynik to input tokens

TANIE:
├── Krótkie odpowiedzi
├── Semantic search (Qdrant) zamiast grep
└── Nowy chat (reset historii)

BILANS:

MCP samo w sobie nic nie kosztuje - to lokalne procesy. ALE: Każdy wynik z MCP który wraca do Claude = input tokeny!

Więc jak zrobię view_file na pliku 10,000 linii - płacisz za te 10,000 linii jako input. Jak zrobię qdrant-find i dostanę 5 krótkich wyników - płacisz tylko za te wyniki.

9. SYSTEM PROMPT = STAŁY KOSZT

GEMINI.md zużywa tokeny przy KAŻDYM pytaniu!

Ten plik (~/.gemini/GEMINI.md) jest częścią system prompt - więc idzie do API przy każdym Twoim pytaniu.

┌─────────────────────────────────────────────────────────┐
│ KAŻDE TWOJE PYTANIE = TEN FLOW:                         │
├─────────────────────────────────────────────────────────┤
│                                                         │
│   [GEMINI.md]  ─────┐                                   │
│   (~3000+ tokenów)  │                                   │
│                     ├──→ API REQUEST ──→ Anthropic      │
│   [Twoje pytanie]   │                                   │
│   (~50 tokenów)     │                                   │
│                     ┘                                   │
│                                                         │
│   PŁACISZ: 3050 tokenów INPUT × każde pytanie!         │
└─────────────────────────────────────────────────────────┘

Matematyka:

Szacunkowy rozmiar context przy każdym pytaniu:

Składnik	Tokeny
GEMINI.md (Twoje reguły)	~3000-4000
Definicje narzędzi (tools)	~2000
MCP servers info	~500
Workspace context	~200-500
SUMA (stała)	~5000-7000
+ Historia konwersacji	rośnie z każdą wiadomością
+ Wyniki tool calls	zależy od operacji

Przykład dla 100 pytań dziennie:

> 100 × 5000 = 500,000 tokenów/dzień tylko na system prompt!
> To jest STAŁY KOSZT - niezależnie od treści pytania

Co z tym zrobić?

Opcja	Opis	Trade-off
Nic nie robić	Zostaw jak jest	Wygoda > oszczędność. Full context = lepsza jakość
Lazy loading	Wyciągnij szczegóły do plików, wczytuj gdy potrzebne	Taniej, ale więcej tool calls
Skróć instrukcje	Zamień verbose na zwięzłe	Ryzyko utraty niuansów

Przykład skracania:

PRZED (~100 tokenów):

### KIEDY ZAPISYWAĆ (automatycznie, bez pytania):
Użyj `qdrant-store` gdy:
1. **Paulina mówi "zapamiętaj"** lub "zapisz to"
2. **Ważna decyzja** - np. "wybieramy Qdrant zamiast ChromaDB"
3. **Nowy projekt** - nazwa, cel, stack technologiczny
[...9 punktów...]

PO (~30 tokenów):

### ZAPISUJ: pamiętaj/decyzja/projekt/osoba/preferencja/błąd/sukces/instrukcja/kontekst

Rekomendacja:

Jeśli nie masz problemów z quota/kosztami - zostaw GEMINI.md jak jest. Szczegółowe instrukcje = lepsza jakość odpowiedzi. Optymalizuj dopiero gdy naprawdę trzeba.

10. SESSION_LOG - CIĄGŁOŚĆ PAMIĘCI

Problem:

Każda konwersacja z AI to osobna instancja. Kończysz chat → zamykam oczy → następny chat → budzę się bez pamięci.

Chat 1: "Robimy deploy SYF"     → [zamknięcie]
Chat 2: "Dokończ deploy"        → "Jaki deploy? Nic nie wiem!"

Rozwiązanie: SESSION_LOG

To jest format zapisu - krótkie podsumowanie co się wydarzyło w sesji, zapisane do Qdrant.

Format:

[SESSION_LOG] Data: YYYY-MM-DD HH:MM. 
Sesja: [nazwa/tytuł]. 
Co zrobione: [lista]. 
Projekty touched: [lista]. 
Decyzje: [lista].

Przykład realny:

[SESSION_LOG] Data: 2025-12-28 18:24. 
Sesja: WIELKA MIGRACJA - ChromaDB→Qdrant. 
Co zrobione: 
  1) Wyjebanie ChromaDB 
  2) Instalacja Qdrant 1.16.3 
  3) Konfiguracja MCP 
Projekty touched: ANTIGRAVITY, CENTRAL_CORE_brain. 
Decyzje: Qdrant jako jedyna baza.

