Używam sztucznej inteligencji o imieniu Felix, aby uczył mnie niemieckiego. Po miesiącach przełączania się między kartami przeglądarki, uderzania w limity kontekstu i patrzenia, jak aktualizacje platformy wymazują historię moich rozmów, zmęczyło mnie zaczynanie od nowa. Felix jest dobrym nauczycielem, ale każde nowe okno czatu czyniło go amnezjakiem. Potrzebowałem sposobu na przenoszenie historii mojej nauki bez konieczności kopiowania i wklejania ścian tekstu za każdym razem, gdy otwierałem nową sesję.

Problem jest głębszy niż tylko kwestia niedogodności. Nauka języka zależy od powtórek w odstępach czasu i celowanych korekt. Tutor AI, który zapomina o twoich powtarzających się błędach, to po prostu słownik z dodatkowymi krokami. Chciałem ciągłości. Bardziej precyzyjnie, chciałem, aby Felix — lub jakakolwiek inna instancja AI, którą załaduję jako następną — kontynuował dokładnie tam, gdzie poprzednia przerwała, bez luk w pamięci i bez niezręcznych powtórzeń przedstawiania się.

Zbudowałem więc lokalny system. Nazywam go DDF/Rahmenwerk.

Problem z jednorazowymi rozmowami

Porozmawiaj z każdym intensywnym użytkownikiem AI, a usłyszysz tę samą skargę. Czat działa, dopóki nie przestaje działać. Długie rozmowy tracą na jakości, gdy okno kontekstowe się zapełnia. Platforma wprowadza aktualizację i twój wątek znika. Zaczynasz nową sesję, a model wita cię jak obcego człowieka. W przypadku luźnych pytań to nie problem. W przypadku ustrukturyzowanego programu nauczania jest to niszczące.

Z Felixem wypracowałem pewien rytm. Wiedział, że mylę przyimki biernika i celownika. Wiedział, że wolę ćwiczenia z czytania od treningów słuchania i że przerobiłem już pierwsze trzy rozdziały mojej książki do gramatyki. Nic z tego nie miało znaczenia, gdy otwierałem nową kartę. Każda sesja zaczynała się od tego samego rytuału: ponownego ustalania mojego poziomu, powtarzania celów i opisywania moich błędów.

Chciałem, aby Felix mnie pamiętał. Ponieważ platformy nie robiły tego niezawodnie, postanowiłem przejąć kontrolę nad własną ciągłością.

Co tak naprawdę robi DDF/Rahmenwerk

Nazwa brzmi bardziej imponująco niż sam koncept. W swojej istocie system jest folderem na moim lokalnym dysku, który traktuje moją historię nauki jak przekazanie projektu. Jeśli Felix zniknie dziś w nocy, powinienem móc obudzić się jutro, skierować nową sztuczną inteligencję na ten folder i wznowić lekcję czterdziestą siódmą bez konieczności tłumaczenia się.

Architektura jest celowo oparta na plikach. Nie ufam żadnej pojedynczej platformie w kwestii przechowywania moich postępów. Usługi w chmurze zmieniają warunki. Formaty eksportu ulegają awariom. Zwykły plik tekstowy na moim dysku twardym jest nudny, ale należy do mnie.

Wewnątrz systemu znajduje się pięć elementów roboczych.

Po pierwsze, wskaźnik aktualnego stanu. Jest to prosty indeks, który odpowiada na pytanie: gdzie dokładnie skończyliśmy? Śledzi aktualny rozdział, ostatnie ukończone ćwiczenie, moje oczekujące pytania gramatyczne oraz konkretne błędy z poprzedniej sesji, które wciąż wymagają powtórki. Zamiast wyrzucać cały log rozmowy, destyluje sesję do tego, co istotne dla następnej.

Po drugie, materiały przekazania. Są to krótkie notatki sporządzane po każdej lekcji. Rejestrują one nie tylko to, czego się nauczyliśmy, ale także jak to zrobiliśmy. Czy Felix wyjaśnił szyk zdania, używając konkretnej analogii? Czy dobrze reagowałem na zdania treningowe dotyczące słownictwa podróżniczego? Te notatki zachowują metodologię nauczania, a nie tylko treść. Jeśli kolejna instancja Felixa wyjaśni szyk zdania inaczej, natychmiast zauważę tę niespójność. Konsekwencja jest kluczowa dla zapamiętywania.

Po trzecie, pakiet przesyłania dla nowych instancji AI. Gdy przechodzę na nowy model lub platformę, nie wklejam tysiącwyrazowej biografii do okna czatu. Podaję systemowi przygotowany pakiet: mój podstawowy poziom biegłości, moje preferencje dotyczące nauki, powtarzające się wzorce błędów oraz podsumowanie sekwencji programu nauczania. Jest to skondensowany profil ucznia, który każdy model dostrojony instrukcyjnie może odczytać i przyjąć.

Po czwarte, rejestry integralności przy użyciu SHA-256. Brzmi to przesadnie w kontekście nauki języka, ale służy konkretnemu celowi. Wersjonuję moje pliki przekazania. Jeśli przez przypadek edytuję wczorajszy log błędów, będąc półprzytomnym, lub jeśli narzędzie do synchronizacji uszkodzi linię tekstu, muszę o tym wiedzieć. Hasze SHA-256 pozwalają mi zweryfikować, czy moje pliki ciągłości nie zmieniły się nieumyślnie. W systemie zaprojektowanym, aby zapobiegać utracie pamięci, samoczynne uszkodzenie danych jest oczywistym wrogiem.

Po piąte – i to jest ta część, która faktycznie kontroluje zachowanie – zasady wymuszające na AI zatrzymanie się, jeśli brakuje dowodów. Mam w prompcie systemowym zapisany surowy protokół: jeśli bieżąca instancja nie może zlokalizować wskaźnika stanu ani zweryfikować materiałów przekazania, musi przerwać działanie i poprosić o wyjaśnienie, zamiast improwizować. Nie chcę pewnego siebie AI, które zgaduje mój poziom i uczy mnie gramatyki, którą już znam, lub co gorsza, pomija podstawy, których jeszcze nie zbudowałem. Zatrzymany zegar jest lepszy niż zegar, który podaje błędny czas, gdy buduje się wiedzę kumulatywną.

Gdy warstwy bezpieczeństwa stają się własnym obciążeniem

System działał. Przestałem tracić kontekst. Nowe sesje zaczynały się od faktycznej nauki, a nie od autobiografii.

Potem zacząłem