Я давно занимаюсь разработкой и оптимизацией инструментов на базе нейросетей, и в какой-то момент рутина начала брать верх. Открывая новую сессию в Antigravity — форке VS Code, который я использую как основную среду разработки — постоянно сталкиваешься с одной и той же проблемой. Проблема современных языковых моделей заключается в том, что они рождаются с тотальной амнезией. Когда тратишь час на написание длинного описания для сложного проекта, совершенно не хочется на следующий день создавать новую сессию и объяснять все это заново. Приходится раз за разом копировать одни и те же JSON-структуры, описывать правила линтера, напоминать про архитектуру базы данных на PostgreSQL и ограничения стека на Next.js. Да, у веб-версий того же Claude или ChatGPT есть какая-то встроенная память, но управлять ею нормально невозможно, и никогда не знаешь наверняка, что именно находится в этом черном ящике. Вся суть успешной работы с нейросетями сводится к одному простому правилу: нужно постоянно скармливать этому зверю хороший контекст. Чем качественнее и быстрее загружаются вводные данные, тем более сложные задачи система способна решать.
Терминал как точка входа
Мой локальный сетап состоит из MacBook M2 и Mac Mini M4, что заставляет искать баланс между тяжелыми локальными скриптами и облачными API. Я привык автоматизировать macOS через shell-скрипты и различные шорткаты, но появление Claude Code изменило привычный подход к консоли. Это агент, который живет в терминале и может управлять компьютером через команды на естественном языке. Его можно попросить создать текстовый файл на рабочем столе с определенным содержимым, и скрипт просто пойдет и сделает это. Раньше для этого приходилось сворачивать окна, открывать редактор, писать текст и сохранять документ вручную. Теперь же файл появляется сам, и можно сразу приказать агенту открыть его.
Но базовое создание файлов — это лишь поверхность. Настоящий сдвиг происходит, когда агенту поручается описать проект, над которым идет работа. Например, ставится задача создать документ с концепцией минималистичного приложения, которое читает данные из календаря, сообщений и Slack, а затем интерпретирует их в список дел. Агент генерирует этот файл, и теперь текст физически лежит на диске. Возвращаясь к проекту спустя несколько дней, не нужно вспоминать детали старых диалогов с нейросетью. Достаточно просто сослаться на этот документ и передать его агенту при запуске новой сессии. Агент читает файл и моментально погружается в работу, экономя огромное количество времени. Отпадает необходимость заново объяснять всю суть архитектуры. Главная причина, по которой многие инженеры не получают выдающихся результатов от ИИ, заключается именно в том, что они не подают правильный контекст в нужный момент времени.
От плоских папок к графу знаний
Текстовые файлы решают проблему локального контекста, но они работают изолированно. Именно здесь в игру вступает Obsidian, который многие используют как инструмент для создания второго мозга. По своей сути, это интерфейс, работающий поверх коллекции обычных файлов в формате Markdown. Я долго присматривался к нему, но реальную ценность осознал, когда начал использовать его в связке с консольными моделями. То, что делает эту систему уникальной и отличает хранилище Obsidian от обычной директории на диске — это возможность устанавливать взаимосвязи между документами. Обычная папка на компьютере не способна показать, как один кусок текста логически связан с другим. В Obsidian же создается заметка о прошедшем созвоне, которая тут же линкуется с профилем конкретного сервиса или куском кода. Со временем эти перекрестные ссылки формируют полноценный граф, визуализируя, как идеи пересекаются в пространстве. Человеческий мозг работает именно так, постоянно выискивая и связывая паттерны.
