OzBrain - Shared brain for AI agents and teams
Show HN: OzBrain, a shared brain for knowledge between agents and your team
OzBrain — это общий мозг для ИИ-агентов и команд. Он структурирует знания в виде статей, которые агенты могут читать и записывать, обеспечивая единый источник правды для Claude, ChatGPT, Cursor и других. Автоматическая маршрутизация, контроль конфликтов и рефакторинг поддерживают базу знаний в актуальном состоянии. Подключается через MCP-коннектор за пару минут, имеет бесплатный тариф и экспорт в Markdown.
Один общий мозг, который Claude, ChatGPT, Cursor и любой ИИ могут читать и записывать. Он структурирует то, что вы знаете, чтобы агенты читали только то, что им нужно, и вам не пришлось объяснять одно и то же дважды.
- Sammi
У меня в каждом репозитории есть папки reports, plans и code-reviews. Я кладу туда свои md-файлы для агентов, и вуаля — они в облаке вместе с моим исходным кодом в git. Я просто общаюсь со своим локальным агентом об этих файлах, и он находит нужное с помощью grep и всего такого. Готово. Никаких mcp или специальных серверов не нужно.
Мне уже предлагали продукты вроде ozbrain, но я так и не увидел необходимости в них сверх того, что у меня уже есть. Похоже на лишнее усложнение без выгоды.
Может, я что-то упускаю?
- gavinboston
Есть ли у вас решение проблемы деградации точности при компиляции больших объёмов текста, сгенерированного LLM?
Я тоже строю LLM-системы знаний/памяти и был удивлён, насколько плохо LLM, даже самые современные, справляются с обобщением нетривиальных пакетов текста. Они ошибаются, искажают смысл или данные и так далее.
- sinuhe69
Я думаю, центральный вопрос для такой системы памяти — сможем ли мы или агенты найти нужную информацию и как организовать эти данные по мере поступления изменений. Не упустим ли мы что-то в процессе поиска? Как организовать информацию, чтобы она оставалась актуальной и корректной, не накапливая мусор? Конечно, можно продолжать конкатенировать данные и помечать их версией и датой, но тогда придётся столкнуться с проблемой извлечения нужной информации за короткое время. Если делегировать эту проблему LLM, производительность при длинном контексте упадёт, а стоимость взорвётся.
Именно поэтому мы сначала сжимаем информацию. Забывание + синтез — необходимые части обучения, и по сути с помощью памяти + умного поиска мы хотим построить обучающуюся систему.
- rgbrgb
класс :)
> интересно, как вы это сделали
вот наша, мы построили её для Hedgy https://setoku.com
наш подход — создать озеро данных, которое засасывает данные компании в clickhouse, и прикрепить к нему хранилище знаний. Так мозг получает поток живых фактов и строит знания вокруг них. Мы отказались от попыток сделать хранилище знаний читаемым для человека — я полностью допускаю, что там что-то может быть, но сейчас нас волнует только улучшение агента, которым вы пользуетесь. Это делает мой claude code очень хорошим в отладке и даёт всем возможность вибекодить дашборды и небольшие внутренние инструменты с реальными данными.
Я также запускаю личный экземпляр для меня и моей жены, который засасывает monarch money и gmail. В основном использую его, чтобы обсуждать крупные финансовые движения.
- jen729w
Я — Джонни.Десятичный. [0]
Я использую хранилище Obsidian и свою систему. «Это в 23.16», — говорю я Клоду. Оттуда он мгновенно находит мои заметки и файлы.
Никакого дополнительного софта не нужно. Просто немного базовой структуры. Клод это обожает. [1]
Ах да, и чтобы держать контекст разговора в рамках, чтобы можно было /resume и так далее, просто
$ cd 23.16
$ claude