Χρησιμοποιήστε coding agents για να ενισχύσετε τη βάση γνώσης σας.
Μια βάση γνώσης είναι ένας χώρος όπου αποθηκεύετε μεγάλο όγκο πληροφορίας, διαθέσιμη για μελλοντική χρήση. Η αξία της είναι μεγάλη.
Τον τελευταίο καιρό δουλεύω συστηματικά στο στήσιμο βάσης γνώσης και στη διοχέτευση όσο περισσότερου context γίνεται, ώστε να βελτιώσω όλα τα παραπάνω. Οι βάσεις γνώσης ήταν χρήσιμες και πριν από τα LLMs, επειδή είναι πάντα σημαντικό να έχεις πρόσβαση σε παλιότερη γνώση. Σήμερα όμως έχουν γίνει πολύ πιο ισχυρές χάρη στα LLMs.
Αυτό συμβαίνει για δύο βασικούς λόγους.
Σε αυτό το άρθρο εξηγώ γιατί αξίζει να στήσετε τη δική σας βάση γνώσης με LLM, πώς να καταγράφετε όσο το δυνατόν περισσότερη πληροφορία και πώς να τη χρησιμοποιείτε ενεργά.
Έχω αναφερθεί ξανά στο θέμα, αλλά όσο αυξάνεται η δημοφιλία του, τόσο περισσότερο με κερδίζει. Για παράδειγμα, ο πρόεδρος του Y Combinator φτιάχνει το GBrain, ενώ ο Andrej Karpathy χτίζει ένα LLM wiki· και τα δύο είναι παραδείγματα βάσεων γνώσης.
Δεν υπάρχει «σωστός» τρόπος για να φτιάξεις μια βάση γνώσης. Το σημαντικό είναι να αρχίσετε να αποθηκεύετε όλο το context σε μία βάση και να μάθετε να την κάνετε query αποτελεσματικά, συνεχώς — όταν γράφετε κώδικα, σε συναντήσεις κ.λπ.
Γιατί χρειάζεστε μια βάση γνώσης
Πρώτα, γιατί να έχετε βάση γνώσης. Μπορεί να είναι προσωπική, με όλο το δικό σας context, ή εταιρική, με τη συσσωρευμένη γνώση της ομάδας.
Ο λόγος είναι απλός: η πληροφορία είναι εξαιρετικά πολύτιμη. Όσο περισσότερη αποθηκεύετε και μπορείτε να ανακτήσετε όταν χρειάζεται, τόσο καλύτερα θα αποδίδετε. Θα μπορείτε, για παράδειγμα, να παίρνετε καλύτερες αποφάσεις και να κινείστε ταχύτερα.
Οι ίδιες αρχές ισχύουν είτε για προσωπική είτε για εταιρική βάση γνώσης. Πιστεύω επίσης ότι έχουν γίνει πολύ πιο ισχυρές επειδή μπορείτε να τις κάνετε query με LLMs. Παλαιότερα θα έπρεπε να ψάξετε χειροκίνητα για να βρείτε τι είναι σχετικό. Θα στηριζόσασταν στη μνήμη σας για να θυμηθείτε τι υπάρχει και αν αξίζει να το αναζητήσετε.
Πλέον αυτό αλλάζει. Το LLM μπορεί να κάνει μόνο του query στη βάση γνώσης, π.χ. με μια προσέγγιση τύπου RAG, και να βρίσκει αυτόματα τα σχετικά στοιχεία άμεσα. Μπορεί επίσης να αποφασίζει μόνο του πότε χρειάζεται να τη χρησιμοποιήσει.
Με άλλα λόγια, αφαιρείται η ανάγκη του human-in-the-loop για πρόσβαση στη βάση γνώσης, κάτι που την κάνει πολύ πιο ισχυρή.
Καταγραφή πληροφορίας στη βάση γνώσης
Το πρώτο βήμα είναι φυσικά η καταγραφή. Ανάλογα με το πώς θα δομήσετε τη βάση σας, αυτό μπορεί να γίνει με πολλούς τρόπους.
Ξεκινήστε χαρτογραφώντας όλες τις πηγές πληροφορίας στις οποίες έχετε πρόσβαση, προσωπικά ή ως εταιρεία. Για παράδειγμα: εργαλεία διαχείρισης έργων, meeting notes, κώδικας και review σχόλια, email, chat, logs από τους coding agents, τεχνική τεκμηρίωση και εσωτερικά wikis.
Θα βρείτε και άλλες πηγές, ανάλογα με το πώς και πού εργάζεστε. Το ζητούμενο είναι να τις καταγράψετε και να βρείτε έναν αυτόματο τρόπο δρομολόγησης των δεδομένων στη βάση γνώσης.
Κανείς δεν θα αφιερώνει χρόνο για χειροκίνητες εισαγωγές. Χρειάζεται αυτοματοποίηση, αλλιώς η βάση δεν θα είναι ποτέ ενημερωμένη.
Είναι κρίσιμο η ροή από την πηγή στη βάση να είναι πλήρως αυτόματη. Αν απαιτείται χειροκίνητο βήμα (π.χ. copy-paste των meeting notes), αργά ή γρήγορα θα το ξεχάσετε και θα χαθεί σημαντικό context — κάτι που αναιρεί την ίδια τη λογική της βάσης γνώσης. Στόχος είναι να αποθηκεύεται απολύτως ό,τι συμβαίνει, χωρίς εξαιρέσεις. Εκεί κρύβεται η δύναμή της.
