100 000 страниц, 100 навыков, 0 промптов: как Гарри Тан построил себе «второй мозг»

CEO Y Combinator кодит до 2 ночи. Не потому что не справляется с основной работой — а потому что вернулся к удовольствию строить системы. И за последние пять месяцев построил то, что сам называет «нервной системой», а не картотекой.

Гарри Тан в апреле опубликовал в X лонгрид о том, как устроена его персональная AI-система. Это не очередной список «10 промптов для продуктивности», а разбор сдвига от «AI как чат» к «AI как операционная система». 100 000 страниц структурированных знаний, 100+ навыков, всё в открытом доступе. Он буквально выложил свою методологию на GitHub.

Я перевёл этот текст, потому что в нём — самое чёткое описание того, как с AI будут работать люди, которые на нём зарабатывают. Не с моделью. С системой вокруг модели.

Перед самим переводом — короткий словарь, чтобы дальше не спотыкаться:

• harness — тонкая программа-роутер, которая принимает твоё сообщение и решает, какой «навык» применить. Сам по себе не умеет ничего, только маршрутизирует.
• skill (навык) — markdown-файл с подробной инструкцией под одну конкретную задачу: «зеркало книги», «подготовка к встрече», «разбор почты». У Тана их больше сотни.
• brain (мозг) — git-репозиторий, где каждый человек, встреча, компания, книга и идея получают свою страницу. У Тана таких страниц 100 000+.
• skillify — мета-навык, который смотрит, что ты только что сделал руками, и оформляет это в новый навык-инструкцию для будущего повторного использования.
• OpenClaw / Hermes Agent — две конкурирующие реализации обёртки-harness. GBrain — реализация «мозга». GStack — фреймворк навыков для кодинга, на котором всё построено. Всё это open source проекты Тана и его команды.

Дальше — его текст, с моими адаптациями для русскоязычного читателя.

Книга, которая прочитала меня в ответ

В прошлом месяце я читал «Когда всё рушится» Пемы Чодрон. 162 страницы, 22 главы — буддистский подход к страданию, потере опоры, отпусканию. Друг порекомендовал в тяжёлый период.

Я попросил свой AI сделать «зеркало книги».

Конкретно вот что это значит. Система вытащила все 22 главы. Для каждой главы запустила суб-агента, который параллельно делал две вещи: пересказывал идеи автора и сопоставлял каждую идею с моей собственной жизнью. Не общая жвачка из серии «это применимо к лидерам». Конкретное сопоставление. Система знает мою семейную историю (родители-иммигранты, отец из Гонконга и Сингапура, мама из Бирмы). Знает мой профессиональный контекст (управляю YC, строю open-source, работаю с тысячами фаундеров). Знает, что я читаю в последнее время, о чём думаю в два ночи, над чем мы работаем с моим психотерапевтом.

На выходе получилась страница «мозга» на 30 000 слов. Каждая глава отрендерена в две колонки: что говорит Пема и как это ложится на то, что я сейчас проживаю. Глава об отсутствии опоры перекликалась с конкретным разговором с фаундером неделю назад. Глава о страхе — с паттернами, которые до этого подсветил терапевт. Глава об отпускании — с ночной сессией, где я записывал, какую творческую свободу нашёл в этом году.

Всё это заняло около 40 минут. Терапевт за $300 в час, который прочитал бы эту книгу и попытался бы приложить её к моей жизни, не сделал бы этого и за 40 часов — потому что у него нет загруженного графа моего профессионального контекста, истории чтения, заметок со встреч и связей с фаундерами.

Я прогнал так больше 20 книг: «Amplified» Дион Лим, автобиография Бертрана Рассела, «Дизайн вашей жизни», «Драма одарённого ребёнка», «Конечные и бесконечные игры», «Дар моря» Линдберг, «Сиддхартха» и «Степной волк» Гессе, «Искусство заниматься наукой и инженерией» Хэмминга, «Машина мечты», «Книга о табу на знание того, кто ты есть» Алана Уотса, «Какое тебе дело до того, что думают другие» Фейнмана, «Когда всё рушится» Чодрон, «Краткая история всего» Кена Уилбера и ещё много чего. Каждая следующая получается богаче, потому что мозг богаче. Второе зеркало знало о первом. Двадцатое — обо всех девятнадцати.

