Разборы · Статья: · Видео: · 9 мин 17 сек

NotebookLM стал агентом: как «чат с документами» превратился в исследовательскую станцию

Разбор крупного агентного апдейта NotebookLM на Gemini 3.5 Flash: облачный компьютер в каждом ноутбуке, поиск источников, выполнение кода и скачиваемые файлы.

ИИ Продуктивность Наука Программирование
Смотреть на YouTube

NotebookLM Agentic AI Update Is HUGE! Agentic Coder Now?

WorldofAI · 9 мин 17 сек
Главы видео — нажми, чтобы перейти к моменту 9
  1. 0:00 Из «чата с документами» в агента NotebookLM учится рассуждать по источникам, вести многошаговое исследование, анализировать данные и строить графики.
  2. 0:46 Новый чат на Gemini 3.5 Flash и Antigravity Обновлённый чат показывает ход мысли модели; в каждом ноутбуке появляется безопасный облачный компьютер со 100+ навыками.
  3. 2:04 Мини-агент внутри ноутбука Выполнение кода, веб-поиск, каталог источников и облачная среда превращают ноутбук в исследователя, который делает работу за вас.
  4. 2:24 Бенчмарки против старой системы Новая система выигрывает у прошлой более чем в 65% случаев по пяти областям; 69.9% на больших документах и 78.2% на продвинутом исследовании.
  5. 3:20 Скачиваемые артефакты Сборка контекста источников в готовые файлы — PDF, DOCX, Markdown, Excel, PowerPoint, CSV, JSON, графики и картинки через Nano Banana.
  6. 4:14 Агентный поиск источников Можно начать с сырых идей — NotebookLM сам находит релевантные источники в вебе и добавляет их с вашего разрешения.
  7. 6:00 Сценарии для разных профессий Очистка грязных данных для исследователей, сжатие документации для техкоманд, дорожные карты для менеджеров, анализ кампаний для малого бизнеса.
  8. 6:38 Прозрачность артефактов (source attribution) У каждого отчёта или слайда видно, какие промпты и источники легли в основу — это про доверие и трассируемость.
  9. 7:12 Что дальше — Omni video от Gemini Спекуляция автора: скоро в NotebookLM добавят модель видеогенерации Omni для инфографики и анимаций по вашим ноутбукам.

Коротко

Google перевёл NotebookLM на Gemini 3.5 Flash и Antigravity, дав каждому ноутбуку безопасный «облачный компьютер» с сотней навыков, поиском источников в вебе и выполнением кода. Из «чата с PDF» инструмент превратился в агента, который сам находит источники и собирает готовые скачиваемые артефакты — отчёты, презентации, таблицы и графики.

Оценка видео

Чем выше — тем больше пользы на минуту

4.0

средняя из 5

Актуальность информации 5.0

Апдейт выкатили в июне 2026-го, материал свежий и проверяемый по официальным анонсам.

Содержательность 3.5

Девять минут плотно по фичам, но без живой демонстрации и собственных тестов автора.

Инновационность идей 4.5

Не идеи автора, а сам апдейт инновационный: облачный компьютер и агентный поиск источников в продукте Google.

Практичность 4.0

Конкретные сценарии (отчёты, презентации, очистка данных), но доступ пока ограничен платными тарифами.

Глубина разбора 3.0

Обзорный пересказ анонса без проверки бенчмарков на практике и без сравнения с конкурентами.

Кому будет полезно

Чем выше оценка — тем больше пользы для профессии. Разверни — почему.

Для исследователей 5 /5

Прямое попадание: agentic research с автопоиском источников (в т.ч. на других языках), чистка грязных данных, анализ, графики и финальный отчёт на скачивание — можно стартовать даже с сырых идей, а не с готовой базы.

Для аналитиков данных 5 /5

Облачный компьютер с выполнением кода: загрузка сырых данных, анализ, построение графиков и дашбордов, выгрузка в XLSX/CSV/JSON — полный путь от грязных данных до чистого структурированного результата внутри одного ноутбука.

Для продакт-менеджеров 4 /5

Назван в видео напрямую: плотные спеки превращаются в упрощённые гайды, роадмап и слайд-дек (PPTX) без ручного вычитывания документации.

Для разработчиков 4 /5

Ресёрч свежих доков языков/пакетов с конденсацией в markdown-отчёт, который скармливается кодинг-агенту; плюс лёгкое выполнение кода — но это вспомогательный сценарий, а не среда разработки.

