Większość ludzi buduje drugi mózg od złej strony: wrzuca wszystko do jednego worka i liczy, że AI to później odnajdzie. Nie odnajdzie — i ty też nie. Bo prawdziwy test drugiego mózgu nie brzmi „ile danych tam wrzuciłeś”, tylko: czy twój agent — i ty — odnajdziecie to później? Jeśli odpowiedź brzmi „nie”, problem nie leży w modelu. Leży w tym, jak poukładałeś dane. Pokażę ci pięć poziomów, na których można zbudować drugi mózg, i — co ważniejsze — jak wybrać ten najprostszy, który naprawdę usuwa twój ból, zamiast dokładać komplikacji.
Co to w ogóle jest drugi mózg — i jego jedyny prawdziwy test
Zacznijmy od słownika, bo wokół tego pojęcia narosło sporo mgły.
Drugi mózg to miejsce, w którym zapisujesz to, co wiesz — notatki, decyzje, ustalenia ze spotkań, kontekst o twojej firmie — w taki sposób, żeby AI (i ty) mogli to później odnaleźć i wykorzystać. To nie jest jeszcze jedna chmura na pliki. To dane poukładane tak, żeby agent potrafił po nie sięgnąć, gdy ich potrzebuje, zamiast zgadywać albo godzinami przekopywać cały projekt.
Dlaczego w ogóle warto się tym zajmować? Bo dziś każdy korzysta z tego samego modelu. To, co masz tylko ty, to twoje dane: twoja wiedza, twoje decyzje, sposób, w jaki działa twoja firma. To jest twoja przewaga — pod warunkiem, że uda ci się ją wyciągnąć z głowy do systemu i ułożyć tak, by dało się ją odzyskać sensownie, a nie tonąc w tokenach i czasie.
Jedno założenie chcę postawić od razu, zanim przejdę do poziomów. Musisz pracować od tyłu. Zaczynasz od pytania: jak będę chciał z tych danych korzystać w przyszłości? Bo to, jak coś później wyciągniesz, decyduje o tym, jak masz to teraz zapisać. To jak z koszem i piłką do koszykówki — znasz kształt obręczy i wiesz, że piłka ma przez nią przelecieć, więc nikt rozsądny nie zaprojektuje piłki w kształcie sześcianu. Zacznij od końca, czyli od pytania, na które drugi mózg ma odpowiedzieć.
I jeszcze jedna rzecz, którą podkreślę tu i powtórzę na końcu: wyższy poziom nie znaczy lepszy. Każdy poziom odpowiada na inne pytanie o odzyskiwanie danych. Twoim zadaniem jest znaleźć najniższy poziom, który usuwa konkretny ból. Jeśli na danym poziomie nic cię nie boli, nie ma powodu wspinać się wyżej. Nudne bywa najlepsze. Co więcej — jeden projekt nie musi siedzieć na jednym poziomie. Różne foldery mogą być na różnych poziomach, zależnie od tego, jakie dane trzymają.
Poziom 1 — dokładne słowo i plik
To poziom, od którego zawsze się zaczyna. Pytanie, na które odpowiada: czy odnajdę plik albo informację, szukając po dokładnym słowie lub nazwie?
Sercem tego poziomu jest jeden plik — w Claude Code nazywa się CLAUDE.md (a w innych narzędziach, np. Codeksie, byłby to AGENTS.md). Ten plik wczytuje się automatycznie za każdym razem, gdy otwierasz projekt, i działa jak router — drogowskaz, który mówi agentowi, kim jest, jak masz pracować i gdzie co leży. Poza zwykłą rolą („oto twoje zadanie, oto co jest ważne”) zawiera reguły kierowania: „informacje o mnie znajdziesz w tym folderze”, „priorytety na ten kwartał są tam”.
Reszta to zwykłe foldery i pliki w prostym formacie markdown:
- kontekst — to, co zawsze prawdziwe o tobie i sposobie, w jaki działasz (plik typu „o mnie”, używany stack, ważne ustalenia);
- dziennik decyzji — gdzie
CLAUDE.mddopisuje każdą większą zmianę z datą; - projekty — folder lub pliki na bieżące przedsięwzięcia i klientów, poukładane tak, jak tobie wygodnie, choćby po miesiącach.
Klucz tej warstwy: agent sam z siebie nie przeszuka całego projektu. A właściwie — nie powinien, bo to marnuje twój czas i tokeny. Jeśli kiedykolwiek poprosiłeś AI o coś, a ono odpowiedziało „daj mi więcej informacji, nie wiem, o czym mówisz”, choć pliki istniały — to znak, że po prostu nie powiedziałeś mu, gdzie leżą. Gdy router jest dobrze ustawiony, przestajesz tłumaczyć w kółko to samo: agent po prostu wie, gdzie zajrzeć i dlaczego.
