У новому гайді про Claude Code підприємець і розробник Остін Маркезе демонструє, як перетворити особисту цифрову історію — від чатів з LLM до файлів на комп’ютері й аудіо-щоденників — на єдине сховище даних. Його підхід — це практичний спосіб створити персональний “data lake”, на якому можна будувати самонавчальну систему поверх Claude Code.
Ключова ідея другого кроку його п’ятиетапного фреймворку BUILD звучить просто: перш ніж вимагати від системи “самоудосконалення”, потрібно зібрати і залити в неї все, що вже зроблено. Далі саме ця історія стане найціннішим шаром даних для персоналізованих AI-інструментів.
Чому все починається з масового інгесту
Другий крок фреймворку Маркезе називається “Upload: identify your data + bulk ingest”. Логіка пряма: перед тим як говорити про “self‑improving”, варто зібрати весь попередній досвід взаємодії з AI й власні напрацювання в одному місці.
Він пропонує думати про це як про створення особистого озера даних. Спочатку це озеро потрібно наповнити всім, що вже існує — історичними чатами, файлами, листуванням, власними історіями й цілями. Лише після такої “заливки” система стає здатною вчитися не на абстрактних прикладах, а на реальній поведінці конкретної людини.
Цей масовий інгест Маркезе вибудовує навколо трьох джерел: історії взаємодії з AI, персональної цифрової екосистеми та “життєвої історії” з проєктними цілями.
Історія діалогів з AI як найцінніший шар даних
Першим джерелом він ставить особливу категорію — AI inputs. Це все, що користувач уже створив, просто спілкуючись із моделлю. В практиці Claude Code це означає історію сесій у терміналі.
Маркезе називає цю історію “найрелевантнішими тренувальними даними”, тому що це буквально те, як користувач задає питання й формулює задачі всередині AI-екосистеми. Це не абстрактний “профіль користувача”, а жива послідовність реальних запитів і відповідей, які відображають стиль мислення, проблеми, пріоритети й мову.
Технічно Claude вже зберігає всі сесії локально, тож на диску є файл, через який можна аналізувати історичні розмови. Маркезе пропонує запускати спеціальний промпт, який:
- проходить по сесійній історії Claude;
- витягує звідти “чіткі висновки” для проєкту;
- генерує пропозиції по нових або покращених скілах.
Важлива деталь у цьому промпті — пряма фраза на кшталт “запропонуй способи, як ми можемо покращити мою систему”. Таким чином історичні діалоги стають не просто архівом, а безпосереднім джерелом ідей для розвитку інструментів, з якими користувач працює щодня.
Персональна екосистема: комп’ютер, пошта та цифровий слід
Другим великим шаром Маркезе називає personal ecosystem data. Це все, що людина створює у своїх цифрових середовищах: на комп’ютері, в пошті, у сервісах, де працює щодня. Він описує це як “власний data footprint” — слід, який уже сформовано роками роботи.
Підхід тут знову практичний: потрібно не вигадувати нові джерела, а максимально зібрати й під’єднати ті, що вже існують.
Перший крок у цьому блоці — попросити Claude проаналізувати власний комп’ютер. Промпт, який пропонує Маркезе, звучить приблизно так: “Проаналізуй мій комп’ютер і визнач файли, які, на твою думку, варто інгестувати в систему”. Claude Code з таким запитом проходить файлову структуру, відшукує релевантні документи та пропонує, що варто додати в knowledge base.
Ідея в тому, що значна частина цінної інформації вже лежить у папках: специфікації, нотатки, стратегії, презентації. AI може допомогти швидко відібрати те, що варто перенести в проєкт, не змушуючи користувача вручну горнути весь диск.
Другий крок — поштовий архів. Маркезе конкретно згадує два типових інструменти експорту: Google Takeout для Gmail і Outlook export для Outlook. В обох випадках результатом є файл-експорт листування, який потім можна подати в Claude.
Тут він пропонує дві основні задачі для Claude:
по-перше, проаналізувати стиль письма користувача — як формулюються листи, які конструкції й тональність використовуються;
по-друге, знайти потенційні місця, де AI ще не використовується, але міг би допомогти: повторювані задачі, типові відповіді, шаблони листування.