Как «зеркало книги» становилось рабочим

Первое зеркало было ужасным. Версия 1 содержала три фактические ошибки о моей семье. Сказала, что родители развелись — они не разводились. Сказала, что я вырос в Гонконге — я родился в Канаде. Простые факты, на которых легко обжечься: если бы я этим поделился, доверие было бы подорвано.

Поэтому я добавил обязательный шаг фактчекинга. Каждое зеркало теперь сверяется с фактами из «мозга» через кросс-модальную проверку (один и тот же текст прогоняется через несколько разных моделей, они оценивают друг друга) — и только потом уходит ко мне. Opus 4.7 1M ловит ошибки точности. GPT-5.5 ловит пропущенный контекст. DeepSeek V4-Pro ловит то, что звучит как общая жвачка.

Дальше я подключил глубокий поиск через GBrain. Первая версия хорошо обобщала, но проседала на конкретике. Третья версия ищет в «мозге» отдельно под каждый раздел книги. Каждая запись правой колонки теперь цитирует конкретные страницы «мозга». Когда книга говорит про трудные разговоры, она не выдаёт общие принципы — она вытаскивает из моих реальных записей встреч конкретных фаундеров, у которых были тяжёлые разговоры с ко-фаундерами. Или ту мысль, которая пришла в четверг, когда мы с братом Джеймсом сидели и разговаривали. Или сообщения в мессенджере с соседом по комнате из колледжа — мне тогда было 19. Это пугающе точно.

Вот что значит «скиллификация» (slash-команда /skillify в GBrain) на практике. Я взял первую ручную попытку, вытащил повторяющийся паттерн, написал тестируемый файл-навык с триггерами и крайними случаями, и каждое следующее исправление накапливается во всех будущих зеркалах книг.

Навыки, которые строят навыки

Вот здесь становится рекурсивно — и я считаю, что это главное открытие.

Система, которая ведёт мою жизнь, не существовала как монолит. Она собрана из навыков. И эти навыки сами были созданы навыком.

Skillify — это мета-навык, который создаёт новые навыки. Когда я сталкиваюсь с рабочим процессом, который собираюсь повторять, я говорю «скиллифицируй это». Система смотрит, что только что произошло, вытаскивает повторяющийся паттерн, пишет тестируемый файл-навык с триггерами и крайними случаями, регистрирует его в роутере. Воркфлоу «зеркало книги» я скиллифицировал после того, как впервые сделал его руками. Подготовку к встречам — после того, как заметил, что делаю одни и те же шаги перед каждым звонком.

Навыки складываются друг с другом. Книжное зеркало вызывает brain-ops для хранения, enrich для контекста, cross-modal-eval для качества и pdf-generation для вывода. Каждый навык сфокусирован на одной задаче. Они соединяются в сложные процессы. Когда я улучшаю один навык, каждый процесс, который его использует, автоматически становится лучше. Не надо больше «забыл указать этот крайний случай в промпте». Навык помнит.

Встреча, которая подготовила саму себя

Демис Хассабис приехал на YC на fireside chat. Биография авторства Себастиана Маллаби только что вышла.

Я попросил систему меня подготовить.

Меньше чем за две минуты она подтянула: полную «страницу мозга» о Демисе — она накапливалась месяцами из статей, расшифровок подкастов и моих собственных заметок. Его публичные позиции по AGI («50% масштабирование, 50% инновации», AGI через 5–10 лет). Главное из биографии Маллаби. Его заявленные исследовательские приоритеты: continual learning, world models, долгосрочная память. Перекрёстные ссылки на то, что я сам публично говорил про AI. Три демо-сценария, которыми можно показать многошаговое рассуждение моей системы прямо во время разговора. И набор тем для разговора, построенный на том, где наши взгляды совпадают и где расходятся.

Это не просто улучшенный гугл-поиск. Это подготовка, которая использовала накопленный контекст о Демисе, мои собственные позиции и стратегические цели разговора. Система подготовила не факты — она подготовила углы.