Tu nie ma jednego „jedynego słusznego” układu folderów. Liczy się tylko jedno: czy masz poprawne kierowanie i czy ten układ ma sens dla ciebie oraz dla twojego AI. Ryzyko tej warstwy jest proste — gdy zacznie zbytnio rosnąć, robi się w niej bałagan i łatwo o coś zapomnieć.
Poziom 2 — wszystko na jeden temat zebrane razem
Pytanie tego poziomu: czy potrafię zebrać w jednym miejscu wszystko na dany temat?
Tu wchodzi „wiki” wiedzy — zbiór plików z indeksami, po których AI schodzi w dół jak po tropie. Agent zaczyna od strony głównej tematu, widzi główne pojęcia („przepływy agentowe”, „okno kontekstu”) i drąży w dół, czytając kolejne strony w całości, aż dojdzie do tego, czego szuka. Strony odsyłają do siebie nawzajem — odsyłacze, sekcje „zobacz też”, powiązania między pojęciami.
I tu ważne zastrzeżenie, żeby nie pomylić pojęć: te odsyłacze przypominają graf wiedzy, ale to jeszcze nie jest graf wiedzy. To zwykłe powiązania — „ta strona linkuje do tamtej”, trochę jak przypisy i odnośniki. Brakuje im nazwanych relacji, czyli informacji, jak dwie rzeczy się ze sobą wiążą (do tego wrócę przy poziomie 4). Efekt bywa podobny, ale mechanizm jest inny: tu agent po prostu idzie tropem i czyta całe strony.
Na tym poziomie wchodzi też automatyczna pamięć. W Claude Code można ją włączyć (komendą /memory) — wtedy AI samo prowadzi i aktualizuje plik memory.md, dopisując ważne ustalenia bez twojego udziału. To wygodne, ale tu pojawia się pytanie o niezależność od narzędzia. Dobrą praktyką jest budować drugi mózg tak, żeby nie był przywiązany do jednej aplikacji. W praktyce: kopiujesz CLAUDE.md do bliźniaczego AGENTS.md, a w obu wskazujesz na ten sam plik memory.md. Wtedy różne narzędzia czytają tę samą wiedzę. Wszystko sprowadza się do kierowania.
Słowo o wizualizacji, bo wielu ludzi się nią zachłystuje. Narzędzia typu Obsidian potrafią ładnie pokazać twoje pliki markdown jako sieć powiązanych węzłów. To miłe dla wzrokowców — ale tylko wizualizacja. Sam Obsidian niczego nie dodaje do tego, co system potrafi odnaleźć; to wciąż te same pliki markdown pod spodem. Jeśli pomaga ci myśleć, instaluj. Jeśli nie — twój drugi mózg działa tak samo bez niego.
Szczerze: na tym poziomie da się utrzymać bardzo dużo. To często wystarcza i nie warto z niego uciekać, dopóki coś realnie nie zaczyna boleć. A zacznie wtedy, gdy wiki urośnie tak, że samo czytanie całych stron staje się powolne albo nietrafne.
Poziom 3 — wyszukiwanie po znaczeniu
Pytanie tego poziomu: co, jeśli szukam innymi słowami, niż zapisałem? To jest wyszukiwanie semantyczne — szukasz po sensie, nie po dokładnym słowie.
Pod spodem działa baza wektorowa (po angielsku vector database). Mechanizm w prostych słowach: bierzesz dokument i dzielisz go na kawałki (po angielsku chunks). Każdy kawałek przepuszczasz przez model, który zamienia go w wektor — zestaw liczb opisujących znaczenie tego fragmentu, czyli jego adres w „przestrzeni znaczeń”. Kawałki o podobnym sensie lądują blisko siebie na tej mapie. Gdy zadajesz pytanie, system liczy jego współrzędne i podaje ci najbliższe sąsiedztwo.
Różnica wobec zwykłego wyszukiwania jest zasadnicza. Zwykłe szukanie mówi: X = X — pokazuje tylko miejsca, gdzie pada dokładnie to słowo. Wyszukiwanie semantyczne mówi: X ≈ Y, Z — znajduje też fragmenty, które znaczą to samo, choć użyto innych słów. Szukasz „feedbacku”, a system trafia również w „wyniki testów” czy „ewaluacje”, bo wie, że są o tym samym.
To świetne, gdy z ogromu tekstu chcesz wyłuskać konkretny fragment. Masz tysiąc reguł i pytasz: „co mówiła reguła 17?” — system wyciąga akurat te kawałki i podaje ci krótki fragment, zamiast marnować czas i tokeny na czytanie wszystkich tysiąca reguł. To jest dobre zastosowanie.