Для технических писателей 4 /5

Превращение плотной документации в понятные гайды и генерация готовых артефактов (DOCX/PDF/markdown) с source attribution — видно, из каких источников и промптов собран материал.

Для предпринимателей 4 /5

Прямой кейс для малого бизнеса: загрузка данных кампаний, продаж и ad spend, расчёт что сработало и стоит ли масштабировать — без отдельного аналитика.

Для маркетологов 4 /5

Анализ кампаний и рекламных расходов, выводы об эффективности и масштабировании, генерация отчётов, дашбордов и презентаций из сырых цифр.

Для консультантов 3 /5

Сборка ресёрча из разрозненных источников в готовые делверблы (отчёты, слайды, таблицы) с трассируемостью источников — удобно для клиентских материалов, но кейс в видео не разбирается отдельно.

Для студентов 3 /5

Помощь с поиском и разбором источников, в т.ч. на других языках, и сборкой структурированных материалов — полезно для учёбы, но требует платного плана (пока Google AI Ultra).

Для контент-мейкеров 2 /5

Косвенно: генерация артефактов и обещанная Omni-видеомодель для инфографики и анимаций из ноутбука — пока спекуляция и не основной фокус апдейта.

Инсайты

Нажми, чтобы раскрыть — то, что меняет взгляд на тему

01 Source attribution делает ИИ-вывод проверяемым 6:38

У каждого артефакта видно, какие промпты и источники легли в его основу. Это превращает «случайный файл от ИИ» в результат, который можно проверить и кому-то показать — главный барьер доверия снимается.

02 Меняется не функция, а точка входа в исследование 4:14

Раньше NotebookLM был полезен, когда у вас уже собраны PDF и ссылки. Теперь он помогает на самом старте — берёт сырую идею и сам ищет, что вообще нужно изучить.

03 Облачный компьютер важнее, чем новые форматы 1:45

Главное не то, что добавили экспорт в PowerPoint, а что внутри ноутбука появилась изолированная среда со 100+ навыками и выполнением кода. Именно она делает инструмент способным «делать работу», а не только отвечать.

04 Контроль над источниками остаётся у человека 2:32

Агент не сваливает найденные ссылки в ноутбук молча — он спрашивает разрешение и атрибутирует источник. Автономность не означает потерю контроля над тем, на чём строится исследование.

05 NotebookLM становится звеном в пайплайне кодинга 2:54

Можно собрать свежую документацию по языку или пакету в сжатый Markdown-отчёт, скачать его и передать своему кодинг-агенту. Инструмент встраивается в цепочку разработки, а не живёт отдельно.

Ключевые цитаты

Сильные фразы из видео — нажми тайм-код, чтобы услышать в оригинале

«NotebookLM эволюционирует из простого инструмента «чат с документом» в агентного исследовательского ассистента. И теперь он может вести себя даже как лёгкий кодер.»
Главный тезис видео — смена сути продукта. 0:02
«Но самое безумное — теперь каждый ноутбук получает безопасный облачный компьютер. В него входит более 100 отобранных программных навыков.»
О ключевой технической фиче — облачной среде в каждом ноутбуке. 1:45
«Это, по сути, Google превращает NotebookLM в полноценное агентное исследовательское рабочее пространство.»
Формулировка масштаба изменения. 2:04
«Новая система обходит прежнюю более чем в 65% случаев по пяти ключевым областям оценки.»
О бенчмарках апдейта. 2:48
«Вам больше не нужно начинать с идеально организованного ноутбука, полного источников. Можно стартовать буквально с сырых идей и случайных вопросов.»
О смене всего рабочего процесса исследования. 4:14
«Теперь, когда NotebookLM генерирует отчёт, график или слайды, видно, какие именно промпты и источники использовались. Это огромный плюс для доверия.»
О source attribution и трассируемости результата. 6:38

Полезные советы

Что можно применить уже сегодня. Разверни совет — сколько займёт, что даст и что конкретно делать

1

Скорми сырые данные и попроси готовый отчёт

15 минут Готовый документ вместо часа ручной возни с таблицами

Не нужно вручную чистить и структурировать — загрузи грязные данные из разных источников и попроси привести в порядок, проанализировать и собрать в скачиваемый отчёт с графиками.