Маркер важливої обмовки — питання приватності. Якщо людина хвилюється щодо того, що буде з цими даними, Маркезе пропонує просте рішення: “просто пропустіть цю частину”. Масовий інгест — потужний інструмент, але він не повинен іти врозріз з комфортом щодо конфіденційності.
Для всього цього шару персональних даних він використовує окремий промпт для Claude Code, який допомагає саме “інгестувати ці два набори даних” — локальні файли й експорт пошти — в уже створений проєкт.
“Життєва історія” як контекст, якого бракує LLM
Третім джерелом Маркезе називає те, про що більшість навіть не замислюється, — власну “life story and project goals”. На його думку, це найпростіший, але часто забутий спосіб дати AI контекст, якого той не має “з коробки”.
Механіка тут дуже низькопорогова: достатньо просто сісти й проговорити вголос свою історію. Він пропонує записати себе, розповідаючи:
хто ви, яким шляхом прийшли до поточних задач;
які проєкти є ключовими зараз;
чого хочете досягти в короткій і довшій перспективі;
які принципи й обмеження для вас важливі.
Отриманий аудіозапис завантажується в Claude. Далі вступає в гру промпт, який Маркезе формулює в два кроки.
Спочатку — “проаналізуй цей запис”. Claude витягує ключові факти, цілі, патерни, пріоритети. Потім — “проведи зі мною інтерв’ю, щоб заповнити те, що я міг пропустити”. Модель ставить уточнювальні питання, допомагаючи дорозкрити картину: розпитує про деталі, суперечності, відсутні фрагменти.
Після серії таких інтерв’ю-кроків користувач отримує фіналізований файл. Його Маркезе пропонує додати як тренувальні дані в проєкт: “once finalized, add this as training data to my project”. Важливий наслідок — це вже не просто примітка в одному середовищі, а переносний контекстний файл, який “можна взяти з собою куди завгодно”.
За задумом, цей файл пояснює будь-якій AI-системі, з якою ви працюєте, важливі речі, яких вона “напевно раніше не мала”: ваші довгострокові цілі, стиль мислення, правила гри, що для вас прийнятно, а що ні. Це повинен бути концентрат особистісного контексту, який дає моделі шанс працювати не “усереднено”, а відштовхуючись від конкретної людини.
Один сеанс для всієї “заливки”
Щоб не перетворити інгест на нескінченний ручний процес, Маркезе пропонує зібрати все в один потік. Він згадує окремий промпт, який дозволяє “запустити весь bulk ingest в одній сесії”.
У цьому підході зводяться докупи три згаданих джерела:
історія сесій Claude;
персональна екосистема (файли з комп’ютера, експорт пошти);
життєва історія та цілі у вигляді запису й інтерв’ю.
Claude Code послідовно проходить по кожному джерелу, аналізує, структурує й вносить отримані дані в проєктну knowledge base. Паралельно модель може створювати або уточнювати скіли, що відображають реальні, а не гіпотетичні задачі користувача.
Після цього етапу, за задумом Маркезе, система опиняється в принципово іншому стані: вона вже не просто “порожній каркас” із кількома базовими файлами та універсальними промптами, а жива конструкція, насичена особистими патернами, стилями й історією ухвалення рішень.
Висновок: персоналізація через власний контент
Другий крок фреймворку BUILD, присвячений масовому інгесту, фактично відповідає на питання, чим можуть бути “дані” для індивідуальної AI-системи. У підході Маркезе це не абстрактні набори прикладів, а той цифровий шар, який уже існує навколо кожної людини: чати з моделлю, папки на диску, пошта, біографія й цілі, проговорені вголос.
Комбінація трьох джерел — AI-історії, персональної екосистеми та життєвого контексту — перетворює Claude Code на інструмент, який може опиратися не лише на загальні знання моделі, а й на конкретну траєкторію свого користувача.
І саме з цього рівня, на думку Остіна Маркезе, має починатися будь-яка розмова про “self‑improving systems”: без насиченого особистими даними “озера” вся подальша автоматизація залишиться лише красивою абстракцією.
Джерело
YouTube — How to Build A Self-Improving System with Claude Code