Ale tu muszę cię uczciwie ostrzec, bo to częsty błąd, który widzę: baza wektorowa to nie magia. Dzielenie na kawałki ma jedną poważną wadę — gubi pełny kontekst. Wyobraź sobie pytanie „streść spotkanie z 5 marca”. Transkrypt tego spotkania rozpadł się na, powiedzmy, dwadzieścia kawałków. System znajdzie kilka najbardziej podobnych do „streszczenia spotkania z 5 marca” — i streści tylko te kilka, nie widząc całości. Może pominąć kluczowe rzeczy. Albo pytanie „w którym tygodniu była najwyższa sprzedaż?” — agent łapie jeden kawałek tabeli, widzi w nim wysoki wynik i ogłasza go odpowiedzią, choć w innym kawałku, którego nie wziął, sprzedaż była jeszcze wyższa.
Wniosek jest praktyczny: gdy potrzebujesz pełnego kontekstu, zwykły plik markdown, który agent czyta w całości, jest dokładniejszy niż baza wektorowa. I nie musisz wybierać raz na zawsze — możesz mieszać. Jeden folder (np. archiwum transkryptów) robisz wektorowy, a kontekst, projekty i decyzje zostawiasz jako zwykłe pliki markdown. To, że masz drugi mózg, nie znaczy, że cały musi działać w jednym stylu. Dla każdego folderu decydujesz osobno, zależnie od tego, jak z tych danych korzystasz.
Poziom 4 — graf wiedzy i łańcuchy relacji
Pytanie tego poziomu: czy potrafię prześledzić relacje — zapytać o temat X i dojść po powiązaniach aż do tematu A? To jest graf wiedzy (po angielsku knowledge graph).
Graf wiedzy składa się z dwóch rzeczy: encji (czyli rzeczy: osoby, firmy, projekty) i nazwanych relacji między nimi — i to te nazwane relacje odróżniają go od zwykłych odsyłaczy z poziomu 2. Tu nie ma tylko „ta strona linkuje do tamtej”. Tu jest: Jordan pracuje w firmie Acme; Acme poleca narzędzie Postpilot; Postpilot jest konkurentem narzędzia Cadently. System przechowuje nie tylko same rzeczy, ale i to, jak są ze sobą powiązane. Dzięki temu możesz zadać pytanie i przejść po łańcuchu powiązań z jednego końca na drugi.
Dwie cechy tego poziomu warto znać. Po pierwsze, jest najbardziej złożony i często najdroższy — zwłaszcza na płatnych platformach (istnieją też rozwiązania open source, np. LightRAG czy Graphiti; wspominam je tylko jako punkt odniesienia, nie jako listę zakupów). Po drugie, paradoksalnie jest lekki w odczycie: agent czyta tylko powiązany węzeł, a nie cały plik. Jeśli z tematu „produkcja wideo z AI” potrzebował tylko jednej informacji, graf poda mu właśnie ten węzeł, zamiast każać czytać całą stronę.
Jest jeden warunek, bez którego graf się nie zbuduje: potrzebujesz dość danych, żeby było z czego budować relacje. Oprogramowanie nieźle radzi sobie z samym wyłapywaniem powiązań — pod warunkiem, że ma materiał. I tu wraca metoda, którą lubię najbardziej: przesłuchanie. Zamiast siadać i zrzucać z siebie wszystko naraz (co zawsze pomija drobiazgi), pozwalasz agentowi cię przepytywać — pytanie po pytaniu — aż wyciągnie wiedzę z twojej głowy do pliku. Możesz mu po drodze dorzucać transkrypty, umowy, notatki. Tak właśnie powstaje materiał, z którego graf zbuduje relacje.
I tu dwie sprawy, których nie wolno przemilczeć.
Prywatność. Jeśli wysyłasz wszystkie te dane do modelu w chmurze, to przestają być prywatne. Gdy chodzi o twoje własne sprawy firmowe i godzisz się na to świadomie — w porządku. Ale przy wrażliwych danych klienta warto rozważyć modele lokalne lub open source i nie trzymać wszystkiego w jednym miejscu w chmurze. To decyzja, którą trzeba podjąć świadomie, zanim zaczniesz ładować dane.
Częste nieporozumienie. Ludzie zakładają, że jak coś nie działa, to wina systemu, który źle odzyskuje dane. Czasem tak jest. Ale częściej problemem nie jest odzyskiwanie — tylko to, że nie wyciągnąłeś wiedzy z głowy do systemu. Zanim obwinisz AI, zajrzyj do swoich folderów i zapytaj uczciwie: czy to jest całościowe? Czy jest tu cała ta niuansowa wiedza, którą masz w głowie? Bardzo często odpowiedź brzmi „nie” — i tam leży prawdziwy problem.
