Od zera do systemu AI w kwartał. Część 10: Pamięć długoterminowa.

W pierwszym bloku cyklu zbudowaliśmy fundament: pliki tekstowe, Markdown, Obsidian, foldery. W drugim wypełniliśmy go treścią: baza wiedzy, profil firmy, zarząd, rada doradców, rytm planowania.

Wszystko to działa pod jednym warunkiem. AI musi mieć dostęp do tych plików w każdej sesji.

Bez tego dzieje się coś irytującego. Każdą rozmowę zaczynasz od zera. Tłumaczysz kontekst po raz czwarty. AI zapomina, że dwa tygodnie temu podjąłeś decyzję, że nie chcesz robić pewnego typu kampanii. Pyta o rzeczy, o które pytał miesiąc temu. Robi sugestie, które już odrzuciłeś.

To jest fundamentalne ograniczenie modeli językowych. Każda sesja zaczyna się od zera. Kontekst nie kumuluje się automatycznie. Nie dlatego, że model jest słaby. Dlatego, że tak działa architektura.

Fundament tego problemu obchodzą trzy warstwy pamięci. Każda prosta. Wszystkie bazują na tym samym pomyśle: to Ty jesteś pamięcią AI, a nie odwrotnie.

Dziś mój system ma już więcej niż te trzy warstwy. Doszły automatyczne snapshoty sesji, retencja pamięci, lokalna pamięć klienta AI i współdzielona pamięć między różnymi środowiskami pracy. Ale te trzy warstwy dalej są fundamentem. Bez nich reszta byłaby tylko wygodniejszą nakładką.

Zastrzeżenie: to co opisuję w tym cyklu bazuje na moim stacku technologicznym, czyli macOS i Claude jako główny model językowy. Zasady i podejście działają na każdym systemie operacyjnym i z każdym modelem AI, ale konkretne kroki i skróty klawiszowe opisuję pod Maca. Jeśli pracujesz na Windows lub Linux, większość rzeczy zrobisz tak samo, ale powyższe systemy mogą się różnić detalami, które musisz dostosować.

Ważne: opisuję tu model uproszczony, czyli idealny obraz tego, jak działa ten fragment systemu. W praktyce mój obecny system ma więcej warstw, wyjątków i automatyzacji. Na potrzeby tego cyklu pokazuję wersję, którą najłatwiej zrozumieć i odtworzyć u siebie.

Dlaczego AI nie pamięta

Najpierw zrozummy problem.

Model językowy operuje na czymś, co nazywa się “oknem kontekstowym”. To limit tekstu, który model może naraz widzieć. W najnowszych modelach to setki tysięcy słów, a nawet miliony. W każdej sesji model widzi tylko to, co przesłałeś w tej konkretnej rozmowie i co on sam wygenerował.

Kiedy zamykasz sesję, okno się resetuje. Następna rozmowa zaczyna się z pustą głową.

Są próby obejścia tego na poziomie narzędzi. Claude, ChatGPT i inne systemy dodają warstwy “pamięci” w interfejsie. Model zapamiętuje, że lubisz krótkie odpowiedzi albo że pracujesz nad projektem X. To działa, ale powierzchownie. Nie jest to kontekst operacyjny. Jest to lista preferencji. Oczywiście narzędzia się rozwijają i za rok na pewno będzie lepiej, ale na tą chwilę mamy problem do rozwiązania.

Rozwiązanie jest w czymś, co brzmi staroświecko, ale działa. Ty prowadzisz notatki, AI je czyta.

Warstwa 1: dziennik sesji

Podstawowy mechanizm. Po każdej ważnej rozmowie zapisujesz podsumowanie.

Ale zapisujesz nie esej. Krótki log, trzy do pięciu zdań. Co było tematem. Jaki był wynik. Co zaskoczyło. Co jest do zrobienia.

Format może być taki:

---
typ: sesja-ai
agent: CMO
data: 2026-04-16
---

# Sesja z CMO — strategia contentu na Q2

- Temat: planowanie kalendarza blogowego na kwartał
- Wynik: wybrałem tematy na 12 artykułów, jeden filar na miesiąc
- Zaskoczenie: AI zwrócił uwagę, że mój ostatni kwartał miał za dużo artykułów technicznych, za mało strategicznych
- Do zrobienia: rozpisać briefy dla pierwszych 3 artykułów

Pięć linii. Zajmuje dwie minuty po sesji.

Te pliki trafiają do jednego folderu. W moim systemie: LLM Context/MEMORY/SESJE/. Jeden plik, jedna sesja. Nazwa z datą i agentem: 2026-04-16 CMO - strategia contentu.md.

