Superintelligent vault research — master index#

Phase A output a 8-tengelyű vault-evolúciós research-ből. Minden tengelyhez egy mély sv-{n} cikk, ami foundational paper-eket, friss áttöréseket, production tech-stack-eket, failure-mode-okat és konkrét implementációs lépéseket szintetizál.

Hol tartunk#

Phase A+ teljes — 8/8 tengely ✅ (2026-05-12 19:30 körül zárult).

Összesített növekedés: Phase A 200-250 forrás → Phase A+ után ~4800 forrás a 8 notebookban (+19× bővülés). 24/24 mély-komplex kérdés válaszolva (5 közvetlen agent + 3 manuális). Master tudás-bázis méretrendekkel megnőtt.

Phase A+ új cross-cutting insights (a 8 tengely érett szintézise)#

A. Konvergens minta: „Files-as-State + MCP + Skill-tokozás + Reflektív optimalizáló". Az SV-2 (Skills+ReFlect+GEPA), SV-3 (Filesystem-as-State + Orchestrator+P2), SV-4 (SKILL.md+Tool-Search+MCP), SV-8 (Memory-Stack+MCP-bridge+DSPy/GEPA) mind ugyanazt a 4-pilléres mintát ajánlják különböző absztrakciós szinten — ez az ipari 2026-os konszenzus az agent-vault architektúrára. Anthropic „simplicity over framework" + Claude Code paradigma a központi gravitációs pont, nem a CrewAI / AutoGen / LangGraph framework-réteg.

B. A Peti-vault MÁR Tier-$50 közeli (SV-8 self-referential insight). A meglévő 02-Projects + 04-Tasks/Backlog + 07-Decisions + 08-Sessions mappa-struktúra lényegében már a 4-fájlos Karpathy working/episodic/semantic memory-stack gyakorlati megvalósítása. Hiányzó elemek a Tier-$50 minimalista config-hoz: (1) MCP-bridge az Obsidian-vault fölött + (2) 11.11stop crystallization-hook. Mindkettő 1-2 hetes sprint Phase B-1-ben.

C. Cost-architektúra konkrét számokkal (SV-5 + SV-7 + SV-8 keresztmetszete). - In-context memory teljesen vágandó minden tier-en: 1000 tény = $2.051/év, 5000 = $10.151, 7000 = $14.201 → KO-architektúra konstans $56/év (97-99% token-megtakarítás) - GraphRAG indexelés a legdrágább: 50.000 token/globális-query (10× klasszikus RAG) - Multi-agent: +90% minőség / +15× token-cost — SV-3 kategorikusan: P2P GroupChat zsákutca, Orchestrator+isolated subagent+summary-only return kell - MCP code-execution ~98.7% token-megtakarítás vs prompt-tool-list (SV-4)

D. RSI legutoljára: konvergens biztonság-konszenzus (SV-2 + SV-5 + SV-7 metszete). Mind a 3 tengely azonos sandbox+git-pre-commit+Pareto-szelekciós merge mintát ajánl. 76-98% self-correction blind spot (SV-2) + reward hacking (SV-5) + criteria-drift (SV-7) → SV-2 (recursive self-improvement) csak a többi STABILIZÁLÓDÁSA UTÁN engedhető. A Phase B sprint-sorrend megerősítve: SV-5 → SV-1+SV-7 → SV-4 → SV-8 → SV-3 → SV-6 → SV-2 utolsó.

E. Production-ready vs akadémiai mérleg (8 tengely 2024-26 mainstream-szint). - ✅ Production-ready: Memgraph, Neo4j, LlamaIndex GraphStore, MCP, Anthropic Agent Skills, GEPA, ReFlect, Knowledge Objects, Cost-Aware HITL, SWE-bench Verified, Microsoft GraphRAG (caveats), CrewAI, LangGraph, AutoGen - ❌ Akadémiai stage: Yann LeCun JEPA-család (LeJEPA, V-JEPA 2, LLM-JEPA), Sakana HRM, Gödel Agent monkey-patching, Self-Rewarding LLM Self-Play, Model Collapse $\pi^2/6$ matematikai mitigáció, Cross-Layer Attention Probing, Context Equilibria, autonóm tool-creation ab-initio - Konzekvencia: Phase B Tier-$50/200 csak production-ready elemekből építhető; akadémiai elemek Phase C/C+ idejére (12-18 hónap).

Olvasási sorrend#

• Kezdő: olvasd először az 07-Decisions/2026-05-12 Superintelligent vault evolution roadmap-t, utána sv-01 és sv-05 (memory + crystallization — a leggyorsabban hasznosíthatók)
• Mély-merülő: ennek a fájlnak a 8 tengelyét sorrendben, és minden tengelynél a NotebookLM-audio-overview-t is hallgasd meg (~10-15 perc/tengely)
• Implementátor: ugorj a sv-{n} cikkek „Implementációs lépések egy meglévő agent-vaultban" szekciójára

Kulcs-konklúziók — 8 tengelyű szintézis (Phase A done)#

Tengelyenkénti 1-bekezdéses esszencia#

SV-1 Memory architecture. A memory-hierarchy (working/episodic/semantic) három komplementer minta szintézise: MemGPT virtual context paging (OS-mintára) + GraphRAG entity-graph + community summaries (1M-token-skálázható globális kérdésekhez) + Generative Agents memory-stream + reflection-loop (epizodikus → szemantikus konszolidáció). A failure-mode klasszikus retrieval-irrelevancy a 6-paper-pool-ban; cost / privacy / hallucination-amplification web-search-bővítést igényel Phase A+. Peti-vault implementáció: embedding-réteg 11-wiki/02-Projects/05-Memory-re + entity-extraction script + community-summary cron + reflection a 08-Sessions/ → 05-Memory/-ra.