Poziom 5 — zawsze włączony, autonomiczny mózg-OS
Pytanie tego poziomu: co, jeśli chcę, żeby to wszystko działo się samo? To warstwa zawsze włączonego mózgu-OS — drugiego mózgu, który stale się synchronizuje, sam odświeża pamięć i sam dokłada nowe rzeczy, bez twojego udziału.
To w gruncie rzeczy wszystko z poprzednich poziomów — routing, wiki, relacje, narzędzia — plus element „zawsze włączony”. Istnieją gotowe narzędzia pomyślane właśnie jako taki always-on mózg-OS; wspominam o nich pojęciowo, bo nazwy zmieniają się szybciej niż mechanizm. Można też złożyć coś takiego samodzielnie w Claude Code — z jednym zastrzeżeniem: cykliczne zadania (crony) musisz wtedy ogarnąć sam. To ty pilnujesz, co i kiedy system zasysa.
I tu pojawia się zagrożenie, które każe mi traktować ten poziom ostrożnie. Za dużo kontekstu potrafi szkodzić bardziej, niż pomagać. Gdy mózg sam, automatycznie wciąga wszystko jak leci, łatwo zapchać go szumem — a wtedy odpowiedzi się pogarszają, zamiast poprawiać. Dlatego osobiście wolę kontrolować, co system połyka: sam decyduję, kiedy zebrać transkrypty z tygodnia, sam mówię „pomóż mi to przemyśleć, a potem zapiszmy to razem”. Pełna autonomia brzmi atrakcyjnie, ale kosztuje czujność. To nie jest poziom „najlepszy” — to poziom dla bardzo konkretnych potrzeb.
Jak znaleźć swój poziom
Najważniejsza zasada na koniec: wyższy poziom nie znaczy lepszy, a twój projekt nie musi siedzieć na jednym poziomie. Jeden folder może być na poziomie 2, inny na 4, jeszcze inny na 3. Diagnozujesz każdy z osobna, po bólu, który czujesz:
- Tłumaczysz w kółko swoją konfigurację i szukasz po dokładnym słowie lub nazwie pliku → poziom 1.
- Masz 30 i więcej notatek i gubisz się, co w nich jest → poziom 2.
- **Router pudłuje na notatkach, o których wiesz, że istnieją** → poziom 3 (wyszukiwanie po znaczeniu).
- Potrzebujesz relacji i łańcuchów myśli — przejść od tematu do tematu po powiązaniach → poziom 4.
- Pracujesz z agentami offline i chcesz synchronizować wiedzę między wieloma agentami → poziom 5.
I druga rzecz, która jest ważniejsza niż wybór poziomu: co w ogóle wrzucać do drugiego mózgu, a czego nie. Pomaga tu prosty podział na kontekst i połączenia.
Kontekst to dane wiecznozielone i całościowe — to, co twoja firma zrobiła, zamknięte decyzje, cele na kwartał. Rzeczy, których za rok nadal będziesz potrzebował. To wrzucaj do drugiego mózgu na stałe.
Połączenia to dane zmienne — wątki na Slacku, maile, bieżące dane klientów. To się zmienia z tygodnia na tydzień. Jeśli zaciągniesz je na stałe, zamienisz drugi mózg w szum, który co miesiąc trzeba czyścić. Dlatego ich nie wrzucaj na stałe — ale daj drugiemu mózgowi dostęp, żeby sięgnął po nie na żywo, gdy naprawdę są potrzebne.
W praktyce tworzy to kaskadę odzyskiwania. Zadajesz niejasne pytanie typu „co ustaliliśmy w zeszłym tygodniu w sprawie celu numer 7?”. Drugi mózg najpierw zagląda do pliku celów. Jeśli tam nie znajdzie — do wiki i transkryptów. A dopiero gdy i tam nie ma odpowiedzi — sięga na żywo do źródła zmiennego (np. wątku w komunikatorze) i wyciąga aktualne dane. Drugi mózg nie musi mieć wszystkiego w środku. Musi wiedzieć gdzie i w jakiej kolejności szukać.
To jest sedno, które chcę, żebyś zabrał ze sobą: drugi mózg nie jest tym lepszy, im więcej do niego wrzucisz ani im wyżej go zbudujesz. Jest dobry, gdy ty i twój agent odnajdujecie w nim to, czego szukacie — i gdy zatrzymałeś się na najniższym poziomie, który usuwa twój realny ból. Zacznij od najtańszego ruchu: weź jeden projekt, który już masz, i zadaj sobie jedno pytanie — gdybym za pół roku szukał tu czegoś konkretnego, czy bym to znalazł? Odpowiedź pokaże ci, na którym poziomie naprawdę jesteś.