Когда разработчики выкатили Obsidian CLI, пазл окончательно сложился. Эта утилита позволяет Claude Code читать не только сами тексты в хранилище, но и понимать математику их связей. Агент теперь видит, что конкретный документ ссылается на три других текста, и может анализировать эту архитектуру. Это открывает совершенно потрясающие возможности для поиска закономерностей в рабочих процессах, даже если сам автор этих закономерностей в упор не замечает. Можно год писать короткие технические логи, и агент в один момент укажет на скрытую идею, которая постоянно фигурирует в текстах о стартапах или пет-проектах. Осознание таких паттернов приводит к серьезным прорывам в понимании систем.
Консольные ритуалы и управление контекстом
Вся эта инфраструктура работает через кастомные команды, которые запускаются прямо в терминале среды разработки. Логика предельно прозрачна. Я написал команду загрузки контекста, которая читает файлы о текущем состоянии дел, сканирует ежедневные заметки и проходит по обратным ссылкам, чтобы собрать полную картину. Запуская новую сессию, нужно просто ввести эту команду, и скрипт за секунды проглатывает вводные данные по текущим репозиториям и личным рабоческим процессам. Больше не нужно переживать, что алгоритм упустит какую-то критически важную деталь. Это похоже на настройку маршрутизации в VPN-панелях: если протоколы вроде Xray или VLESS настроены без строгой иерархии, трафик потеряется, а если контекст для ИИ собран небрежно, модель неизбежно начнет галлюцинировать. Но здесь правила заданы жестко, и агенту больше не нужно объяснять, что для дизайна новых инструментов используется минималистичный стиль с цветами вроде серо-синего и темно-красного — он просто вытягивает этот факт из базового файла с гайдлайнами.
Еще более глубокий уровень взаимодействия открывается при попытках проанализировать эволюцию собственных решений. Есть отдельная команда для трассировки, которая отслеживает, как конкретная концепция развивалась внутри хранилища с течением времени. При ее запуске агент начинает собирать словарь терминов и искать упоминания концепции по всей базе данных. Он обрабатывает огромный массив информации, понимает контекст ссылок и выдает историческую справку, которую человек физически не смог бы составить вручную. Скрипт показывает, как в первый год определенная технология вообще не фигурировала в записях, как затем появились первые скептические упоминания, и как в итоге сформировалось рабочее ядро. Агент цитирует старые мысли о том, что важнее всего создавать отдельные документы для каждого паттерна, выгружать их из головы, а затем линковать между собой. Это тупо бэкенд для моей собственной головы. Система формирует настоящую историю развития концепции, и этот метод масштабируется на что угодно: технологии, базы данных, хобби или рутину. Видеть, как меняется отношение к стеку и как накапливается инженерный опыт — невероятно полезно.
Делегирование через рефлексию
Ведение заметок исторически воспринимается как способ сохранить информацию в архив, но в парадигме Software 3.0 это приобретает совершенно иную функцию. Записи делаются не просто для того, чтобы их потом перечитывать, хотя это тоже работает на долгосрочное понимание процессов. Главная причина кроется в генерации логики. Когда садишься за клавиатуру и начинаешь переносить мысли в текст, запускается процесс кристаллизации. Структура усваивается глубже, и именно в этот момент рождаются новые архитектурные решения.
Письмо сегодня превратилось в главный инструмент делегирования задач искусственному интеллекту. Чем детальнее развита привычка фиксировать технические решения, тем более плотный контекст передается агенту, что радикально увеличивает сложность задач, которые он способен выполнить автономно. Вместо того чтобы постоянно контролировать языковую модель или переписывать промпты, фокус смещается исключительно на управление самим хранилищем. Достаточно следить за тем, чтобы база содержала самую актуальную информацию, а агент просто берет данные из этого источника и принимает решения. Если система начинает ошибается или предлагать нерелевантный код, нет смысла спорить с агентом в чате — нужно идти и корректировать исходный Markdown-файл. Качество работы алгоритма целиком и полностью определяется качеством информации, к которой у него есть доступ. Если он знает мало, результат будет посредственным, но погружение в детали дает поразительный эффект. В этом смысле ИИ выступает в роли своеобразного технического коуча, который не столько пишет код за вас, сколько помогает подсветить логические дыры и соединить неочевидные компоненты.
