Я строю себе «Второй мозг» на n8n + Gemini 3 + Supabase + TG. Часть 1. Добавляем и извлекаем данные из хранилища (RAG). Уже несколько месяцев обдумываю эту систему. Смотрю видео, читаю статьи, пытаюсь понять, с чего правильно начать. Изначально хотел просто наговаривать все свои мысли и идеи, но быстро понял: а в чём толк, если это никак не валидируется с моими текущими целями? Мне не нужна просто база знаний. Мне нужна система, которая помогает принимать решения. Я хочу, чтобы цифровой ассистент знал обо мне всё: от медицинских анализов и физического состояния до специфики работы и доступных ресурсов. Суть простая — любую мысль или идею пропускать через призму глубокого знания обо мне. В перспективе это будет полноценный «пункт управления жизнью», где ИИ — и персональный бизнес-ассистент, и тренер, и терапевт, и коуч 🤖 Но такой космолёт нельзя собрать за раз 🚀 Поэтому начинаю с главного — с головы. Шаг 1. Система, которая умеет говорить «НЕТ» ❌ Реализую это на стеке n8n + Supabase + OpenAI или Gemini 3. В векторном хранилище лежат мои цели на 3 года, ценности и стратегия. Когда я закидываю новую мысль — например, «хочу запустить новый проект» или «надо купить вот эту штуку» — система не просто сохраняет её, а делает scoring. Логика работает как жёсткий фильтр. Нейросеть на лету сравнивает новую идею с моим долгосрочным вектором. Она считает impact (насколько это приближает к целям) и effort (сколько ресурсов это съест). Если я пытаюсь потратить время на ерунду, когда фокус должен быть на другом, система видит конфликт в данных и буквально бьёт по рукам: «Стоп. Это конфликтует с целью №1. Сейчас твой фокус в другом». В итоге это не просто «умный поиск», а цифровой партнёр, который регулярно возвращает меня к реальности. Почему обычный ChatGPT так не сможет? У ChatGPT, даже с памятью, есть две проблемы. Он yes-man и у него нет доступа к жёсткой структуре вашего опыта. Он не знает, что вы решили полгода назад, не видит реальный статус задач, ресурсов и анализов. Моё решение — это state management жизни, где нейросеть всего лишь процессор, а «правда» лежит в защищённой базе данных, настроенной лично под меня. Как бы это странно не звучало 😁 В основе — hybrid search в Supabase 🔍 Чтобы система работала безошибочно, я использую hybrid search: комбинацию векторного поиска и классического полнотекстового. Вектор понимает смысл и контекст даже при разных формулировках, а полнотекстовый находит точные названия проектов, цифры и ключевые слова. Если я спрошу про «финансовую подушку», вектор найдёт цели по сбережениям. Если про конкретный «Проект Х» — ключевики подтянут все связанные заметки. Алгоритм RRF смешивает результаты и гарантирует, что LLM получает не галлюцинации, а точную фактуру из моей базы. На данный момент я уже перенёс свои планы и цели в систему и научился корректно извлекать их по запросу из БД. Да, сам запрос тоже переводится в векторное представление. Дальше надо простраивать всю остальную логику, которую я выше описал. Обязательно надо предусмотреть серьезное шифрование данных в базе данных. Фухх, давно этот пост откладывал.