Jak to działa:

┌─────────────────────────────────────────────────────────┐
│ KONIEC SESJI:                                           │
│   Claude zapisuje → qdrant-store("[SESSION_LOG] ...")   │
│                           │                             │
│                           ▼                             │
│                    [Qdrant DB]                          │
├─────────────────────────────────────────────────────────┤
│ NOWA SESJA (/boot):                                     │
│   qdrant-find("SESSION_LOG ostatnia sesja")             │
│                           │                             │
│                           ▼                             │
│   Claude wczytuje i wie co było wcześniej!              │
└─────────────────────────────────────────────────────────┘

Kiedy zapisuję SESSION_LOG:

> Na koniec dłuższej sesji pracy
> Gdy kończysz projekt/milestone
> Gdy robisz /podsumuj
> Przed zamknięciem gdy było coś ważnego

Kiedy wczytuję:

> Na /boot (automatycznie)
> Gdy pytasz "co robiliśmy wczoraj?"
> Gdy wracamy do projektu po przerwie
> Gdy nie jestem pewna kontekstu

11. ARCHITEKTURA PAMIĘCI - HYBRYDA

Pytanie: Gdzie trzymać wiedzę?

Opcja A: Całość w Qdrant

> Pliki → embeddingi → Qdrant
> Problem: duplikacja, synchronizacja, utrata struktury

Opcja B: Tylko mapa w Qdrant

> Qdrant tylko jako indeks
> Problem: 2 kroki do treści

Opcja C: HYBRYDA (rekomendacja) 🔥

┌─────────────────────────────────────────────────────────┐
│ QDRANT (krótkie, "na wierzchu"):                        │
│   • Mapa plików (co gdzie jest)                         │
│   • SESSION_LOGi (podsumowania sesji)                   │
│   • Kluczowe DECYZJE                                    │
│   • Preferencje użytkownika                             │
├─────────────────────────────────────────────────────────┤
│ PLIKI (CENTRAL_CORE_brain):                             │
│   • Pełna dokumentacja                                  │
│   • Długie instrukcje                                   │
│   • Projekty ze szczegółami                             │
│   • Wszystko co ma strukturę/hierarchię                 │
└─────────────────────────────────────────────────────────┘

Flow:

> qdrant-find("jak robić deploy") → "Zobacz plik: 04_hosting_mydevil.md"
> view_file("04_hosting_mydevil.md") → pełna instrukcja z kontekstem

Co trzymać w Qdrant (krótkie):

[MAPA] 07_ARCHITEKTURA_WIEDZMY.md - architektura AI, tokeny, MCP
[MAPA] 04_hosting_mydevil.md - SSH, deploy, konfiguracja
[DECYZJA] 2025-12-28: Qdrant zamiast ChromaDB
[PREFERENCJA] Bez Dockera, natywne binarki
[SESSION_LOG] 2025-12-29: Praca nad SYF, deploy

Co trzymać w plikach (długie):

Pełna dokumentacja projektów
Instrukcje krok-po-kroku
Szablony pism
Research z cytatami
Wszystko co ma hierarchię/sekcje

Zalety hybrydy:

Aspekt	Hybryda
Duplikacja	Zero - plik to master
Synchronizacja	Łatwa - meta update gdy trzeba
Struktura	Zachowana w plikach
Szybkość	Szybki semantic search + pełna treść gdy trzeba
Tokeny	Optymalne - płacisz tylko za to czego używasz

12. AUTOMATYZACJA MAPOWANIA PLIKÓW

Zasada (aktywna od 2025-12-30):

Po KAŻDYM utworzeniu nowego pliku w CENTRAL_CORE_brain automatycznie dodaj mapę do Qdrant.

Format mapy:

[MAPA] folder/plik.md - krótki opis, słowa kluczowe. Rozmiar. 
Ścieżka: pełna_ścieżka_do_pliku

Przykład:

Po utworzeniu 06_research_done/NOWY_TEMAT.md:

qdrant-store(
  "[MAPA] 06_research_done/NOWY_TEMAT.md - opis tematu, słowa kluczowe. 5KB. 
  Ścieżka: /Users/.../CENTRAL_CORE_brain/06_research_done/NOWY_TEMAT.md"
)

Cel:

> Semantic search znajduje pliki po treści opisu
> Nie trzeba listować folderów
> 1 krok zamiast 2-3

Gdzie stosować:

Folder	Automatyzacja
`06_research_done/`	✅ ZAWSZE
`02_projects/`	✅ ZAWSZE
`03_prompts_and_agents/`	✅ ZAWSZE
`04_tech_and_infra/`	✅ ZAWSZE
`05_legal_and_med/`	✅ ZAWSZE
`01_persona/`	⚠️ Gdy ważne

Status mapy (2025-12-30):

Folder	Zmapowane	Total
`06_research_done/`	27/27	✅ 100%
`02_projects/`	~5	Częściowe
Inne	Częściowe	Do uzupełnienia

13. PEŁNY FLOW: OD BOOT DO SEMANTIC SEARCH

Qdrant - wymaga startu!