От переводчика: для обычного человека, у которого вместо Хассабиса — созвон с подрядчиком или ученицей курса, картина та же. Скажем, ты ведёшь онлайн-школу и через 20 минут у тебя звонок с куратором. Система вытаскивает её страницу: что вы обсуждали в прошлый раз, какие задачи в работе, какие болевые точки она поднимала за последний месяц, что у неё с метриками когорты. Тебе не надо листать переписку и заметки. Подготовка — одна минута, без усилий.

Как выглядит «мозг» на 100 000 страниц

Я веду структурированную базу знаний примерно на 100 000 страниц. Это git-репозиторий с markdown-файлами — одна страница = один файл, как в Obsidian или Notion, только всё в открытом тексте, всё под версионным контролем, всё ищется. Каждый человек, с кем я встречаюсь, получает свой файл — с таймлайном, секцией «что сейчас» (что на данный момент верно), открытыми темами и оценкой. Каждая встреча получает расшифровку, структурированную сводку и то, что я называю «распространением сущностей»: после каждой встречи система проходит по всем упомянутым людям и компаниям и обновляет их страницы тем, что мы обсуждали. Каждая прочитанная книга получает поглавное зеркало. Каждая статья, подкаст и видео, которое я смотрю, загружается в систему, размечается тегами и связывается перекрёстными ссылками с другими страницами.

Схема простая. У каждой страницы есть: «компилированная истина» сверху (лучшее текущее понимание), таймлайн снизу (события в хронологическом порядке, только на дозапись — старые записи не редактируются, только добавляются новые) и сайдкары с сырыми данными для исходников. Думай об этом как о персональной Википедии, где каждая страница непрерывно обновляется AI, который был на встрече, прочитал письмо, посмотрел доклад и проглотил PDF.

Вот пример, как это накапливается. Встречаю фаундера на office hours. Система создаёт или обновляет его персональную страницу, страницу его компании, перекрёстно связывает заметки встречи с уже существующими, проверяет — встречались ли мы раньше (и вытаскивает, что обсуждали в прошлый раз), смотрит данные его заявки, тянет последние метрики, смотрит — релевантна ли его проблема кому-то из моего портфолио или контактов. К моменту, когда я захожу на следующую встречу, у системы уже готов полный контекст-пак.

Это разница между картотекой и нервной системой. Картотека хранит документы. Нервная система их связывает, отмечает изменения и выводит наверх то, что важно прямо сейчас.

Архитектура

Вот как это работает. Я считаю, что это правильный способ строить личный AI, и выложил всё в open source — можешь собрать сам.

Обёртка тонкая. OpenClaw — это рантайм, программа, которая постоянно работает в фоне. Она принимает мои сообщения, понимает, какой навык применим, и передаёт управление этому навыку. Несколько тысяч строк логики маршрутизации. Она ничего не знает про книги, встречи или фаундеров. Она просто маршрутизирует.

Навыки толстые. Их сейчас больше сотни — каждый это самостоятельный markdown-файл с подробными инструкциями для одной конкретной задачи. Книжное зеркало и подготовку к встречам ты уже видел. Вот ещё несколько, которые идут с GBrain:

• meeting-ingestion: после каждой встречи вытаскивает расшифровку, создаёт структурированную сводку, потом проходит по всем упомянутым людям и компаниям и обновляет их страницы тем, что обсуждали. Сама страница встречи — не конечный продукт. Реальная ценность — это распространение по страницам сущностей.
• enrich: даёшь имя человека — система тянет из пяти разных источников, сводит всё в одну страницу с карьерным путём, контактами, историей встреч и контекстом отношений. Под каждым утверждением — ссылка на источник.
• media-ingest: работает с видео, аудио, PDF, скриншотами, GitHub-репозиториями. Расшифровывает, вытаскивает сущности, кладёт в нужное место в «мозге». Я постоянно использую это для YouTube-видео, подкастов и голосовых заметок.
• perplexity-research: веб-ресёрч, обогащённый «мозгом». Ищет в вебе через Perplexity, но перед синтезом проверяет, что уже знает «мозг» — и говорит, что реально новое, а что у тебя уже есть.

