AGENTS.md Схема для компилируемых ИИ-системами баз знаний со слоем обучения

Разработчик опубликовал AGENTS.md v1.0 — стандарт схемы для создания персональных баз знаний, компилируемых LLM с использованием Claude. Подход заключается в помещении исходных материалов в папку, после чего Claude компилирует концептуальные статьи, обратные ссылки и индексные файлы напрямую в markdown без использования RAG или векторных баз данных.

Детали схемы

Файл AGENTS.md версионируется и содержит 14 разделов, охватывающих структуру каталогов, рабочие процессы компиляции, запросов, линтинга, слой обучения, правила качества и меры по предотвращению загрязнения. При помещении в любой каталог Claude читает его в начале каждой сессии, чтобы понять, как структурировать вики, называть файлы, проводить линтинг на противоречия, обрабатывать уровни уверенности и избегать загрязнения вики низкокачественным выводом агента.

Добавление слоя обучения

Помимо оригинального рабочего процесса архивирования Карпати, эта реализация добавляет слой обучения, в котором Claude автоматически генерирует карточки из каждой концептуальной статьи, которую он пишет. Он поддерживает очередь повторения с интервалами, используя алгоритм FSRS, и отслеживает пробелы в знаниях, обнаруженные во время линтинга.

Реализация в Claude Code

Разработчик использовал Claude Code для:

• Итерации над схемой AGENTS.md в течение десятков сессий до достижения согласованного поведения агента
• Написания всех 50 файлов репозитория, включая шаблоны, документацию и рабочий пример вики по теме выравнивания ИИ
• Выявления несоответствий в схеме, таких как различия в соглашениях о путях frontmatter между спецификацией и примерами статей
• Компиляции рабочего примера вики (5 концептуальных статей, карточки, очередь повторения, трекер пробелов) за одну сессию

Содержимое репозитория

Репозиторий на GitHub включает:

• Спецификацию AGENTS.md v1.0
• Шаблоны для каждого типа файлов (концепция, резюме, тема, карточка, отчет линтинга, отчет вывода)
• Рабочий пример вики, полностью заполненный темой выравнивания ИИ
• Документацию, охватывающую причины отказа от RAG, дизайн слоя обучения, меры по предотвращению загрязнения и путь тонкой настройки

Проект лицензирован под MIT и доступен разработчикам, работающим с ИИ-агентами для программирования, для структурирования и освоения своих персональных баз знаний.