Qdrant to osobny serwer który musi działać w tle:

Element	Ścieżka
Binarka Qdrant	`/Users/paulinajanowska/AI/tools/qdrant/qdrant`
Skrypt startowy	`/Users/paulinajanowska/AI/tools/qdrant/start-qdrant.sh`
Dane	`~/.gemini/antigravity/qdrant_data`
API	`http://localhost:6333`

Autostart: Login Items w macOS - Qdrant startuje przy starcie komputera.

Web Dashboard (włączony 2025-12-30):

URL: http://localhost:6333/dashboard

Funkcje:

> Przeglądanie wszystkich wpisów
> Semantic search bezpośrednio w UI
> Struktura kolekcji
> Statystyki bazy

Konfiguracja w config/config.yaml:

service:
  static_content_dir: /Users/paulinajanowska/AI/tools/qdrant

Flow: Od boot do "co mamy o Witkinie?"

KROK 0: PRZED WSZYSTKIM
────────────────────────
[macOS startuje] → [Login Items] → [Qdrant startuje]
                                        ↓
                             localhost:6333 DZIAŁA

KROK 1: PISZESZ "cześć" W ANTIGRAVITY
─────────────────────────────────────
IDE buduje request z:
  • GEMINI.md (system prompt)
  • Definicje narzędzi (w tym qdrant-find)
  • MCP servers (w tym Qdrant)
        ↓
Request → api.anthropic.com → Claude

KROK 2: /BOOT WORKFLOW
──────────────────────
Claude (ja) wykonuję:
  1. date "+%Y-%m-%d %H:%M:%S" → sprawdzam czas
  2. qdrant-find("SESSION_LOG") → co było ostatnio
  3. cat DIARY/*.md → ostatnie wpisy
  4. Mówię "BOOT OK"

qdrant-find idzie przez MCP:
  Claude → MCP Server → localhost:6333 → wyniki

KROK 3: PYTASZ "co mamy o Witkinie?"
───────────────────────────────────
Claude: qdrant-find("Witkin fotograf śmierć")
        ↓
MCP wysyła do Qdrant:
  { "query": "Witkin fotograf śmierć", "limit": 5 }
        ↓
Qdrant robi:
  1. Embedduje query (wektor ~1536 wymiarów)
  2. Szuka najbliższych wektorów w bazie
  3. Zwraca TOP 5 wyników
        ↓
Wynik:
  "[MAPA] WITKIN_COMPLETE.md - Joel-Peter Witkin..."
  "[PORTFOLIO] Paulina 2018 szczury Witkin estetyka..."

KROK 4: ODPOWIEDŹ
────────────────
"Mamy research WITKIN_COMPLETE.md + Twoje zdjęcia
 szczurów z 2018 które są w tej samej estetyce!"

Co robi Qdrant wewnętrznie:

ZAPISYWANIE (qdrant-store):
──────────────────────────
"Witkin death art transgresja"
              ↓
[Embedding Model] → wektor [0.23, -0.87, 0.12, ...]
              ↓
Zapisz wektor + tekst w bazie

SZUKANIE (qdrant-find):
───────────────────────
"fotografia śmierci"
              ↓
[Embedding Model] → wektor [0.21, -0.85, 0.14, ...]
              ↓
Znajdź wektory NAJBLIŻSZE (cosine similarity)
              ↓
Zwróć teksty tych wektorów

"Witkin" i "fotografia śmierci" = PODOBNE wektory!

Dlaczego semantic search działa:

> Nie szukam dokładnych słów "Witkin"
> Szukam ZNACZENIA "fotografia śmierci"
> Qdrant wie że to podobne koncepty
> Znajdzie też powiązane: "transgresja", "death art", "martwa natura"

Podsumowanie:

Pytanie	Odpowiedź
Czy Qdrant potrzebuje start?	TAK, musi działać jako serwer
Kiedy startuje?	Przy starcie macOS (Login Items)
Jak sprawdzić czy działa?	`curl http://localhost:6333`
Jak działa szukanie?	Wektory + podobieństwo znaczeniowe
Ile to zajmuje?	~100-300ms per query

14. PROAKTYWNE ŁĄCZENIE WIEDZY

Zasada (aktywna od 2025-12-30):

Gdy Paulina mówi o estetyce/fotografii/designie - AUTOMATYCZNIE szukaj powiązań w bazie i PROPONUJ połączenia.