У меня ещё десятки навыков для собственной работы, которые я, скорее всего, тоже открою: email-triage, investor-update-ingest, который ловит апдейты от портфельных компаний в моей почте и вытаскивает метрики на их страницы, calendar-check, который ловит конфликты в календаре и физически невыполнимые перелёты, и целый журналистский стек, который я использую для гражданских проектов. Каждый навык кодирует операционное знание, на освоение которого новому ассистенту-человеку понадобились бы месяцы. Когда меня спрашивают, как я «пишу промпты» для своего AI, ответ такой: никак. Навыки — это и есть промпты.

Данные толстые. 100 000 страниц структурированных знаний в репозитории «мозга». Каждый человек, компания, встреча, книга, статья и идея, с которой я взаимодействовал — всё связано, всё ищется, всё растёт каждый день.

Код толстый. Код, который кормит систему — скрипты для расшифровки, OCR, архивации соцсетей, синхронизации календаря, интеграций API — тоже важен, но накопительная ценность живёт в данных. У меня больше 100 крон-задач в день, которые проверяют всё подряд: соцсети, Slack, почту, всё, на что я обращаю внимание — мои агенты OpenClaw / Hermes Agent смотрят это за меня.

Модели взаимозаменяемые. Opus 4.7 1M использую там, где нужна точность. GPT-5.5 — для полноты выборки (recall) и исчерпывающего извлечения. DeepSeek V4-Pro — для креативной работы и третьего взгляда. Groq с Llama — где нужна скорость. Навык сам решает, какую модель вызвать под какую задачу. Обёртке всё равно. Когда меня спрашивают «какая AI-модель лучше», ответ такой: неправильный вопрос. Модель — это просто двигатель. Всё остальное — машина.

Строитель в 2 ночи и накопительная система

Меня спрашивают про продуктивность. Я не думаю в таких терминах. Я думаю в терминах накопления.

Каждая встреча, которую я провожу, добавляет в «мозг». Каждая прочитанная книга обогащает контекст для следующей. Каждый построенный навык ускоряет следующий процесс. Каждая обновлённая страница человека делает следующую подготовку к встрече с ним острее. Система сегодня в 10 раз лучше, чем была два месяца назад. И через два месяца будет в 10 раз лучше нынешней.

Когда я в 2 ночи всё ещё пишу код (а я пишу — регулярно, потому что AI вернул мне радость строить), я не просто пишу софт. Я добавляю в систему, которая становится лучше каждый час. 100 крон-задач 24/7. Загрузка встреч в «мозг» идёт автоматически. Разбор и сортировка почты — раз в 10 минут. Граф знаний обогащается из каждого разговора. Система обрабатывает дневные расшифровки и вытаскивает паттерны, которые я в моменте упустил.

Это не инструмент для письма. Это не поисковик. Это не чат-бот. Это второй мозг, который реально работает — не как метафора, а как запущенная система с 100 000 страниц, 100+ навыков, 15 крон-задачами и накопленным контекстом каждых профессиональных отношений, встречи, книги и идеи, с которой я взаимодействовал за последний год.

Я выложил весь стек. GStack — это фреймворк навыков для кодинга (87 000+ звёзд на GitHub на момент публикации; сейчас ближе к 93K), на котором всё построено. Я до сих пор использую его как навык внутри OpenClaw / Hermes Agent, когда агенту нужно писать код. Там же отличный программируемый браузер (и с интерфейсом, и headless). GBrain — это инфраструктура знаний. OpenClaw и Hermes Agent — обёртки, выбирай любую (я обычно гоняю обе). Репозитории с данными — на GitHub.

Тезис простой: будущее принадлежит людям, которые строят накопительные AI-системы — а не тем, кто пользуется корпоративными централизованными AI-инструментами. Разница такая же, как между ведением дневника и наличием нервной системы.

С чего начать

Если хочешь построить такую систему:

Выбери обёртку. OpenClaw, Hermes Agent или собери своё с нуля на Pi. Держи её тонкой. Обёртка — это просто роутер. Хости на запасном компьютере дома через Tailscale или в облаке на Render / Railway.

Заведи «мозг» через GBrain. Я вдохновился LLM Wiki Карпатого, реализовал в OpenClaw, расширил в GBrain. Это лучшая система поиска, которую я тестировал на бенчмарках (97,6% recall на LongMemEval, обыгрывает MemPalace без LLM в цикле поиска), идёт с 39 устанавливаемыми навыками — включая всё, что описано в этой статье. Одна команда на установку. Git-репозиторий, где каждый человек, встреча, статья и идея получает свою страницу.

