Funes는 AI 도서관과 함께 원시 소스를 오래 지속되는, 인용된 지식 작업으로 변환하는 Git 기반 프레임워크입니다.
도서관은 원시 자료를 통합하고, 불변의 기록으로 보존하며, 연결된 Markdown 위키로 편집하고, 그 위키를 인용된 답변, 보고서, 분석, 절차 등 다른 재사용 가능한 출력물을 생성하는 데 사용합니다. 당신은 자료와 질문을 제공하고, 도서관은 쓰기, 연결, 색인, 건강 검사 및 유지보수를 처리합니다.
모든 것이 Git 저장소 내에서 평범한 Markdown으로 살아있으므로, 지식 베이스는 버전 관리 가능, 비교 가능, 이동 가능, 검색 가능하며 GitHub 또는 어떤 에디터에서도 사용할 수 있습니다.
워크플로우는 적응합니다앤드레이 카르파티의 "LLM 지식 베이스"Obsidian 대신 평범한 Git 저장소로 아이디어를 전환하는 것.
이름의 기원
푸네스는 보르헤스의 “기억력이 뛰어난 캐릭터,” 모든 것을 기억하지만 추상화할 수 없는 캐릭터.
이 프로젝트는 원시 기록을 보존한 다음, 개념, 주제, 사용 가능한 출력으로 추상화합니다.
작동 방식은 어떻게 되는가
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)
위키는 최종 제품이 아닙니다. 라이브러리가 질문에 답하거나, 보고서를 생성하거나, 일정을 생산하거나, 누락된 부분을 알리거나, 지식 베이스를 시간이 지남에 따라 일관되게 유지하는 데 사용하는 작업 메모리입니다.
당신은 거의 손으로 위키를 편집하지 않습니다. 당신은 출처와 질문을 제공하면 됩니다; 라이브러리가 구조, 링크, 인덱스, 및 출력을 유지합니다.
여기에 예제 도서관이 있습니다. Funes에서 기대할 수 있는 출력 유형을 브라우징할 수 있습니다.
빠른 시작
-
이 리포지토리를 템플릿으로 사용하세요 GitHub의 “이 템플릿을 사용” 버튼을 사용하거나 클론하세요.
-
Claude Code, Codex와 같은 에이전트 코드 도구로 열어보세요 리포지토리에서 파일을 읽고 편집할 수 있는 LLM 에이전트와 같은 도구를 사용하세요. 에이전트는 읽습니다
AGENTS.mdLibrarian로서 행동하는 방법을 배우는 방법을 배우세요. -
출처를 추가하세요. PDF 파일, 웹 클립, 노트 또는 기타 자료를
starter-library/raw/에 드래그하여 놓고 다음을 말하세요:raw/에 새로운 출처를 통합하세요.또는 채팅에 텍스트 또는 링크를 직접 붙여넣고 다음을 말하세요:
이를 통합하세요.
-
질문을 하세요. 사서는 위키에 인용을 답하고,
outputs/에 상당한 출력을 작성하며, 지속 가능한 결과를 지식 베이스에 다시 파일링할 제안을 합니다. -
그것을 건강하게 유지하세요. 주기적으로 "건강 검사"를 요청하여 링크가 끊어졌는지, 중복 개념, 구식 인덱스, 모순, 누락 사항, 가능한 새로운 기사를 검토하세요.
이름을 바꾸거나 복사하세요starter-library/를 주제에 맞게 사용하세요, 예를 들어 physics/, history/, research/ 또는 personal-kb/와 같이. 여러 개의 별도의 지식 베이스를 하나의 저장소에서 실행하려면 더 많은 최상위 라이브러리 폴더를 추가하세요. library.md를 참조하세요.
여기에 무엇이 들어있는지
starter-library/— 표준raw / wiki / outputs / meta템플릿과 시드 인덱스 파일이 포함된 준비된 빈 지식 베이스입니다.AGENTS.md— 에이전트의 진입점: 각 폴더가 무엇인지와 리포지토리에서 어떻게 작업하는지.protocol.md— 공유 라이브러리 프로토콜: 전체 수신 → 컴파일 → Q&A → 출력 → 건강 검사 워크플로우, 그리고 관례 및 기사 템플릿.library.md— 같은 리포지토리에서 추가 라이브러리를 만드는 레시피.
예시 — 라이브러리가 생성하는 결과물
이런 것들을 손으로 쓰지 마세요. 이것들은 컴파일된 위키의 모양을 보여줍니다. 전체 템플릿은 protocol.md에 있습니다.
소스 노트는 원시 소스를 요약하고 그것이 공급하는 개념으로 링크를 연결합니다.
--- 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)
원자 개념는 하나의 아이디어를 설명하고 그것을 소스로 되돌아가며 관련 개념과 주제 지도로 링크를 연결합니다:
--- 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)
앤출력위키에서 생성된 중요한 답변, 보고서, 일상, 또는 분석입니다.
# 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.
크레딧
패턴이 adapted from앤드레이 카르파티의 "LLM 지식 베이스". The Librarian 틀은 Systems Made Better에서 유래했습니다.자가 개선되는 Claude 지식 베이스를 구축하세요.