Як особистий AI-агент бере на себе ваше цифрове життя

Особисті AI-агенти вже давно вийшли за межі «чат-бота в Telegram». Один із розробників OpenClaw, Radek Sienkiewicz, кілька місяців послідовно розширював повноваження свого агента — від простого чату до системи, яка читає пошту, керує файлами, оновлює себе вночі, стежить за власним «здоров’ям» і готує робочі відповіді клієнтам. Його досвід показує, як виглядає життя, коли «ключі від комп’ютера» віддають ШІ — але роблять це не стрибком, а десятками дрібних кроків.

Інкрементальний підхід: від одного каналу до «ключів від життя»

Ключовий принцип — ніяких «великих запусків». Система не з’являється одразу як всесильний асистент, що керує всім. Вона росте разом із користувачем:

• старт з одного каналу (спочатку WhatsApp, потім Telegram, зараз Discord) — просто чат;
• додавання однієї простої задачі поверх цього каналу;
• ще один маленький workflow, ще одна автоматизація — і так далі.

Такий підхід дає дві важливі переваги:

1. Мінімум катастрофічних збоїв. Якщо щось ламається, можна «відкотитися» на один крок назад, зрозуміти причину, зафіксувати, щоб не повторювалося, і рухатися далі.
2. Непомітне ускладнення системи. Ззовні здається, що це «простий сетап», але в якийсь момент виявляється, що він уже складніший і функціональніший, ніж більшість публічних прикладів.

Цей же інкрементальний принцип спрацював і на рівні участі в проєкті: від користувача — до людини, що час від часу надсилає pull request, а потім до мейнтейнера.

Знання в Obsidian як ядро: коли ШІ бачить усе

Переломний момент — підключення особистої бази знань. У цьому випадку це Obsidian з приблизно 3 000 markdown-нотаток:

• робочі матеріали;
• особисті записи;
• задачі й проєкти;
• дослідження;
• статті;
• «вхідна» папка з посиланнями.

Усе це стає доступним агенту через кілька рівнів пошуку й пам’яті:

• звичайний пошук;
• QMD-пошук по Obsidian;
• окремі memory-файли для робочого простору.

На цьому шарі починається «магія» — не у вигляді абстрактних LLM-концепцій, а в дуже практичних сценаріях.

Автоматичне збагачення закладок

Один із показових прикладів — робота з посиланнями, які раніше просто «гнили» в закладках:

1. Користувач кидає в «inbox» посилання — це може бути твітер-тред, стаття чи відео.
2. Агент:
3. аналізує вміст;
4. додає теги;
5. прописує контекст;
6. шукає, що вже є в базі знань на цю тему;
7. створює зв’язки з іншими нотатками.

Результат: замість мертвих закладок формується жива, пов’язана база знань. До того ж агент може проактивно підсвічувати старі нотатки, коли з’являється новий матеріал на близьку тему: «у тебе вже є ось це, це і це — подивись, як воно пов’язане». Часто це повертає до важливих ідей, про які користувач уже встиг забути.

Нічна зміна: що робить агент, поки ви спите

Між приблизно 3:00 і 6:00 ранку агент працює в «фоновому режимі», готуючи систему до нового дня. Серед типових задач:

• індексація всього вмісту (зокрема Obsidian і QMD-індексів);
• бекапи, щоб у разі збою втратити максимум кілька годин роботи;
• оновлення OpenClaw із власними скриптами:
• що можна оновлювати автоматично;
• що може зламатися і чому;
• як перевірити систему перед перезапуском;
• як гарантувати, що gateway повернеться онлайн.

У підсумку вранці користувач отримує:

• оновлену систему;
• свіжі індекси;
• готові дайджести пошти й календаря (якщо вони налаштовані).

Це і є «ambient operations» — фонові операції, про які не хочеться думати, але які мають відбуватися регулярно й надійно.

Три типи роботи агента: фон, фільтрація уваги й виконання

Щоб зрозуміти, як саме агент «веде життя» користувача, зручно розкласти його роботу на три основні типи задач.

1. Ambient operations: технічна «сантехніка» системи

Це все, що:

• має відбуватися регулярно;
• не потребує участі людини;
• критично для стабільності системи.

Сюди входять:

• оновлення;
• резервні копії;
• реіндексація;
• технічні перевірки «здоров’я» системи.

LLM тут часто взагалі не потрібна — достатньо скриптів «якщо сталося X — зроби Y».

2. Фільтрація уваги: що справді важливо просто зараз

Один із найпрактичніших шарів — attention filtering. Агент має доступ до:

• пошти;
• календаря;
• бази знань в Obsidian (де зберігається контекст про проєкти, дедлайни, домовленості).

Це дозволяє йому:

• розуміти, які листи й події справді термінові й важливі;
• співвідносити нові сигнали з поточними проєктами й завданнями.

Конкретні приклади:

• збій оплати Netflix — агент помічає лист, сигналізує в Discord, проблема вирішується за кілька хвилин;
• наближення продовження домену — замість того, щоб загубитися в інбоксі, подія підсвічується, домен вчасно продовжується;
• робочі листи по проєктах — агент читає лист, співставляє з нотатками в Obsidian і готує чернетку відповіді, яка вже чекає в папці Drafts.