Что делать

  1. 1 1. Создай ноутбук и загрузи в него все исходники (файлы, ссылки, заметки).
  2. 2 2. Попроси: «очисти данные, проведи анализ и собери итоговый отчёт с графиками».
  3. 3 3. Выбери формат экспорта (PDF, DOCX, XLSX) и скачай готовый артефакт.
2

Начни исследование с пустого ноутбука

5 минут Пропускаешь самый муторный этап — ручной сбор ссылок

Не собирай источники заранее. Дай NotebookLM сырую идею или вопрос — он сам предложит релевантные источники из веба и добавит их с твоего разрешения.

Что делать

  1. 1 1. Открой новый ноутбук без источников.
  2. 2 2. Опиши тему или вопрос своими словами.
  3. 3 3. Разреши добавить предложенные источники и проверь их перед анализом.
3

Превращай плотную документацию в Markdown для кодинг-агента

10 минут Кодинг-агент получает актуальную выжимку вместо устаревших знаний модели

Исследуй свежую документацию по языку или пакету внутри NotebookLM, сожми её в Markdown-отчёт, скачай и передай своему кодинг-агенту как контекст.

Что делать

  1. 1 1. Загрузи ссылки на документацию нужного пакета/языка.
  2. 2 2. Попроси собрать сжатый Markdown-конспект ключевого.
  3. 3 3. Скачай .md и подложи его в контекст своему агенту.
4

Собери презентацию из бизнес-документов

20 минут Готовый слайд-дек без копания в десятках страниц спецификаций

Дай NotebookLM плотные спеки или бизнес-документы и попроси превратить их в упрощённый гайд, дорожную карту или слайды — вместо ручного чтения и пересказа.

Что делать

  1. 1 1. Загрузи исходные документы и спеки.
  2. 2 2. Попроси сформировать дорожную карту и презентацию (PPTX).
  3. 3 3. Проверь source attribution, чтобы убедиться, откуда взят каждый тезис.
5

Проверяй, откуда взялся каждый артефакт

2 минуты Не подставишься с галлюцинацией ИИ в важном документе

Перед тем как отправить отчёт коллегам, открой атрибуцию артефакта и посмотри, какие промпты и источники его сформировали — так ты не отправишь непроверенную выдумку.

Что делать

  1. 1 1. Сгенерируй артефакт (отчёт, график, слайды).
  2. 2 2. Открой панель source attribution.
  3. 3 3. Сверь спорные тезисы с указанными источниками.
6

Используй для разбора рекламных кампаний

15 минут Решение о масштабировании на цифрах, а не на ощущениях

Загрузи данные кампаний, цифры продаж и рекламные расходы — попроси посчитать, что реально сработало и стоит ли масштабировать.

Что делать

  1. 1 1. Загрузи CSV с данными кампаний, продаж и ad spend.
  2. 2 2. Попроси посчитать эффективность по каналам и выделить, что сработало.
  3. 3 3. Экспортируй вывод в таблицу или отчёт для команды.

Сценарии применения

Как разные люди применяют это на практике

Я как Исследователь

Проблема: Данные приходят из разных источников грязными и несогласованными, на их очистку уходят часы.

Хочу: Собрать всё в одном месте, привести в порядок и получить итоговый отчёт.

Поможет: Загрузить сырьё, дать агенту очистить и проанализировать, выгрузить графики и финальный отчёт одним заходом

Я как Разработчик

Проблема: Документация по новым пакетам разрозненна, а знания модели устаревают.

Хочу: Быструю актуальную выжимку, которую можно скормить кодинг-агенту.

Поможет: Собрать свежую документацию в сжатый Markdown и передать его агенту как контекст

Я как Продакт-менеджер

Проблема: Приходится вручную вычитывать плотные спецификации, чтобы донести суть команде.

Хочу: Превратить спеки в простой гайд, дорожную карту и слайды.

Поможет: Получить упрощённый гайд и презентацию из плотных документов без ручного пересказа

Я как Аналитик данных

Проблема: Постоянно строит одни и те же графики и таблицы руками.

Хочу: Автоматизировать рутину анализа и визуализации.

Поможет: Поручить агенту анализ и генерацию графиков/таблиц прямо внутри ноутбука с выполнением кода

Я как Маркетолог малого бизнеса

Проблема: Непонятно, какая кампания окупилась и что стоит масштабировать.

Хочу: Свести данные кампаний, продаж и рекламных расходов и получить вывод.

Поможет: Загрузить цифры и получить расчёт эффективности и рекомендацию по масштабированию

Я как Студент

Проблема: На изучение новой темы уходит много времени на поиск и сбор источников.

Хочу: Быстро войти в тему с проверяемыми источниками.

