Второй мозг (personal-kb-agent)

Собирайте, Strukturujte и используйте знания из Telegram и YouTube — вместе со своим ИИ-агентом.

🎯 Что это и зачем нужно

Проблема, которую решает kb-agent

Ежедневно получаете поток полезной информации из Telegram-каналов, YouTube, сайтов и своих файлов. Часть материалов теряется, часть забывается, а связей между разными источниками почти не остаётся. Чтобы найти нужную мысль, приходится перечитывать десятки постов вручную.

kb-agent решает эту проблему: он автоматически собирает материалы из выбранных вами источников, суммаризирует их через LLM и сохраняет структурированные заметки в ваш Obsidian vault. Все заметки связаны между собой, проиндексированы и доступны для поиска — как вам, так и любому ИИ-агенту (Cursor, Claude Code, Hermes, OpenCode и др.).

JTBD (Задачи, которые решает пользователь)

Related MCP server: obsidian_mcp

💡 Что вы получаете

Для человека (пользователя Obsidian / KB)

Для ИИ-агентов (Cursor, Claude Code, Hermes, OpenCode, Kimi Claw и др.)

🚀 Быстрый старт

1. Установка

# Клонируйте репозиторий
git clone https://github.com/DenisZakharov2/personal-kb-agent.git
cd personal-kb-agent

# Установите зависимости
pip install -e .

# Проверьте установку
kb-agent --version

2. Настройка (.env)

cp .env.example .env
# Отредактируйте .env — укажите путь к vault, каналы, ключ LLM

3. Первое интервью (обязательно перед стартом)

kb-agent interview init

Агент задаст несколько вопросов о целях, темах, источниках и частоте сбора — и создаст ваш user_profile.yaml.

4. Запуск конвейера

# Собрать материалы из всех источников и суммаризировать в vault
kb-agent process run

# Или получить дайджест запуска
kb-agent process digest

5. Работа с базой знаний

# Задать вопрос и получить ответ со ссылками на заметки
kb-agent ask "Что я накопил по теме ИИ-агентов?"

# Поиск заметок (список)
kb-agent search "автоматизация n8n"

# Инсайты — повторяющиеся темы и связи
kb-agent insights

# Проверка на дубликаты
kb-agent update check

6. Управление источниками

# Список всех источников
kb-agent sources list

# Добавить канал Telegram
kb-agent sources add telegram https://t.me/s/novyikanal

# Добавить YouTube канал
kb-agent sources add youtube https://youtube.com/@novyykanal

# Включить/выключить источник
kb-agent sources enable tg_ragnarokzone
kb-agent sources disable yt_staryykanal

# Удалить источник
kb-agent sources remove tg_staryykanal

⚠️ Все изменения источников проходят через stages «pending → confirm» — вам нужно подтвердить применение через kb-agent confirm <id>.

7. MCP-сервер для AI-агентов

# Запустить сервер (один раз, в терминале или как сервис)
kb-agent mcp-serve

Подключите в вашем AI-агенте (например, в .cursor/mcp.json):

{
  "mcpServers": {
    "kb-agent": {
      "command": "kb-agent",
      "args": ["mcp-serve"]
    }
  }
}

Теперь ваш агент может:

• Искать по вашим заметкам: kb_search("ИИ-агенты")

• Читать содержимое заметки: kb_get_note("note_id")

• Получать инсайты: kb_get_insights()

🏗️ Архитектура

┌─────────────────────────────────────────────────────────┐
│                       ЧЕЛОВЕК                            │
│  Цели • Вопросы • Обратная связь • Управление источниками │
└──────────────────────┬───────────────────────────────────┘
                       │ CLI / MCP
┌──────────────────────▼───────────────────────────────────┐
│                    kb-agent CLI / MCP                     │
│  ask • search • insights • sources • process • feedback   │
│  self-improve • interview • mcp-serve                     │
└──────────────────────┬───────────────────────────────────┘
                       │
┌──────────────────────▼───────────────────────────────────┐
│              Конвейер (Pipeline)                          │
│  Сбор → Relevance Gate → LLM суммаризация → Vault        │
└──────────────────────┬───────────────────────────────────┘
                       │
    ┌──────────────────┼──────────────────┐
    ▼                  ▼                  ▼
 raw_queue        notes_fts (FTS5)   note_links
 (SQLite)         (полнотекстовый     (связи между
                  поиск)              заметками)

Стек: Python 3.10+, SQLite + FTS5, Pydantic v2, Typer, Rich, httpx, MCP, PyYAML.

📋 Возможности по этапам

🔄 Как конвейер работает под капотом

1. Сбор — novos посты из Telegram и видео из YouTube попадают в raw_queue

2. Relevance Gate — материал проверяется на соответствие вашим целям и темам из профиля

3. Суммаризация — LLM restructures сырый текст в структурированную заметку (суть, идеи, инструменты, выводы, теги)

4. Запись — заметка сохраняется в тематическую папку vault с YAML frontmatter и [[ссылками]]

5. Индексация — заметка добавляется в FTS5-индекс для поиска

6. Каталог — Каталог.md пересобирается автоматически

7. Дайджест — Дайджест.md в vault со статистикой запуска

🔐 Безопасность и приватность

• Все данные остаются локально — notes, база состояния, профиль хранятся на вашем компьютере

• Исходный текст изолируется от системных инструкций LLM — защита от промпт-инъекций

• MCP-сервер read-only в первой версии — агенты могут только читать, не менять конфигурацию

• Подтверждение человека требуется для любых изменений источников (add/remove/enable/disable)

📊 Обратная связь и самоулучшение

# Оценить заметку (1–5)
kb-agent feedback rate <note_id> 5 --comment "Отличная суммаризация"

# Оставить произвольное сообщение
kb-agent feedback tell "Нужно больше примеров кода"

# Посмотреть метрики качества
kb-agent feedback metrics

# Посмотреть предложения по улучшению промптов
kb-agent self-improve

Agent собирает ваши оценки, считает среднюю оценку и предлагает улучшения промптов — но применяет их только с вашего подтверждения.

🤝 Участие в развитии

Проект развивается открыто. Вы можете:

• Сообщать о багах и предлагать функции через GitHub Issues

• Присылать Pull Requests с улучшениями

• Добавлять новые источники (наследуйте BaseSource из kb_agent/sources/base.py)

Все изменения в коде — под лицензией MIT.

📄 Лицензия

MIT — см. LICENSE.

🔗 Связанные проекты

• Obsidian — хранилище заметок (vault)

• Model Context Protocol (MCP) — стандарт для AI-агентов

• yt-dlp — сбор YouTube метаданных и субтитров

Сделано с ❤️ для осознанного управления знаниями. Если вам помог этот проект — поставьте ⭐️ и поделитесь с коллегами.