Сделай что-нибудь интересное. Не начинай с планирования архитектуры навыков. Начинай с того, что просто сделай вещь. Напиши отчёт. Собери досье на человека. Скачай сезон NBA и собери модель прогноза для своих ставок. Проанализируй портфель. Что угодно, что тебе реально важно. Сделай это с агентом, итерируй, пока не станет хорошо, и потом запусти Skillify (мета-навык из раздела выше), чтобы вытащить паттерн в переиспользуемый навык. Дальше прогоняй check_resolvable, чтобы убедиться, что новый навык подключён в роутер. Этот цикл превращает разовую работу в накопительную инфраструктуру.

Используй и смотри на вывод. Поначалу навык будет посредственным. В этом и суть. Пользуйся, читай, что он выдаёт, и когда что-то идёт криво — запускай cross-modal eval: прогоняй вывод через несколько моделей и заставляй их оценивать друг друга по тем критериям, которые тебе важны. Так я и поймал фактические ошибки в зеркале книги. Исправление вшилось в навык, и каждое следующее зеркало стало чистым. Через шесть месяцев у тебя будет что-то, что не сможет повторить ни один чат-бот — потому что ценность не в модели, а в том, чему ты научил систему о своей конкретной жизни, работе и суждениях.

Первое, что я построил с этой системой, было ужасным. Сотое — это что-то, чему я доверил свой календарь, входящие, подготовку к встречам и список чтения. Система научилась. Я научился. Накопительная кривая — реальная.

Толстые навыки. Толстый код. Тонкая обёртка. LLM сам по себе — это просто двигатель. Машину собирай сам.

Всё, что я описал — все навыки, пайплайн зеркала книги, фреймворк cross-modal eval, цикл skillify, архитектура роутера, плюс ещё 30+ устанавливаемых скиллпаков — лежит в открытом доступе на GitHub: github.com/garrytan/gbrain. Иди строй.

Что из этого важно для нас

Несколько мыслей от себя — Гарри Тан строит систему под себя. Скачать его репозиторий и запустить у тебя дома смысла мало: 100K страниц про его мир, не про твой. Но архитектурный принцип универсальный, его и стоит вытаскивать.

Спор о моделях — спор о двигателе. Каждый раз, когда в чате обсуждают «Opus или GPT» или «Claude или Gemini», это спор о том, какой двигатель круче. Двигатель сам по себе никуда не везёт. Везёт машина. Если у тебя нет системы вокруг модели — пересаживаешься на каждую новую и теряешь весь предыдущий контекст. У того, кто построил машину, каждая новая модель усиливает её, потому что её можно подменить под капотом, а корпус, маршрут и накопленные данные остаются.

Накопление вместо продуктивности. Большинство курсов про AI продают «как делать больше за день». Гарри говорит про другое: как сделать так, чтобы каждый твой день делал твою систему сильнее. Это другая метрика. Продуктивность отвечает за скорость; накопление — за экспоненту. Через 6 месяцев накопления простой подход обгоняет «продуктивный» в десятки раз.

Скиллифицируй то, что делаешь руками. Самая практичная часть — мета-навык skillify. Заметил, что делаешь одни и те же шаги — собрать материал, написать пост, проверить почту, подготовиться к встрече — оформи это как навык один раз. Дальше он улучшается сам, потому что каждое следующее использование подсвечивает, где он недоработан, и ты дорабатываешь его в одном месте. Все будущие повторения становятся лучше автоматически. Если работаешь в Claude — это буквально папка ~/.claude/skills/ и файлы с триггерами в frontmatter. Если в Cursor / другом агенте — аналогичная структура у каждого свой синтаксис.

Не начинай с архитектуры. Начни с одной задачи, которая тебя реально бесит — еженедельный отчёт, разбор почты, подготовка к созвону. Сделай это с AI один раз, доведи до приемлемого качества, и только тогда вытащи паттерн в навык. Архитектура «100 навыков» — это финал, а не старт. Старт — одна неприятная задача.