Funesは、AI図書館とともに原始ソースを耐久性があり、引用可能な知識作業に変換するためのGitベースのフレームワークです。
図書館は生のソースを取り込み、不変の記録として保存し、それらを相互リンクされたMarkdownウィキにまとめ、そのウィキを使用して引用された回答、レポート、分析、手順、その他再利用可能な出力を生成します。あなたはソースと質問を提供し、図書館は執筆、リンク付け、インデックス付け、ヘルスチェック、メンテナンスを担当します。
すべてがGitリポジトリ内の平易なMarkdownで保存されているため、あなたの知識ベースはバージョン管理され、差分比較可能で、持ち運び可能、検索可能、そしてGitHubや他のエディタから利用できます。
ワークフローは適応しますアンドレイ・カパチュプの「LLM Knowledge Bases」Obsidianではなく、平らなGitリポジトリへのアイデア。
名前の由来
フォンセスはボルヘスの「記憶に裏打ちされた人物、すべてを覚えているが抽象化できない
このプロジェクトは原始記録を保存し、それを概念、トピック、利用可能な出力に抽象化します
どのように機能します
raw source ─ingest→ raw/ (verbatim, immutable)
─compile→ wiki/sources/ (one summary note per source)
→ wiki/concepts/ (atomic articles, one idea each)
→ wiki/topics/ (maps of related concepts)
question ─answer→ read wiki, cite articles
─output→ outputs/ (reports, analyses, routines, answers)
→ wiki/ (durable findings filed back in)
ウィキは最終製品ではありません。図書館が質問に答え、レポートを生成し、手順を作成し、ギャップに気づき、知識ベースを時間とともに一貫させるために使用する作業メモリです。
ウィキを手動で編集することはほとんどありません。ソースと質問を提供し、図書館が構造、リンク、インデックス、出力を管理します。
こちらは図書館の例です。 Funesから期待できる出力のタイプを確認するためにブラウズできます.
クイックスタート
-
このリポジトリをテンプレートとして使用します. GitHubの「このテンプレートを使用」ボタンで、またはクローンします.
-
Claude Code、Codex、またはリポジトリ内のファイルを読み取り編集できるLLMエージェントなどのエージェントで開きます.エージェントは読み取ります
AGENTS.mdは、図書館として振る舞う方法を学ぶために。 -
資料を追加。 PDFファイル、ウェブクリップ、メモ、または他の資料を
starter-library/raw/にドロップし、「」と入力。
raw/または、テキストやリンクを直接チャットに貼り付け、「
」と入力。
-
質問をどうぞ。 書庫係員はウィキ内に引用を記載し、
outputs/に相当量の出力を書き込み、持続可能な調査結果を知識ベースに戻すことを提案します. -
健全に保ちなさい.定期的に「健康診断」を求め、破損したリンク、重複した概念、古くなったインデックス、矛盾、ギャップ、および可能な新しい記事を監査します.
リネームまたはコピーstarter-library/ は、あなたのトピックに合わせて、例えば physics/、history/、research/ または personal-kb/ のように設定します。複数の別々の知識ベースを1つのリポジトリで実行するには、さらにトップレベルのライブラリフォルダを追加します。library.md を参照してください。
ここに何があるか
starter-library/— 標準のraw / wiki / outputs / metaスケルトンとシードインデックスファイルが含まれた、すぐに使用できる空の知識ベースです。AGENTS.md— エージェントのエントリーポイント：各フォルダの内容とリポジトリでの作業方法について.protocol.md— 共有ライブラリアンプロトコル：完全なインジェスト→コンパイル→Q&A→出力→ヘルスチェックワークフロー、および規約と記事テンプレート.library.md— 同じリポジトリで追加ライブラリを作成するためのレシピ.
Example — ライブラリアンが生成するもの
これらは手書きで書くものではありません。コンパイルされたウィキの形状を示しています。完全なテンプレートはprotocol.mdにあります。
ソースノートは生のソースを要約し、それが提供する概念へのリンクを提供します：
--- title: Attention Is All You Need type: source tags: [transformers, attention] created: 2026-01-10 updated: 2026-01-10 --- # Attention Is All You Need - **Raw file:** [2026-01-10-attention-is-all-you-need.pdf](../../raw/2026-01-10-attention-is-all-you-need.pdf) - **Original:** https://arxiv.org/abs/1706.03762 ## Summary Introduces the Transformer, a sequence model based entirely on attention, dropping recurrence and convolution. ## Key takeaways - Self-attention relates all positions in a sequence in O(1) sequential steps. - Multi-head attention lets the model attend to different subspaces at once. ## Concepts extracted - [Self-attention](../concepts/self-attention.md) - [Multi-head attention](../concepts/multi-head-attention.md)
原子概念は一つの考えを説明し、それをソース、関連する概念、トピックマップにリンクします：
--- title: Self-attention type: concept tags: [transformers] created: 2026-01-10 updated: 2026-01-10 --- # Self-attention A mechanism that computes a representation of a sequence by relating each position to every other position, weighting them by learned compatibility. ## Related - [Multi-head attention](./multi-head-attention.md) ## Sources - [Attention Is All You Need](../sources/attention-is-all-you-need.md) ## Topics - [Transformer architecture](../topics/transformer-architecture.md)
はの出力で、wikiから生成された大きな回答、報告書、手順、または分析です：
# Reading plan for understanding Transformers This plan draws on the compiled notes for [Attention Is All You Need](../wiki/sources/attention-is-all-you-need.md), [Self-attention](../wiki/concepts/self-attention.md), and [Multi-head attention](../wiki/concepts/multi-head-attention.md). ## Goal Understand why the Transformer replaced recurrence for many sequence-modeling tasks. ## Sequence 1. Read the source note for *Attention Is All You Need*. 2. Review the concept article on self-attention. 3. Review multi-head attention. 4. Compare the topic map on Transformer architecture against the original paper. ## Durable findings to file back - Add a concept article on positional encoding. - Add a topic map for sequence modeling.
クレジット
パターンはAndrej Karpathyの「LLM Knowledge Bases」から適用されました。図書館の枠組みは、Systems Made BetterのBuild a Claude Knowledge Base That Self-Improvesから来ています。