SV-2 Recursive self-improvement. 4 dimenzió (prompt evolution / skill library growth / self-reflection / code self-modification), 2024-26 paradigmaváltás: szöveges reflexió → determinisztikus harness-rendszerek (ReFlect) + dinamikus skill-library (SAGE / SkillRL / Anthropic Agent Skills) + Compound AI optimalizáció (GEPA). Klasszikus failure: 76-98% self-correction blind spot, sandbox + git-pre-commit + Pareto-szelekciós merge kötelező. 7-hetes sprint-bontás safety-harness-szel, SAGE-stílusú auto-skill-distillation a /11.11stop-ban, GEPA-prompt-mutator cron.

SV-3 Multi-agent orchestration. Lead-agent + subagent minta +90% minőség 15× token-cost mellett (Anthropic mérés). 3 framework-filozófia: graph-based LangGraph / role-based CrewAI / conversation-based AutoGen — de Anthropic kategorikusan: „simplicity over framework", kompozábilis primitívek (workflow → autonomous agent) az ajánlott út. Peti-vault meglévő struktúrája (11.11 + párhuzamos session-ök + 280-skill + vault mint shared state) direkt illeszkedik az orchestrator-worker mintára. MVP 4-lépéses sprint.

SV-4 Tool composition. Az agent futásidőben fedezi fel + láncolja a tool-okat (Toolformer self-supervised, Gorilla retriever, ToolGen virtuális token, Voyager skill-library, MCP kliens-szerver). 2024 áttörés: Code-execution-with-MCP pattern ~98,7% token-megtakarítás; Claude Code skill-rendszer; ToolGen 47k+ tool atomic-indexing; autonóm tool-creation (CREATOR / LATM). Peti-vault: skill-discovery automatizálás 11.11stop-hoz, Voyager-stílusú 12-skills/ + embedding-index, MCP-server-pool autonóm bővítés, ENABLE_TOOL_SEARCH=auto + alwaysLoad.

SV-5 Crystallization automation. Karpathy LLM-Wiki + Constitutional AI/RLAIF + Self-Rewarding LLM minták szintézise. Konkrét javaslat: G-Eval LLM-as-judge confidence-scoring 0.85 threshold — a meglévő 11-lépéses routing decision tree változatlan, csak az output kerül auto-prop ágra (git-revert safeguard + audit log + hot-reload threshold) vagy klasszikus manual batch preview ágra. 4-6 hetes Reflexion-stílusú felfutás Shadow 1.0 → Konzervatív 0.95 → Aggressive 0.85, célzott ~80% auto-rate. Failure-mode-ok (hallucination amplification, reward hacking, model collapse, lost oversight) → Guardrails + autonomy slider + ruthless prune.

SV-6 World-model / knowledge graph. 3 absztrakciós szint konvergens mintája: Microsoft GraphRAG (Leiden community summaries + Global Search) + Yann LeCun H-JEPA (látens prediktív világmodell) + Sakana HRM (két-szintű forward-pass reasoning CoT helyett). 2024 áttörés: automatikus LLM-vezérelt entity-extraction (LLMGraphTransformer, SchemaLLMPathExtractor), hibrid vector+graph RAG. Peti-vault: LlamaIndex + Memgraph POC a 02-Projects/ + 05-Memory/Infrastructure.md-re (Project, Server, Host, Task, Person, Document, Technology entitások; DEPENDS_ON / WORKS_ON / PART_OF / MENTIONS relációk). Komplementer az SV-1 vector-memory-vel — vector = felszíni similarity, graph = multi-hop reasoning + magyarázhatóság.

SV-7 Continuous evaluation. 3 paradigmaváltás 2024-26-ban: (a) leaderboard-hardening contamination ellen (SWE-bench Verified + Multimodal privát teszt-split, Modal-felhő), (b) dinamikus + reliability-fókuszú benchmark (tau-bench pass^k metrika 8 ismétlésen mérve, GAIA multi-modal humán-vs-agent), (c) LLM-as-judge érettség — generikus 1-5-skála → bináris Pass/Fail + critique-shadowing (Hamel Husain, AlignEval), 90%+ humán-judge alignment. Peti-vault 3-szintű pipeline: eval_l1_parser.py (determinisztikus stuck-detection a 08-Sessions/-on) → vault_trace_viewer.py Streamlit (humán Pass/Fail baseline) → eval_l2_llm_judge.py (NLI-alapú hallucination-flag a Learnings-en). Aggregálás a heti System_Health.md cron-jába + ADR sikermetrikák feed.