Gdy w przyszłym miesiącu znów siadasz z CMO, zaczynasz sesję od prostego polecenia:

Przejrzyj moje ostatnie 5 sesji z folderu LLM Context/MEMORY/SESJE/ oznaczonych agentem CMO. Co się pojawia jako powtarzający się temat? Czego jeszcze nie zamknąłem? Co warto kontynuować?

AI czyta logi. Ma kontekst ostatnich rozmów. Nie zaczyna od zera. Zauważa wzorce, które Tobie umknęły. I nie musi zgadywać, bo ma dane.

Warstwa 2: decyzje i ich uzasadnienie

Sesje opisują, o czym rozmawiałeś. Decyzje opisują, co postanowiłeś.

To nie to samo. Możesz przez trzy sesje rozmawiać o tym samym, nic nie decydując. I odwrotnie, jedno zdanie w dzienniku może być decyzją, która zmienia kierunek kwartału.

Decyzje warto trzymać osobno. W folderze LLM Context/MEMORY/DECYZJE/. Jeden plik, jedna decyzja. Struktura jest równie mprosta:

---
typ: decyzja
data: 2026-04-10
obszar: marketing
status: aktywna
---

# Decyzja: rezygnacja z cold mailingu do dużych firm

## Co decyduję
Przestaję inwestować czas w cold mailing do firm z segmentu enterprise. Fokus przesuwam na średnie firmy (20-200 pracowników).

## Dlaczego
- 6 miesięcy prób, 3 odpowiedzi, 0 klientów
- Średnie firmy decydują szybciej i pasują do mojej struktury kosztów
- Sprzedaż do enterprise wymaga osobnego zespołu, którego nie mam

## Czego nie robię w zamian
Nie zatrudniam sprzedawcy enterprise. Nie buduję osobnego procesu dla dużych klientów. Nie wracam do cold mailingu w ogóle, dopóki średnie firmy nie są opanowane.

## Kiedy rewiduję
Po kwartale. Jeśli średnie firmy dadzą 5 nowych klientów, decyzja potwierdzona. Jeśli mniej, wracam do tematu.

Plik z decyzją mówi więcej niż trzy sesje rozmowy. Zawiera co, dlaczego, alternatywę, warunki rewizji.

Kiedy miesiąc później wracasz z pytaniem “czy warto wrócić do cold mailingu do dużych firm?”, AI nie musi Ci mówić “nie wiem”. Czyta plik. Odpowiada z konkretnym kontekstem: “Trzy tygodnie temu zdecydowałeś, że nie. Warunkiem rewizji jest wynik ze średnich firm. Ile masz nowych klientów z tego segmentu w tym kwartale?”

Nie pamięta. Czyta Twoją notatkę i operuje na niej. Efekt jest ten sam co pamięć.

Warstwa 3: wzorce i lekcje z błędów

Trzecia warstwa jest najtrudniejsza, ale i najcenniejsza. Zapisujesz nie to, co robisz, tylko to, czego się nauczyłeś.

Moment, który warto złapać, nadchodzi po błędzie. Coś poszło nie tak. AI zasugerował coś, co się nie sprawdziło. Ty zrobiłeś coś, czego nie powinieneś. Popełniłeś ten sam rodzaj pomyłki, co trzy miesiące temu.

W tym momencie zatrzymujesz się i zapisujesz trzy linie:

| Data | Błąd | Korekta | Zasada |
|------|------|---------|--------|
| 2026-04-16 | Wysłałem ofertę bez potwierdzenia budżetu klienta | Zawsze pytaj o budżet przed wysłaniem oferty | Oferta bez budżetu to zgadywanie |

Tabela rośnie. Po trzech miesiącach masz 30-50 wierszy. Każdy wiersz to jedna lekcja zapisana i gotowa do odtworzenia.

Ten plik czyta się przed ważnymi decyzjami. I AI czyta go też, zanim zacznie Ci cokolwiek radzić. Polecenie jest proste:

Zanim odpowiesz na moje pytanie, przeczytaj plik LLM Context/MEMORY/KONTEKST/Lessons - wzorce błędów.md. Sprawdź, czy któraś z zapisanych lekcji dotyczy tego, o co pytam. Jeśli tak, cytuj ją i uwzględnij w odpowiedzi.

Efekt: system nie powtarza Twoich błędów. Raz zapisana lekcja działa w każdej przyszłej sesji. Ty nie pamiętasz, co zrobiłeś źle trzy miesiące temu. AI ma to w pliku i Ci przypomina.

Jak to wygląda w folderze

Struktura jest prosta i mieści się w trzech podfolderach:

LLM Context/MEMORY/
├── SESJE/          ← co rozmawialiśmy (logi po sesji)
├── DECYZJE/        ← co postanowiłem (decyzje z uzasadnieniem)
└── KONTEKST/
    └── Lessons - wzorce błędów.md  ← czego się nauczyłem

Każdy plik z frontmatter, każdy z datą, każdy w tekstowym Markdown. AI czyta je tak samo jak zwykłe notatki. Dla modelu to nic wyjątkowego. Dla Ciebie to pamięć systemu.

Osobno trzymam folder OSOBISTE/PAMIEC/ o tej samej strukturze. Sesje z radą doradców i decyzje osobiste idą tam. Powód opisałem w części 8: biznes i rozwój osobisty mają różne rytmy i nie powinny się mieszać.

Dlaczego zapisywanie jest trudniejsze, niż się wydaje

Największe wyzwanie nie jest techniczne. Jest dyscyplinarne.

Po sesji, gdy pojawia się wynik, chcesz iść do kolejnej rzeczy. Zapisywanie wydaje się stratą czasu. “Pamiętam, co było. Po co to spisywać?”

Dwa tygodnie później nie pamiętasz. Trzy miesiące później popełniasz ten sam błąd.

Trzy techniki, które u mnie działają.

Pierwsza: szablony. Mam plik w folderze TEMPLATES: Sesja AI.md. Jedno kliknięcie i mam gotową strukturę do wypełnienia. Im mniej decyzji trzeba podjąć przy zapisie, tym większa szansa, że faktycznie zapiszę.

Druga: automatyzacja. W moim systemie działa lokalna pamięć klienta AI, która przy zbliżaniu się do limitu okna kontekstowego zapisuje automatyczny snapshot sesji. Nie idealny zamiennik ręcznego logu, ale bezpiecznik. Nawet jeśli zapomnę, mam surowe dane, z których mogę zrekonstruować o czym rozmawialiśmy.

Do tego doszła współdzielona pamięć między różnymi środowiskami pracy. Gdy pracuję w terminalu, innym kliencie AI albo wracam do tematu po paru dniach, część kontekstu mogę odzyskać nie tylko z plików sesji, ale też z warstwy pamięci współdzielonej. To przyspiesza start. Nie zastępuje jednak ręcznie zapisanej decyzji ani lekcji.

Druga automatyzacja to czyszczenie pamięci. Bez tego plik indeksowy puchnie i przestaje być użyteczny — model dostaje zbyt dużo nieaktualnego kontekstu na starcie sesji. Reguły retencji ustawiłem osobno per typ wpisu. Wpisy z preferencjami, regułami i odsyłaczami do ważnych zasobów zostają na zawsze. Wpisy projektowe (kto, co, kiedy) skracają się po dwóch tygodniach do dwóch linii, po sześciu tygodniach do jednej, po dwóch miesiącach znikają z głównego indeksu i lądują w archiwum. Skrypt uruchamia się automatycznie raz w tygodniu w nocy z niedzieli na poniedziałek. Nie myślę o tym. Po prostu działa.

Trzecia: zasada. “Sesja się nie skończyła, dopóki log nie jest zapisany.” Ta zasada jest niewygodna, ale konieczna. Łamie tym samym nawyk “skończę sesję, a logi zrobię kiedy indziej”. Kiedy indziej nigdy nie przychodzi.

Pamięć to nie archiwum, to narzędzie

Wspomnę jeszcze o jednym nieporozumieniu, które widzę u ludzi wdrażających system. Myślą o pamięci jako o archiwum: “zapisuję na wypadek, gdybym kiedyś potrzebował”.

Pamięć nie działa tak. Pamięć działa tylko wtedy, gdy jest na bieżąco konsultowana. Plik, którego nie otwierasz i którego AI nie czyta, to nie jest pamięć. To cmentarzysko, które tylko utrudnia pracę.

Dlatego system pamięci musi być wpleciony w rytm pracy. Sesje z agentami zaczynają się od pytania: “Co było ostatnio?” Poranny briefing zaczyna się od pytania: “Co wczoraj postanowiłem?” Weekly review zaczyna się od pytania: “Co w tym tygodniu zmieniło mój kontekst?”

Bez regularnego sięgania do plików, zapisywanie jest martwe.

Czego unikać

Zbyt długich logów. Dziesięć zdań po sesji to za dużo. Trzy wystarczą. Jeśli potrzebujesz dziesięciu, pisz kilka atomowych notatek, nie jeden długi log.

Brak frontmatter. Plik bez data, agent, typ jest trudny do wyszukania. AI nie wie, czego dotyczy. Dwie minuty na dodanie metadanych ratuje godziny szukania.

Mieszanie biznesu i osobistego. Sesja z Seneką o strachu przed porażką i sesja z CMO o kampanii to dwa różne konteksty. Różne foldery, różne reguły.

Pisania dla przyszłego Ciebie jako narratora. Log nie jest opowiadaniem. Jest notatką roboczą. Nie musisz się tłumaczyć. “Odrzuciłem kampanię Meta, bo CPM za wysoki” wystarczy. Nie pisz tak: “Po długich rozmyślaniach i analizie rynku postanowiłem…”.

Decyzji bez warunków rewizji. Decyzja “robię X od teraz” to kotwica. Decyzja “robię X, do końca kwartału, rewizja jeśli Y” to kompas. Zawsze dodawaj warunek rewizji.

Czego nauczyłeś się na tym etapie?

AI nie pamięta między sesjami. To nie jest wada, to jest architektura. Rozwiązaniem nie jest szukanie modelu, który pamięta. Rozwiązaniem jest system notatek, z którego Ty prowadzisz pamięć, a AI z niej korzysta.

Trzy warstwy pamięci, które warto wdrożyć jako pierwsze:

Sesje — o czym rozmawialiśmy (krótkie logi po każdej sesji)
Decyzje — co postanowiłem (z uzasadnieniem i warunkiem rewizji)
Lekcje — czego się nauczyłem (tabela błędów i korekt)

Pamięć działa tylko wtedy, gdy jest konsultowana. Sesje zaczynają się od “co było ostatnio”. Decyzje są czytane przy rewizji. Lekcje są czytane przed każdą ważną radą AI.

Trzy techniki, które pomagają regularnie zapisywać: szablony w TEMPLATES, automatyzacja jako bezpiecznik, zasada “sesja się nie kończy bez logu”.

Biznes i osobiste dzielisz do osobnych folderów. Różne rytmy, różne konteksty.

W następnej części pokażę jak zautomatyzować proces zbierania wiedzy. Nagranie głosowe w tramwaju, mail, artykuł, wideo z YouTube — wszystko trafia do Twojego systemu bez ręcznego przepisywania. System przepływu informacji, który pracuje za Ciebie.

Twój następny krok: zadanie na dzisiaj

Trzy rzeczy.

1. Utwórz strukturę folderu pamięci. W folderze kontekstu AI (jeśli masz strukturę z części 4, to w KONTEKST-AI/MEMORY/) stwórz trzy podfoldery: SESJE/, DECYZJE/, KONTEKST/. W ostatnim z nich utwórz pusty plik Lessons - wzorce błędów.md z nagłówkiem i pustą tabelą (Data, Błąd, Korekta, Zasada).

2. Zapisz log z ostatniej ważnej sesji AI. Pomyśl o rozmowie, którą miałeś w ostatnim tygodniu z AI, która była istotna. Otwórz nowy plik w SESJE/. Wypełnij prostą strukturą: temat, wynik, zaskoczenie, do zrobienia. Trzy do pięciu linii. Jeśli nie pamiętasz szczegółów, zapisz tyle, ile pamiętasz. To startowy punkt.

3. Zapisz ostatnią ważną decyzję biznesową. Przypomnij sobie ostatnią decyzję zawodową, która coś zmieniła. Otwórz plik w DECYZJE/. Użyj tego polecenia:

Pomóż mi sformalizować decyzję, którą podjąłem. Zadaj mi po kolei cztery pytania: co dokładnie decyduję, dlaczego (3 argumenty), czego nie robię w zamian, kiedy rewiduję tę decyzję (data i warunek). Na podstawie moich odpowiedzi zapisz to jako plik Markdown z frontmatter (typ: decyzja, data: [dzisiaj], obszar: [wskażę], status: aktywna). Nie dodawaj niczego, czego Ci nie powiedziałem.

Ta decyzja wraca do Ciebie za kwartał. AI Ci ją przypomni, gdy będzie trzeba.

Zasoby

Andrej Karpathy, wystąpienia o LLM — jego wykłady i posty na platformach społecznościowych są najlepszym dostępnym wprowadzeniem do tego, jak modele językowe działają pod spodem. Jeśli chcesz zrozumieć, dlaczego okno kontekstowe działa tak, a nie inaczej, to jego materiały są warte czasu.
David Allen, “Getting Things Done” — drugi raz w tym cyklu, ale inna zasada. GTD ma koncepcję “external brain”, systemu notatek, który odciąża Twoją pamięć. Idealnie pasuje do logiki pamięci AI. Ty nie musisz pamiętać. System pamięta za Ciebie.

Ten artykuł jest częścią cyklu “Od zera do kompletnego systemu AI w kwartał”. Krok po kroku opisuję jak zbudowałem system AI do zarządzania firmą i rozwojem osobistym, żebyś mógł wdrożyć podobny u siebie. W następnej części: automatyczne zbieranie wiedzy, czyli jak głos, mail, artykuł i wideo trafiają do Twojego systemu bez ręcznego przepisywania. Masz pytania? Napisz. Odpowiadam osobiście.

Żeby nie przegapić kolejnych części, zaobserwuj mój profil. Nowe artykuły publikuję regularnie.

Marcin Atamańczuk, Technologia w służbie życia, nie odwrotnie.