Dziennik

Ten przewodnik wyjaśnia, jak zautomatyzować blog Markdown do wielojęzycznego pipeline’u publikacyjnego z użyciem GitHub Copilot Agents, gdzie orkiestrator koordynuje podagentów językowych, aktualizuje podsumowania README, stosuje hooks i skills jako mechanizmy ochronne oraz zapewnia powtarzalne, skalowalne wyniki.

Podczas budowania SDLC Memory natrafiłem na nieoczekiwany dylemat architektoniczny. Czy system powinien rozumować jak autonomiczny agent, działać jak deterministyczny transformator danych, czy może znajdować się gdzieś pomiędzy tymi podejściami? Wciąż zastanawiam się, który kierunek będzie właściwy dla MVP.

W „Part 1 - From RAG to Provenance: How We Realized Vector Alone Is Not Memory” przeszliśmy od RAG do Provenance — od podobieństwa do linii pochodzenia. Ale jeśli agenci AI będą generować 50–80% przyszłej pracy, prawdziwe pytanie brzmi: jak pamięć powinna się bezpiecznie aktualizować? Jak nowe decyzje są walidowane, łączone i zarządzane, zamiast być jedynie zapisywane jako embeddingi? Ten artykuł krok po kroku pokazuje proces inkrementalnej aktualizacji grafu pamięci decyzji na rzeczywistym przykładzie. W erze AI pamięć musi ewoluować, a nie tylko odzyskiwać informacje.

Co jeśli twój SDLC w rzeczywistości niczego nie pamięta i jedynie odzyskuje fragmenty informacji? Zbudowaliśmy potężne systemy RAG zdolne do wyszukiwania „istotnego” tekstu w milisekundach. Ale istotność to nie przyczynowość. Gdy coś psuje się na produkcji, podobieństwo nie powie ci, dlaczego tak się stało ani która decyzja, ryzyko czy zależność do tego doprowadziły. W tym artykule wyjaśniam, dlaczego sama wyszukiwarka wektorowa nie jest pamięcią, jak struktura grafowa zmienia reguły gry oraz jak połączenie wektorów z rygorystycznym modelem provenance zamienia rozproszoną dokumentację w coś bliższego poznaniu organizacyjnemu. Jeśli interesuje cię wyjaśnialność, linia pochodzenia decyzji i realna inteligencja dostarczania — ten artykuł jest dla ciebie.