Για παράδειγμα, με τα meeting notes μπορείτε να έχετε ένα καθημερινό cron job που τα συγχρονίζει. Παίρνει κάθε σημείωση από τα meetings που έγιναν στην εταιρεία ή από εσάς και τη γράφει στη βάση. Αντίστοιχο cron job μπορείτε να στήσετε για το Linear ή το εργαλείο διαχείρισης έργων. Συγχρονίστε όσα δουλέψατε με τον coding agent και ό,τι συζητήσατε μαζί του. Όλα αυτά μπορούν να μπαίνουν εύκολα στη βάση γνώσης με καθημερινό συγχρονισμό.
Οι συζητήσεις στο φυσικό γραφείο είναι πιο δύσκολο να αυτοματοποιηθούν πλήρως. Δεν το έχω λύσει ακόμη οριστικά, αν και υπάρχουν επιλογές.
Πιθανόν όμως να μην χρειάζεται ρητά να αποθηκεύετε τις δια ζώσης συζητήσεις. Τις περισσότερες φορές, μετά από μια κουβέντα στο γραφείο, είτε εγώ είτε το άλλο άτομο μεταφέρουμε το context στον coding agent. Συνήθως η συζήτηση προκύπτει από απορία για μια υλοποίηση· αν αυτή η γνώση χρησιμοποιηθεί αμέσως μετά στον agent, μπορείτε να την ανακτήσετε από τα logs του.
Αν πετύχετε αυτό το βήμα και αποθηκεύετε καθημερινά όλο το context στη βάση, έχετε κάνει το δύσκολο κομμάτι. Στη συνέχεια έρχεται το πιο εύκολο: η ενεργή αξιοποίηση της πληροφορίας όταν παίρνετε αποφάσεις ή δουλεύετε με τους coding agents.
Αξιοποίηση της βάσης γνώσης
Με μια συγχρονισμένη βάση που περιέχει ό,τι χρειάζεστε, περνάτε στην πράξη. Βλέπω δύο βασικές προσεγγίσεις:
– Να ρωτάτε ρητά τη βάση όταν δεν είστε βέβαιοι για κάτι.
– Να την αξιοποιεί παθητικά ο coding agent την ώρα που εργάζεται (υλοποίηση, bug fixing κ.λπ.).
Η πρώτη εφαρμογή είναι αυτονόητη. Ας σταθώ στη δεύτερη.
Όταν ο coding agent χρησιμοποιεί παθητικά τη βάση γνώσης κατά την εκτέλεση μιας εργασίας, το όφελος είναι μεγάλο. Υπάρχουν δύο κύριες μέθοδοι.
Grep-based inference
Μια λύση είναι να διατηρείτε ένα top-level αρχείο markdown που εξηγεί τη δομή της βάσης και πού βρίσκεται τι. Το αρχείο ενημερώνεται κάθε φορά που προστίθεται υλικό.
Το πλεονέκτημα είναι ότι χρησιμοποιείτε grep, που συχνά είναι πιο ισχυρό από αναζήτηση με embeddings, επειδή εντοπίζει ευκολότερα το σωστό περιεχόμενο όταν χρειάζεται. Το μειονέκτημα είναι ότι πρέπει να περνάτε αυτό το markdown συνεχώς στο context του LLM. Το αρχείο μπορεί να μεγαλώσει πολύ και να γίνει πρόβλημα.
Embedding-based inference
Η δεύτερη μέθοδος είναι η αναζήτηση με embeddings. Αυτό κάνει το GBrain. Κάθε φορά που τρέχει ένα query, εκτελείται embedding search (τύπου RAG) πάνω στη βάση γνώσης και ανακτώνται σχετικά αποσπάσματα. Αν το LLM κρίνει ότι βρήκε κάτι χρήσιμο, μπορεί να εμβαθύνει στα αντίστοιχα αρχεία.
Κατά τη γνώμη μου, αυτή είναι συχνά καλύτερη προσέγγιση για inference, επειδή δεν απαιτεί ρητή αναζήτηση ούτε κατανάλωση πολλών input tokens από τη βάση για κάθε εργασία.
Σε κάθε περίπτωση, το τι λειτουργεί καλύτερα εξαρτάται από τα δικά σας use cases.
Συνολικά, σας προτρέπω να ξεκινήσετε να αποθηκεύετε όλο το context σας σε μια βάση γνώσης και να στήσετε αυτόματη ροή από κάθε πηγή πληροφορίας.
Έπειτα, να τη χρησιμοποιείτε ενεργά σε κάθε εργασία στον υπολογιστή μέσω ενός coding agent (ιδανικά, για όλη τη δουλειά σας). Οι βάσεις γνώσης θα γίνουν εξαιρετικά ισχυρές και πολύτιμες τα επόμενα χρόνια, προσφέροντας και πλεονέκτημα: η πρόσβαση σε πολύ και ειδικό πληροφοριακό υλικό θα κάνει διαφορά. Πρόκειται για δεδομένα ειδικά για την εταιρεία σας ή το προσωπικό σας context, στα οποία συχνά μόνο εσείς έχετε πρόσβαση. Αν δεν τα αποθηκεύετε, δεν θα μπορέσετε να τα ανακτήσετε στο μέλλον.
👉 My free eBook and Webinar:
🚀 10x Your Engineering with LLMs (Free 3-Day Email Course)
📚 Get my free Vision Language Models ebook
💻 My webinar on Vision Language Models
👉 Find me on socials:
Το Towards Data Science είναι community publication. Υποβάλετε τα κείμενά σας για να φτάσουν σε παγκόσμιο κοινό και να αμειφθείτε μέσω του TDS Author Payment Program.
