GitHub - ulyssestenn/funes: Funesは、LLMで管理される知識作業のGitベースのフレームワークです：AI図書館は生のソースをインジェストし、相互リンクされたMarkdown知識ベースを構築し、それを使用して引用されたレポート、分析、その他の出力を生成します。

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。

おすすめ購読元

Show HN