Поможет: Стартовать с вопроса, дать агенту найти качественные источники и разобрать тему в одном пространстве

Я как Технический писатель

Проблема: Сложную документацию тяжело превратить в понятный текст.

Хочу: Трансформировать плотные материалы в простые объяснения.

Поможет: Превратить сложную документацию в материал, который проще понять, с экспортом в нужный формат

Я как Консультант

Проблема: Клиенты не доверяют выводам, сделанным с помощью ИИ.

Хочу: Показать, на каких источниках основан каждый вывод.

Поможет: Прикладывать source attribution к артефактам и трассировать каждый тезис до источника

Логика повествования

Как устроена аргументация видео — пройди по шагам

Предпосылка Аргумент Пример Вывод
  1. Предпосылка NotebookLM был просто «чатом с документами» 0:02

    Раньше инструмент в основном суммировал PDF и отвечал на вопросы по загруженным файлам.

  2. Аргумент Под капот поставили Gemini 3.5 Flash и Antigravity 0:46

    Новый движок даёт более вдумчивые ответы и видимость хода мысли модели; в каждый ноутбук добавили безопасный облачный компьютер со 100+ навыками.

  3. Аргумент Появились выполнение кода, веб-поиск и облачная среда 2:04

    Эти элементы превращают ноутбук из пассивного чата в мини-агента, способного выполнять многошаговые задачи.

  4. Пример Бенчмарки подтверждают прирост 2:24

    Новая система обходит прежнюю более чем в 65% случаев по пяти областям, до 78.2% на продвинутом исследовании.

  5. Пример Агент сам собирает источники и готовые артефакты 3:20

    Можно начать с сырой идеи — агент найдёт источники (с разрешения) и соберёт результат в PDF, PPTX, Excel, графики и картинки через Nano Banana.

  6. Аргумент Source attribution закрывает вопрос доверия 6:38

    У каждого артефакта видно использованные промпты и источники — результат можно проверить и трассировать.

  7. Вывод NotebookLM стал агентным исследовательским рабочим пространством 7:12

    Это уже не место для свалки PDF, а агент, который сам находит, анализирует и оформляет — с заделом на видеогенерацию Omni.

Подробный разбор

Полный разбор — разверни, если нужно глубже

Развернуть подробный разбор

Ролик WorldofAI — это обзор без живой демонстрации: автор пересказывает крупный июньский апдейт NotebookLM, наполняя его привычными для AI-news-каналов «insane» и «huge». Собственных тестов и работающих примеров в кадре нет, поэтому главная ценность здесь не в анализе, а в самом списке новых возможностей: его удобно держать как чек-лист и сверять с официальным анонсом Google (раскатка апдейта стартовала 8 июня 2026-го, видео вышло 18 июня).

Что реально изменилось

Под капот NotebookLM поставили Gemini 3.5 Flash и агентный фреймворк Antigravity — чат стал показывать ход рассуждения модели. Но ключевое не в чате: в каждый ноутбук добавили безопасный «облачный компьютер» со 100+ программными навыками и выполнением кода. Из «чата с PDF» инструмент превратился в мини-агента, который ведёт многошаговое исследование.

Самое заметное на практике — две вещи. Первая: агентный поиск источников. Можно начать не с готовой папки ссылок, а с сырой идеи — NotebookLM сам найдёт релевантные источники в вебе (через Google Search) и добавит их в ноутбук с вашего разрешения. Вторая: скачиваемые артефакты. Контекст всех источников собирается в готовые файлы — PDF, DOCX, Markdown, Excel, PowerPoint, CSV, JSON, графики и картинки через Nano Banana. Сверху — source attribution: у каждого артефакта видно, какие промпты и источники легли в его основу.

Что стоит держать в голове

Бенчмарки («бьёт прошлую систему более чем в 65% случаев», 69.9% и 78.2%) — это вендор-метрики самого Google на своих тестах, без независимой проверки и без сравнения с конкурентами вроде ChatGPT Deep Research или Perplexity. Кликбейтный «agentic coder» из заголовка — преувеличение: реально речь про выполнение кода для анализа данных и построения графиков, а «кодинг» автор сам сводит к экспорту Markdown-конспекта для передачи отдельному кодинг-агенту.

Доступ на момент выхода видео — только подписчикам Google AI Ultra, на остальные платные планы апдейт придёт позже. Отдельно стоит думать про приватность: ваши документы загружаются в облачную среду Google, которая исполняет код, а агент сам ходит в веб — для чувствительных данных это вопрос комплаенса, а не только удобства. И последнее: обещанную видеомодель Omni автор прямо помечает как спекуляцию со слов «внутренних тестеров» — её стоит держать отдельно от уже вышедших функций.