Фактично це шар, де ШІ бере на себе роль «секретаря», який знає весь контекст і вміє відфільтрувати шум.

3. Execution: коли агент не лише радить, а й діє

Третій тип роботи — виконання задач. Тут агент:

• отримує інструкцію;
• використовує контекст із бази знань;
• запускає скрипти й інструменти;
• повертає результат або доводить задачу до кінця (у межах дозволених повноважень).

Для цього використовується набір Discord-каналів, кожен із яких відповідає певному типу роботи:

• #general — стартові розмови, з яких часто народжуються нові окремі канали;
• #inbox — посилання для поповнення бази знань;
• #consulting — робота з клієнтами, проєктами, комерційними пропозиціями, дедлайнами й наступними кроками;
• #video-research — дослідження YouTube-контенту для наступних епізодів;
• #briefing — ранкові брифінги;
• #instagram — підготовка постів для соцмереж;
• #youtube — допомога у створенні відео;
• #openclaw — задачі мейнтейнера;
• #playground — полігон для експериментів з моделями, workspace’ами й конфігураціями пам’яті.

Якщо експеримент у #playground виявляється вдалим, його «підвищують» до постійної частини системи. Якщо ні — просто відкидають.

Архітектура: LLM для судження, скрипти для дій, пам’ять як вузьке місце

Система складається з кількох ключових компонентів, які мають працювати разом.

LLM як «мозок» для судження

Модель використовується там, де потрібні:

• розуміння тексту (листи, нотатки, статті);
• побудова зв’язків між сутностями;
• прийняття рішень, що робити далі.

Приклади:

• визначити, чи лист терміновий;
• знайти релевантні нотатки в Obsidian;
• сформулювати чернетку відповіді.

Скрипти як «м’язи» для дій

Скрипти відповідають за:

• конкретні дії без потреби в «розумінні»;
• повторювані процедури (бекапи, оновлення, перевірки).

Формула проста: «якщо сталося X — зроби Y». У таких випадках LLM можна взагалі не залучати.

Пам’ять: soulm, agents.md і critical-rules.md

Окремий пласт роботи — оптимізація пам’яті:

• soulm — файл із «душею» агента (довгострокові установки й контекст);
• agents.md — опис агентів і їхніх ролей;
• critical-rules.md — файл із критичними правилами, які не можна ігнорувати.

На практиці виявилося, що:

• навіть якщо правила прописані в agents.md чи soulm, агент може їх «забути»;
• винесення ключових обмежень у critical-rules.md і розміщення посилань на нього високо в agents.md підвищує надійність виконання.

Система пам’яті еволюціонувала:

• від одного великого memory-файла;
• до цілого memory-фолдера;
• із додаванням механізмів на кшталт «dreaming» — просування важливих спогадів.

Перевага OpenClaw у тому, що все це — звичайні markdown-файли: їх можна читати, редагувати, перевіряти, як будь-який текст.

Слабкі місця: погана пам’ять, крихкі автоматизації й «шумні» нотатки

Чим складніша система, тим більше в ній потенційних проблем. Серед головних викликів:

Погана пам’ять, що накопичує помилки

Якщо:

• пам’ять налаштована невдало;
• кількість нотаток і спогадів зростає до тисяч;

— помилки починають накопичуватися й підсилюватися. Це вимагає:

• регулярної роботи з memory-файлами;
• продуманого структурування бази знань.

Крихкі автоматизації

Особливо небезпечні багатокрокові (10+ кроків) сценарії:

• вони майже гарантовано ламаються в якийсь момент;
• відлагоджувати їх складно.

Рекомендації:

• ділити складні сценарії на простіші;
• додавати ефективні guardrails (перевірки, валідації, fallback-логіку).

«Шумні» нотатки

З часом у базі знань накопичуються:

• застарілі;
• дубльовані;
• малокорисні записи.

Їх потрібно регулярно чистити, щоб не перетворити пам’ять на смітник, який заважає агенту знаходити справді важливе.

Слабкі межі й правила

Якщо:

• правила розмиті;
• файли на кшталт soulm і critical-rules.md не продумані;

— агент може:

• робити зайве;
• не робити критично важливого.

Тому межі повноважень і поведінки потрібно оптимізувати під власні потреби, а не копіювати чужі конфігурації.

Оптимізація під «майбутнього себе»

Останній, але концептуально важливий принцип — оптимізувати систему не під «теперішнього себе», а під «майбутнього».

Мислення виглядає так:

• «минуле я» — лінивий, нічого не зробив, усе доводиться розгрібати зараз;
• «майбутнє я» — майже міфічна істота, яка «якось потім усе зробить».

Завдання агента — стати союзником майбутнього «я»:

• зробити максимум роботи наперед;
• підготувати контекст, відповіді, структуру;
• щоб, прокинувшись завтра, людина отримала світ, у якому «якнайбільше вже зроблено кимось іншим».

Це не про повну делегацію життя ШІ, а про системне зняття з себе рутинних і технічних навантажень — через десятки маленьких кроків, а не один великий стрибок.

Джерело

YouTube: I Gave an AI Agent the Keys to My Life (Here’s What Happened)