Ідеальна пам'ять для АІ-агентів: від RAG до Wiki LLM Карпатого та Graphify

У цьому відео розбираємо еволюцію пам'яті та контексту для LLM-моделей: від базової взаємодії з нейромережею до RAG-систем із векторними базами даних, потім до WikiLLM-концепції Андрія Карпатого та завершуємо практичним оглядом Graphify — open-source інструменту з 72k зірок на GitHub, який будує граф знань із усіх ваших файлів і економить до 70x токенів на великих проєктах. Всі приклади показані на практиці в Obsidian, Excalidraw та Antigravity. 0:00 — Вступ: пам'ять, контекст і контекстне вікно 0:59 — Проблема LLM: обмежені знання та галюцинації 1:28 — Що таке RAG і як він працює 3:35 — Embeddings, чанки та векторна база даних 7:25 — Недоліки RAG-системи 8:10 — Андрій Карпатий та концепція WikiLLM 9:09 — Практика: збираємо базу знань в Obsidian 12:00 — Запускаємо WikiLLM через Antigravity 17:23 — RAG vs WikiLLM: ключові відмінності 18:13 — Що таке Graphify та чому це must-have 19:52 — Встановлення та налаштування Graphify 23:25 — Результат: граф знань проєкту gotburnout.io 24:48 — Підсумок Відео буде корисним: розробникам AI-агентів, prompt-інженерам, no-code та low-code ентузіастам, продакт-менеджерам, які працюють з AI-інструментами, власникам бізнесу, що впроваджують AI-асистентів, користувачам Obsidian та Note-taking систем, всім, хто будує великі проєкти з LLM Ресурси: Обсідіан - https://obsidian.md/ Obsidian Web Clipper - https://chromewebstore.google.com/detail/obsidian-web-clipper/cnjifjpddelmedmihgijeibhnjfabmlf Wiki LLM - https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f Graphify - https://github.com/safishamsi/graphify Антігравіті - https://antigravity.google/download