План внедрения

С чего начать — отмечай шаги, прогресс сохранится

Выполнено 0 из 6

Проверь себя

Ответь на вопросы, чтобы материал закрепился

Отвечено: 0 / 7 Верно: 0

  1. 1. На какой модели теперь работает NotebookLM после апдейта?

  2. 2. Что главное добавили в каждый ноутбук?

  3. 3. Что нового умеет агентный поиск источников?

  4. 4. Какой инструмент NotebookLM использует для генерации картинок-артефактов?

  5. 5. Зачем нужна функция source attribution для артефактов?

  6. 6. Что показывают ранние бенчмарки апдейта?

  7. 7. Кому апдейт доступен на момент выхода видео?

Словарь терминов

Понять незнакомое простым языком

Показать 9 терминов
NotebookLM
Инструмент Google для работы с вашими источниками: вы загружаете файлы и ссылки, а он помогает их анализировать. После апдейта стал агентом, который сам ищет источники и собирает готовые документы.
Агентный (agentic)
Свойство ИИ не просто отвечать на вопрос, а самостоятельно планировать и выполнять многошаговую задачу — искать, анализировать, запускать код и собирать результат.
Gemini 3.5 Flash
Быстрая модель Google из линейки Gemini, на которой теперь работает чат NotebookLM. Даёт более вдумчивые ответы и показывает ход рассуждения.
Antigravity
Агентный фреймворк Google, который под капотом NotebookLM управляет инструментами и средой выполнения задач.
Облачный компьютер (secure cloud computer)
Изолированная вычислительная среда внутри каждого ноутбука, где ИИ может безопасно запускать код и пользоваться более чем сотней встроенных навыков.
Артефакт (artifact)
Готовый скачиваемый файл-результат: отчёт, таблица, презентация, график или картинка, собранный из ваших источников.
Source attribution
Привязка результата к источникам: для каждого артефакта видно, какие промпты и какие источники были использованы при его создании.
Nano Banana
Инструмент генерации изображений Google, которым NotebookLM создаёт картинки среди своих артефактов.
Omni video generation
Модель видеогенерации Gemini, которую, по словам автора (спекуляция), скоро добавят в NotebookLM для инфографики и анимаций по вашим ноутбукам.

Критический взгляд

Объективно: с какими тезисами можно поспорить и что преувеличено

Однобоко

Бенчмарки «бьёт прошлую систему >65% времени», «69.9%» и «78.2%» подаются как доказательство мощности

Это вендор-метрики самого Google на собственных тестах, без независимой проверки. «Win rate против старой системы» показывает только относительный прирост над прежним NotebookLM, а не сравнение с конкурентами (ChatGPT Deep Research, Perplexity) и не абсолютное качество. Цифры с одним знаком после запятой создают видимость точности, которую нельзя верифицировать.

Преувеличение

NotebookLM «теперь может работать как лёгкий кодер» и «агентный coder»

По самой же расшифровке речь про code execution для анализа данных и генерацию артефактов, а не про полноценную разработку. Заголовок «Agentic Coder Now?» — кликбейт: исполнение Python для построения графиков далеко от того, что делают Cursor или Claude Code. Автор сам сводит «кодинг» к экспорту markdown-доков для передачи отдельному coding-агенту.

Преувеличение

Слова «insane», «huge», «craziest part» о превращении в «полноценный research workspace»

Эмоциональная подача типового AI-news-канала. Многие «новые» возможности (web search, генерация артефактов, deep research) уже существуют у конкурентов и в самой экосистеме Google; здесь это интеграция и ребрендинг под «агентность», а не прорыв. Восторг не подкреплён живой демонстрацией реальных результатов в видео.

Однобоко

«Безопасный облачный компьютер» и автодобыча источников из веба подаются как чистый плюс

Автор не разбирает обратную сторону: ваши документы загружаются в облачную среду Google, исполняющую код, а агент сам ходит в веб. Для чувствительных данных (юридических, медицинских, корпоративных) это вопрос приватности, комплаенса и того, как материалы используются. «Безопасный» — слово маркетинга, а не аудита.

Спорно

Source attribution «huge для доверия — можно проследить, откуда инфа»

Атрибуция показывает, какие источники и промпты использованы, но не гарантирует отсутствие галлюцинаций и корректность интерпретации внутри артефакта. Видимость трассировки повышает доверие психологически быстрее, чем реальную надёжность; пользователь всё равно обязан перепроверять выводы.