Тяжелые вычисления и поиск аномалий
Взаимодействие с графом данных не происходит мгновенно. Когда Claude Code получает доступ ко всей базе Obsidian, обработка команд начинает занимать ощутимое время. Например, скрипт глубокого сканирования на предмет новых кросс-доменных связей может работать около пяти минут. Все это время в окне терминала видно, как алгоритм перебирает структуру хранилища, анализирует файлы без связей, тупиковые ветви, подсчитывает плотность тегов и читает логи. Он извлекает контекст из документов с описанием форматов, ежедневных задач и личных процессов.
Результат такой тяжелой обработки переводит систему из режима пассивного чтения в режим активного созидания. Алгоритм не просто выдает абстрактные размышления, он предлагает конкретные микросервисы для разработки. Во время одного из сканирований агент проанализировал ежедневные записи, заметил, что в них копится множество нереализованных фрагментов кода, и предложил создать консольную команду для автоматического извлечения этих идей в отдельные полноценные документы. Самое интересное наступает в тот момент, когда, получив это архитектурное предложение, можно попросить агента немедленно написать и внедрить эту самую команду в систему. Машина сама придумывает инструмент для оптимизации процессов на основе текстов разработчика, сама пишет код для этого инструмента, и он сразу готов к использованию.
Связывание изолированных доменов — еще одна неочевидная функция. Систему можно заставить найти точки пересечения между совершенно разными технологическими сферами, основываясь исключительно на прошлых записях. Программа перебирает тысячи строк и формирует мосты между темами, цитируя конкретные абзацы, в которых концепции резонируют друг с другом. Берется тема производства контента и построения миров, и алгоритм находит логическую связь в ранее написанных эссе. Все это происходит в фоновом режиме, без необходимости писать длинные стартовые промпты.
Инфраструктура памяти
Пускать автономный скрипт в личное цифровое пространство — шаг, который требует определенного переосмысления процессов. Это та самая странная черта современных технологий, к которой индустрии еще предстоит привыкнуть. Открывая модели доступ к огромным массивам сырых данных, приходится всерьез задумываться о границах приватности и о том, как эта концепция будет эволюционировать. Я целенаправленно запрещаю агенту создавать или редактировать файлы внутри ядра хранилища без прямого приказа, потому что база должна оставаться слепком именно моего восприятия архитектуры, а не галлюцинаций нейросети. Агент работает в консоли, генерирует код и предлагает решения сбоку, а решение о переносе данных в основной граф всегда остается за человеком.
Индустрия привыкла считать, что главным ресурсом в эпоху нейросетей являются токены вычислений. Это опасное заблуждение, потому что настоящим кислородом для ИИ служат структурированные файлы в формате Markdown. Это и есть чистая форма памяти. Человеческие воспоминания фрагментарны и искажаются со временем, стирая детали сложных интеграций. Текстовый файл же остается статичным и безупречным срезом технической мысли на момент его сохранения. Опираясь на эту базу, инженер получает абсолютно прозрачный и предсказуемый инструмент для работы.
Мы наблюдаем глубокий системный сдвиг в том, как устроено взаимодействие с кодом. Большинство разработчиков никогда не потратят время на то, чтобы развернуть подобную архитектуру и встроить ее в свою рутину. Но именно здесь скрывается колоссальное преимущество для тех, кто готов инвестировать усилия в построение личной текстовой инфраструктуры. Если игнорировать использование централизованного инструмента на базе Markdown для хранения контекста, эти технологии просто не будут работать на полную мощность. Отказ от этой модели равносилен попыткам держать архитектуру энтерпрайз-приложения в голове. Инструменты будут меняться, интерфейсы будут перерисовываться, но умение формулировать процессы в чистый текст и скармливать их алгоритмам останется фундаментальным навыком выживания в индустрии.