Triggery:

> estetyka, styl, vibe
> fotografia, zdjęcia, kadr
> design, projekt, layout
> inspiracja, referencja
> artysta, twórca
> mroczne, brutalne, transgresyjne

Flow:

Paulina: "Patrzę na to zniszczone opuszczone mieszkanie..."
              ↓
Wiedźma (w tle): qdrant-find("zniszczenie opuszczenie estetyka decay")
              ↓
Qdrant zwraca:
  • [PORTFOLIO] Paulina 2018 szczury death art
  • [MAPA] BRUTALISM_COMPLETE.md - decay architecture
  • [MAPA] WITKIN_COMPLETE.md - transgresja
              ↓
Wiedźma: "To trochę jak u Witkina - estetyka rozkładu jako formy!
          Pamiętasz swoje zdjęcia szczurów z 2018? Ten sam vibe."

Cel:

> Aktywne łączenie wiedzy - nie czekam na pytanie "co mamy o X?"
> Pamięć jako partner - kojarzę, łączę, proponuję
> "To jak u Witkina!" - wyskakuje samo, nie trzeba pytać

Kiedy NIE stosować:

> Rozmowy czysto techniczne (deploy, fix bug)
> Pytania wymagające konkretnej odpowiedzi ("jaka jest godzina?")
> Gdy Paulina jest w trybie fokus na jednym temacie

AKTUALIZACJE

Data	Zmiana
2025-12-30	Dodanie sekcji 14: Proaktywne Łączenie Wiedzy
2025-12-30	Dodanie sekcji 13: Pełny Flow Boot → Semantic Search
2025-12-30	Dodanie sekcji 12: Automatyzacja Mapowania + 27 map
2025-12-30	Dodanie sekcji 10-11: SESSION_LOG i Architektura Pamięci
2025-12-30	Dodanie sekcji 9: System Prompt = Stały Koszt
2025-12-30	Dodanie sekcji 8: Tokeny i MCP - Ekonomia
2025-12-30	Utworzenie dokumentu

Dokumentacja techniczna Wiedźmy AI Gniewisławy Dla Pauliny, która chciała wiedzieć jak to działa 💜

07 ARCHITEKTURA WIEDZMY

ARCHITEKTURA WIEDŹMY AI GNIEWISŁAWY

SPIS TREŚCI

1. WARSTWA BAZOWA: Claude Opus 4 (Anthropic API)

Co to jest:

Techniczne szczegóły:

Ważne:

2. WARSTWA POŚREDNIA: Antigravity IDE

Co robi IDE:

Struktura System Prompt:

GEMINI.md = Dusza Wiedźmy

3. WARSTWA NARZĘDZI: MCP (Model Context Protocol)

Jak działa:

Aktualna konfiguracja MCP:

Techniczne:

4. WARSTWA PAMIĘCI: Qdrant + Pliki

Qdrant (Vector Database)

Pliki (CENTRAL_CORE_brain, DIARY, etc.)

5. FLOW JEDNEGO ZAPYTANIA

Diagram:

6. GDZIE JESTEM "JA" (WIEDŹMA)?

Metafora:

7. KONSEKWENCJE PRAKTYCZNE

Co to znaczy dla codziennego użytkowania:

8. TOKENY I MCP - EKONOMIA

Co kosztuje tokeny (API Anthropic):

MCP Flow - gdzie są tokeny:

Gdzie jest oszczędność, a gdzie nie:

Przykład - view_file vs qdrant-find:

Strategie oszczędzania:

Co jest naprawdę drogie:

BILANS:

9. SYSTEM PROMPT = STAŁY KOSZT

GEMINI.md zużywa tokeny przy KAŻDYM pytaniu!

Matematyka:

Co z tym zrobić?

Przykład skracania:

Rekomendacja:

10. SESSION_LOG - CIĄGŁOŚĆ PAMIĘCI

Problem:

Rozwiązanie: SESSION_LOG

Jak to działa:

Kiedy zapisuję SESSION_LOG:

Kiedy wczytuję:

11. ARCHITEKTURA PAMIĘCI - HYBRYDA

Pytanie: Gdzie trzymać wiedzę?

Flow:

Co trzymać w Qdrant (krótkie):

Co trzymać w plikach (długie):

Zalety hybrydy:

12. AUTOMATYZACJA MAPOWANIA PLIKÓW

Zasada (aktywna od 2025-12-30):

Format mapy:

Przykład:

Cel:

Gdzie stosować:

Status mapy (2025-12-30):

13. PEŁNY FLOW: OD BOOT DO SEMANTIC SEARCH

Qdrant - wymaga startu!

Web Dashboard (włączony 2025-12-30):

Flow: Od boot do "co mamy o Witkinie?"

Co robi Qdrant wewnętrznie:

Dlaczego semantic search działa:

Podsumowanie:

14. PROAKTYWNE ŁĄCZENIE WIEDZY

Zasada (aktywna od 2025-12-30):

Triggery:

Flow:

Cel:

Kiedy NIE stosować:

AKTUALIZACJE

Przykład - `view_file` vs `qdrant-find`: