Od zera do systemu AI w kwartał. Część 11: Automatyczne zbieranie wiedzy.

W części 5 zbudowaliśmy bazę wiedzy. W części 10 pokazałem jak AI pamięta między sesjami. Masz już dwa fundamenty: strukturę i pamięć.

Teraz pojawia się problem praktyczny. Wiedza nie czeka na Ciebie przy biurku.

Czytasz artykuł na telefonie w poczekalni. Słuchasz podcastu w samochodzie. W tramwaju przychodzi Ci do głowy pomysł na kampanię. Klient wysyła mail, w którym jest jedno zdanie, które wypadałoby zapamiętać na dłużej. Po spotkaniu chcesz spisać trzy wnioski, zanim ulecą.

Większość z tych rzeczy nigdy nie trafia do Twojego systemu. Nie dlatego, że są nieważne. Dlatego, że w momencie, kiedy się pojawiają, siadanie do komputera i formatowanie notatki w Markdown jest absurdem.

Rozwiązanie to system zbierania wiedzy. Każde źródło ma swoją drogę do Twojego vault w Obsidian. Bez ręcznego przepisywania. Większość kroków robi AI. Ty tylko wysyłasz sygnał: “zapisz to”.

W tym artykule pokażę pięć źródeł, z których automatycznie zbieram wiedzę do systemu. Plus minimalny zestaw, który wystarczy na start.

To też jest miejsce, w którym system przestaje być tylko tekstowy. Dziś modele pracują u mnie nie tylko na notatkach, ale też na głosie, obrazach, zrzutach ekranu i transkrypcjach. Całość jest już multimodalna. Tylko że na potrzeby tego artykułu dalej sprowadzam ją do prostego pytania: jak uchwycić to, co właśnie się pojawiło, zanim zniknie.

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.

Zasada: zachowywanie informacji na jeden klik

Wszystkie moje procesy zbierania wiedzy mają jedną wspólną cechę. Z perspektywy użytkownika to jest jedna czynność.

Nagrywasz notatkę głosową: naciskasz przycisk skrótu, mówisz, zwalniasz. Nic więcej. W tle dzieje się transkrypcja, formatowanie, zapis do folderu. Zobaczysz efekt rano, w folderze INBOX.

Widzisz artykuł, który chcesz zapamiętać: naciskasz skrót przeglądarki. Strona trafia jako Markdown do INBOX. Dalej AI wyciąga z niej najważniejsze punkty i proponuje atomową notatkę.

Klient wysyła mail z ciekawym cytatem: zaznaczasz mail, skrót, zapisuje się do INBOX. Później przetwarzasz.

Zasada jest prosta. W momencie, kiedy napotykasz wiedzę wartą zapisania, masz jeden ruch. Bez formatowania, bez decyzji gdzie to trafi, bez struktury. Wszystko to robi system później.

Jeśli gromadzenie wiedzy wymaga więcej niż jednego kliknięcia, prędzej czy później przestaniesz go używać. Ten sam problem co z planowaniem z części 9: bez rytmu system umiera.

Źródło 1: notatki głosowe

Najczęstsze źródło w moim systemie. Pomysły rodzą się w drodze, nie przy biurku.

Pipeline:

1. Skrót na telefonie lub komputerze włącza nagrywanie
2. Mówię pomysł
3. W tle: transkrypcja na tekst (lokalna lub w chmurze)
4. Tekst trafia do folderu synchronizowanego z vault
5. Następna sesja AI pyta: “Przejrzyj nowe transkrypcje, przetwórz na atomowe notatki w WIEDZA/NOTATKI”

Dla technicznego tła: w moim obecnym systemie najprostsza ścieżka wygląda tak: aplikacja na telefonie nagrywa notatkę i od razu ją transkrybuje, plik trafia do folderu w chmurze, a workflow w n8n przetwarza go i zapisuje wynik do Obsidiana. Na Macu mam też warianty pomocnicze oparte o Skróty i synchronizację lokalną. Na Androidzie i Windows da się odtworzyć ten sam wzorzec innymi narzędziami.

Ważne jest nie jakim narzędziem transkrybujesz, tylko żeby plik wylądował w jednym miejscu, które AI zna.

Gdy przeglądam rano INBOX, używam takiego polecenia:

Przejrzyj plik [nazwa pliku z transkrypcją]. To jest surowa transkrypcja mojej notatki głosowej, nagranej w drodze. Wyciągnij z niej główną myśl. Jeśli jest jedna, sformatuj jako atomową notatkę w WIEDZA/NOTATKI/ (nazwa pliku to główna myśl jako pełne zdanie, frontmatter standardowy, tag kontekstowy). Jeśli myśli jest kilka, zaproponuj mi, jak je podzielić. Nie usuwaj mojego surowego tekstu, zostaw go w INBOX, dodaj notkę “przetworzone na [data]”.

AI czyta, rozumie, proponuje. Ja zatwierdzam lub poprawiam. Dziesięć minut na dziesięć nagrań z tygodnia.

Źródło 2: artykuły z internetu

Drugi najczęstszy strumień. Artykuły, których nie czytasz do końca, ale wiesz, że warto wrócić.

Pipeline:

1. W przeglądarce rozszerzenie typu Obsidian Web Clipper
2. Klikasz skrót, wybierasz folder (u mnie: Clippings/)
3. Strona zostaje wyciągnięta jako czysty Markdown, bez reklam i nawigacji
4. W INBOX pojawia się plik z tytułem, treścią i URL źródła

Później, w wolnej chwili, pytam AI:

Przejrzyj pliki w Clippings/ z ostatniego tygodnia. Dla każdego napisz trzy rzeczy: jedno zdanie streszczenia, główną myśl, którą warto zapamiętać, i jeden tag kontekstowy. Na podstawie tego pomóż mi zdecydować, które artykuły warto przetworzyć na atomowe notatki, a które mogę usunąć.

Zwykle z dziesięciu artykułów dwa stają się atomowymi notatkami. Reszta usunięta. To normalne. Większość tego co się czyta, nie musi być w systemie, na stałe trafiają tam tylko najważniejsze rzeczy.

Źródło 3: maile z klientami i partnerami

W mailach jest więcej wiedzy, niż ludzie myślą. Argumenty klientów, obiekcje, rzadkie cytaty, kontekst decyzji, dane wrażliwe, których nie zapiszesz nigdzie indziej.

Pipeline:

1. Wybieram mail do zapisania
2. Komenda gmail save <id> zapisuje go do INBOX jako Markdown z metadanymi
3. Jeśli to newsletter albo materiał do nauki, używam gmail learn <id>
4. AI przetwarza: wyciąga kluczowe fragmenty, klasyfikuje, sugeruje tagi

W moim systemie ten drugi krok robi prosta komenda terminalowa. Podaję identyfikator maila z Gmaila i skrypt zapisuje go jako Markdown w odpowiednim folderze, z metadanymi gotowymi do dalszego przetwarzania. Bez kopiowania, bez ręcznego formatowania. Pięć sekund per mail. Dla newsletterów branżowych mam osobną komendę “naucz się” — AI czyta cały numer i wyciąga z niego permanentne notatki bezpośrednio do bazy wiedzy. Zamiast zapisywać sterty newsletterów “na potem”, od razu dostaję destylat w formie atomowych notatek.

Pracuję z modelem, który czyta maile tak:

Przejrzyj plik [mail od klienta]. Wyciągnij trzy rzeczy: (1) co klient naprawdę mówi między wierszami (czego się obawia lub czego chce unikać), (2) czy jest w tym mailu coś, co powinno trafić do decyzji lub lekcji w pamięci systemu, (3) jaki następny ruch z mojej strony jest naturalny. Nie pisz streszczenia mejla. Pisz tylko to, co jest warte zapisania.

Większość maili po takim przetworzeniu ląduje w archiwum. Ale co kilkanaście wyjdzie notatka o kliencie, lekcja, albo decyzja. Te nie zginą.

Źródło 4: wideo z YouTube i podcasty

Podcast słuchany podczas biegu, wykład zapisany na konferencji, wideo YouTube z ekspertem. Wartość jest tam ogromna, ale bez notatek parująca po kilku godzinach.

Mój przepływa danych:

1. Na YouTube używam narzędzi do pobrania transkrypcji (są darmowe i płatne)
2. Transkrypcja trafia do INBOX jako plik Markdown (autor, tytuł, czas trwania, źródło)
3. AI przetwarza

Polecenie, z którego korzystam:

Przejrzyj transkrypcję [nazwa pliku]. Film trwa [X] minut. Daj mi pięć głównych myśli, z dokładnymi cytatami autora, w których je wyraża. Dla każdej myśli dopisz, dlaczego jest interesująca i jak łączy się z tym, co już wiem (wiedza z vault, możesz ją przejrzeć). Na koniec zaproponuj trzy atomowe notatki, które z tego wynikną.

Najlepsza jakość wyjdzie, gdy wcześniej spiszesz swoje wrażenia z odcinka w dwóch zdaniach. Bez Twojego kontekstu AI wyciąga ogólne punkty. Z Twoim kontekstem wyciąga punkty, które faktycznie zmienią Twoje myślenie.

Źródło 5: pokreślenia (highlighty) z książek

Jeśli czytasz dużo, masz pewnie podkreślenia w czytniku albo w aplikacji. Kobo, Kindle, Readwise, Apple Books. Każdy z nich pozwala wyeksportować highlighty.

Pipeline:

1. Raz w miesiącu eksport highlightów
2. Pliki trafiają do folderu 4-ZASOBY/LEKTURY/[tytuł książki]/
3. AI przetwarza każdą sekcję

Moje polecenie przy przetwarzaniu nowej książki:

W folderze 4-ZASOBY/LEKTURY/[tytuł] są moje highlighty. Przejrzyj je wszystkie. Daj mi dziesięć najważniejszych idei z tej książki, każdą z cytatem i krótkim komentarzem, dlaczego zaznaczyłem właśnie to. Na końcu zaproponuj mi trzy atomowe notatki, które z tej książki warto zbudować, i powiedz, z czym w mojej już istniejącej bazie wiedzy by się łączyły.

Książka, którą czytałeś dwa miesiące temu, wraca do Ciebie jako konkretne myśli. Nie jako “fajna była, warto wrócić”. Jako: “autor mówił X, ja to zaznaczyłem z powodu Y, warto zbudować notatkę Z”.

Minimalny zestaw na start

Nie wdrażaj wszystkich pięciu od razu. Zaczniesz z entuzjazmem, skończysz z chaosem.

Minimum, od którego warto zacząć: dwa źródła.

Pierwsze: notatki głosowe. To najbardziej pojemne źródło. Pomysły rodzą się w ciągu dnia, nie przy biurku. Jeśli nie masz systemu na głos, większość wiedzy ucieka.

Drugie: artykuły z internetu. Jest to najprostszy pipeline (jedno rozszerzenie przeglądarki) i najbardziej widoczny efekt (po tygodniu masz folder pełen wiedzy, którą normalnie byś zapomniał).

Resztę dorzucasz, kiedy czujesz brak. Jeśli regularnie słuchasz podcastów i widzisz, że wiedza z nich Ci umyka, dodaj pipeline wideo. Jeśli dużo rozmawiasz z klientami na mailu, dodaj pipeline mailowy.

Gdzie to wszystko trafia

Wszystko, co wchodzi z powyższych źródeł, ląduje w jednym miejscu: INBOX/. Dopiero tam jest przetwarzane na atomowe notatki w strukturze z części 5.

Ten bufor jest ważny. Bez niego każdy zrzut wymagałby natychmiastowej decyzji: gdzie to trafi, jak się nazywa, jakie ma tagi. To za dużo myślenia w momencie kiedy decydujemy zapamiętać daną informację.

Z INBOXem myślisz dopiero w wolnej chwili, raz na kilka dni. Przechodzisz przez wszystko co się uzbierało, decydujesz co jest ważne, co można usunąć, co wraca do Ciebie w nowej formie. To jest moment, w którym AI pracuje najwięcej. Ty tylko akceptujesz lub poprawiasz.

Czego unikać

Pobieranie bez przetwarzania. Nagrywasz sto notatek głosowych, zapisujesz pięćdziesiąt artykułów, transkrybujesz dwadzieścia podcastów — i nic z tego nie wyciągasz na atomowe notatki. Po trzech miesiącach INBOX jest cmentarzyskiem. System umiera pod własnym ciężarem. Zasada: jeśli zbierasz więcej niż przetwarzasz przez trzy tygodnie, zatrzymaj proces i rób porządki.

Budowanie przepływu wiedzy przed użyciem. Nie konfiguruj pięciu źródeł, zanim nie używasz jednego. Najpierw nagraj dziesięć notatek głosowych i przetwórz je ręcznie z pomocą AI. Dopiero kiedy poczujesz, że to działa, buduj dalej.

Ignorowania filtra. Większość tego co zbierasz, nie musi być w systemie. Filtrowanie to część procesu. Usuwanie jest zdrowe. System, który zachowuje wszystko, zawala się pod naporem niepotrzebnych informacji.

Zapominania o źródle. Każdy plik z procesu powinien mieć w frontmatter pole źródło (URL, nazwa podcastu, numer strony). Bez tego za pół roku nie wiesz, skąd ta myśl pochodzi, i nie możesz jej zweryfikować.

Czego nauczyłeś się na tym etapie?

Wiedza nie czeka przy biurku. Pojawia się w drodze, na spotkaniu, przy czytaniu, w mailu. Bez systemu większość jej ucieka.

Pięć źródeł, z których warto automatycznie zbierać wiedzę:

• Notatki głosowe (najczęstsze)
• Artykuły z internetu (Web Clipper)
• Maile z klientami i partnerami
• Transkrypcje wideo i podcastów
• Highlighty z książek

Każde źródło ma jeden wspólny tryb: pobieranie na jeden klik, plik trafia do INBOX, AI przetwarza w wolnej chwili.

Zasada: pobierania musi być na jeden klik. Inaczej przestaniesz go używać.

Na start wystarczą dwa źródła: notatki głosowe i artykuły z internetu. Resztę dorzucasz, gdy czujesz brak.

INBOX jest buforem. Wszystko wchodzi tam najpierw. Dopiero później, raz na kilka dni, przetwarzasz na atomowe notatki w strukturze Zettelkasten.

Większość tego co zbierasz, zostanie usunięte. To zdrowe dla całego systemu. Filtrowanie jest częścią procesu.

W następnej części pokażę jak przeszukiwać to wszystko. Gdy masz tysiąc notatek, jak AI znajduje tę jedną, której naprawdę potrzebujesz? Semantic search, tagi, graf powiązań. Praktyczne narzędzia, dzięki którym bez problemu odnajdziesz to czego szukasz.

---

Twój następny krok: zadanie na dzisiaj

Dwie rzeczy.

1. Ustaw jeden proces przepływu informacji. Wybierz jedno źródło: notatki głosowe albo Web Clipper do przeglądarki. Skonfiguruj tak, żeby plik trafiał bezpośrednio do folderu INBOX/ w vault Obsidian. Nie dwa. Jeden. Pod koniec dnia sprawdź, czy w INBOX jest to, co wrzuciłeś.

2. Przetwórz pierwszy plik z INBOX z pomocą AI. Wybierz jeden plik, który trafił do INBOX. Wyślij to polecenie do AI:

Mam plik w folderze INBOX: [nazwa pliku]. To jest [notatka głosowa / artykuł / mail]. Wyciągnij z niego główną myśl. Jedną, najważniejszą. Sformatuj ją jako atomową notatkę w WIEDZA/NOTATKI/: nazwa pliku to ta myśl jako pełne zdanie, frontmatter (typ: permanent, status: aktywny, projekt: [nazwa], created: [data], źródło: [skąd pochodzi]), jeden tag kontekstowy. Krótkie rozwinięcie myśli w treści (2-3 zdania). Na końcu zaproponuj, z jaką istniejącą notatką mógłbym to powiązać.

Powstała właśnie Twoja pierwsza notatka, która wyszła z całego przepływu informacji. Pierwsze ogniwo w łańcuchu. Reszta jest powtórzeniem tego samego.

---

Zasoby

• Tiago Forte, “Zbuduj swój drugi mózg” — metodologia CODE (Capture, Organize, Distill, Express). Podstawa myślenia o systemie osobistej wiedzy.
• David Kadavy, “Metoda Zettelkasten” — znowu ta sama lektura co w części 5. Tu inny kąt: praktyka codziennego przetwarzania INBOX na atomowe notatki. Konkretny rytm, konkretne techniki.
• Obsidian Web Clipper (dokumentacja oficjalna) — najprostszy pipeline z internetu do vault. Rozszerzenie do przeglądarki. Instalujesz, konfigurujesz docelowy folder, klikasz skrót. Gotowe.

---

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: jak przeszukiwać wiedzę, gdy masz tysiąc notatek. Semantic search i graf powiązań w praktyce. 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.