Спорно

Прогноз про скорое добавление «Omni video generation» в NotebookLM

Автор прямо помечает это как спекуляцию со слов «внутренних тестеров» — то есть слух без подтверждения. Подавать непроверенный roadmap в одном ряду с уже вышедшими функциями смешивает факт и домысел; функция может не выйти, выйти иначе или быть платной/ограниченной.

Взгляни иначе

Новый угол, смежные области и потенциал на стыке — пища для размышлений

Другой угол

Не «второй мозг», а арендованный мозг

Инструменты вроде Obsidian держат знания локально и под вашим контролем; NotebookLM переносит и хранилище, и мышление в облако Google за подпиской AI Ultra. Вопрос не «что мощнее», а кому принадлежит ваш research-контур и что будет с ним при отмене подписки или смене цен.

Другой угол

Конец кастомных RAG-пайплайнов для масс

Год назад «чат со своими PDF» собирали вручную на LangChain и векторных базах. Google встраивает весь стек RAG в один продукт — это вымывает рынок DIY-решений для типовых задач, оставляя кастомным пайплайнам только нишу приватности, специфичных данных и контроля.

На стыке областей

NotebookLM как фронтенд к coding-агенту, а не сам кодер

Самый практичный сценарий из видео — собрать актуальную документацию пакета в markdown и передать её отдельному coding-агенту. Ценность не в «NotebookLM кодит», а в роли research-слоя, который готовит контекст для Cursor/Claude Code. Это стык: ресёрч-агент кормит исполнительного агента.

Смежная область

«Облачный компьютер в каждом продукте» как новый дефолт

Sandbox с исполнением кода и набором навыков перестаёт быть фичей AI-лабораторий и встраивается в массовый продукт. Если у каждого ноутбука, документа и чата появится свой compute-контейнер, граница между «приложением» и «агентом с компьютером» размывается — и это меняет ожидания ко всему софту.

Другой угол

Война идёт не за модель, а за рабочее место

OpenAI, Anthropic и Google всё меньше конкурируют интеллектом модели и всё больше — за то, где живёт рабочий процесс пользователя. Google играет дистрибуцией: NotebookLM сидит рядом с Docs, Drive и Search. Побеждает не самый умный, а тот, у кого ваши данные уже лежат.

На стыке областей

Риск для навыка ресёрча в образовании

Когда агент сам находит, чистит источники и собирает итоговый отчёт, студент перестаёт тренировать поиск, отбор и критику источников — самый ценный навык ресёрча. На стыке с педагогикой возникает вопрос: учить работать с инструментом или сознательно сохранять «ручные» этапы, чтобы мышление не атрофировалось.

Похожие разборы

Разбор

Пять июньских апдейтов Google Gemini: что реально полезно для контента и SEO

Google за раз выкатил пять обновлений Gemini — от перевода голоса в реальном времени до агентного NotebookLM, который сам ищет источники и собирает отчёты. Большинство полезны для контента уже сейчас, но автор-маркетолог завышает их значимость, а у самой эффектной фичи (DiffusionGemma) есть важная оговорка про качество.

Читать → Разбор

Graphify: как граф знаний чинит память Claude Code — разбор по 6 обзорам

Graphify один раз строит граф знаний кодовой базы или документов, и дальше Claude Code обращается к этой «карте» вместо того, чтобы каждую сессию перечитывать и грепать все файлы. Громкое «−70× токенов» — это потолок на большом связанном репозитории; на обычных проектах экономия скромнее (2–3×), а главная ценность — устойчивая память и более точные ответы.

Читать → Разбор

RAG не умер, а вырос в итеративный agentic-поиск: эмбеддинги как кэш вычислений

Простой «RAG = один вызов вектора в контекст» устарел, но сам retrieval жив и превратился в итеративный поиск агента с набором инструментов (вектор, BM25, grep). Эмбеддинги стоит понимать как кэш вычислений: разовая индексация экономит токены и поднимает точность ответов, что подтверждают метрики Cursor.

Читать → Разбор

Graphify + Obsidian: как собрать «второй мозг» для Claude Code

Graphify строит граф знаний из документации или кодовой базы, а команда graphify obsidian превращает его в связанные markdown-файлы, которые видит Claude Code. Главная практика ролика — четыре способа аккуратно влить ~600 новых файлов в своё хранилище и привязать каждый узел-концепт к исходному документу.

Читать →
← Все разборы Смотреть видео-источник