SV-8 NotebookLM cognitive layer. Steven Johnson „tools for thought" framing + Gemini 1.5 Pro 1.5M-szó context + citation-grounded RAG. 3 párhuzamos 2024-es áttörés: NotebookLM Audio Overview (09-11) + Claude Projects+Artifacts (06-25) + Anthropic Contextual Retrieval (09-19). Self-referential bizonyíték: a teljes SV-1..SV-8 research ezzel készült. Phase B 6-sprint: per-projekt notebook-pool, 11.11stop crystallization-hook a vault-meta notebookba (SV-5+SV-8 metszete), heti commute-podcast cron. Failure-mode-ok: csak angol audio, source-limit 50/300, Cloudflare/Turnstile headless-blokk (megoldott: cloakbrowser), RPC instabilitás 502 (retry pattern kötelező). Redundáns alternatíva: Anthropic Contextual Retrieval RAG-stack $1.02/1M token.

Cross-cutting insights — 4 fő minta amit mind a 8 tengely megerősített#

1. Komplementaritás, nem helyettesítés. SV-1 (vector) + SV-6 (graph), SV-2 (RSI prompt-evolution) + SV-5 (crystallization-distillation), SV-3 (multi-agent) + SV-4 (tool-composition) — minden tengely a többivel együtt teljes, izoláltan részleges. A Phase B-ben kötelező interface-design a tengelyek között (pl. SV-1 embedding-output → SV-6 entity-extractor input; SV-5 crystallization-output → SV-2 skill-library entry).

2. Anthropic „simplicity over framework" konzisztens SV-3 és SV-4-ben. Az MCP + Claude Code skill-rendszer egyszerű primitívekkel ad többet, mint a CrewAI / AutoGen / LangGraph összetettsége. Phase B tech-stack-döntésnél megfontolandó: saját kompozábilis primitívek a meglévő 11.11 + 280-skill fölött lehet hogy értelmesebb mint új framework-réteg.

3. Failure-mode-ok és safety-harness mindenhol kritikus. RSI (76-98% self-correction blind spot), Crystallization (hallucination amplification, reward hacking, model collapse), Multi-agent (15× token-cost-robban), Tool composition (autonóm tool-creation sandbox-szal), Eval (criteria-drift). Phase B kötelező sandbox + git-pre-commit + Pareto-szelekciós merge minden tengelyhez, nem csak a #2-höz.

4. A meglévő Peti-vault már most jól pozicionált. 11.11 session-protokoll = SV-2 reflexió alapja; párhuzamos session-ök = SV-3 multi-agent; 280-skill pool = SV-4 tool-composition; Crystallization-protocol = SV-5 alap; Obsidian-graph = SV-6 előfutára; 06-Audits = SV-7 alap; NotebookLM-skill = SV-8 alap. A roadmap nem új rendszer, hanem rétegezett upgrade a meglévő architektúrára.

Phase A+ — hiányzó témák web-search-bővítéssel (1 napos finomítás)#

• SV-1: Long-context Claude/Gemini vs RAG benchmarkok, Letta sleep-time-compute, 2026 H1 áttörések, cost-benchmark per vector-DB
• SV-5: Privacy / hallucination-amplification papers
• SV-6: Hybrid vector+graph cost-comparison (Pinecone vs Memgraph)
• SV-8: Self-improving DSPy + AgentInstruct meta-eval kombináció

Phase B fókusz-pontok (előzetes priorizálás)#

Indok az SV-2 (RSI) utolsóra: a többi tengely stabilizálódása nélkül a recursive self-improvement felerősíti a hibákat (reward hacking, model collapse, lost oversight). Ha SV-5 (crystallization) + SV-7 (eval) + SV-4 (tool-sandbox) már él, felügyelt RSI-ról beszélhetünk. Ellenkező esetben kontrolálatlan rendszer.

Teljes Phase B becsült futás: 8-10 hét párhuzamos sprintekkel. Phase C = inkrementális rollout + élesedés.

Phase B részletes ADR-pool (8/8 ✅ 2026-05-12)#

Sprint-sorrend (függésekből levezetve)#

Hét 1-2:  B-1 (Crystallization) ──────┐
Hét 3-4:  B-2 (Memory) + B-3 (Eval)   │parallel
Hét 5:    B-5 (NotebookLM)            │
Hét 5-6:  B-4 (Tool composition)      │
Hét 6-7:  B-7 (World-model)           │ (B-2 reuse)
Hét 7-9:  B-6 (Multi-agent)           │
Hét 10-12: B-8 (RSI — safety-gated)   │  ← csak B-1..B-7 stabil után

Phase B fő dependency-pillérek: - B-1 G-Eval = foundation a B-3, B-5, B-6, B-8 confidence-routing-jához - B-2 Memgraph = foundation a B-4 Tool Search Index-hez és B-7 entity-graph-hoz - B-4 MCP = foundation a B-6 multi-agent RPC-kommunikációhoz - Mind a 7 stabil = foundation a B-8 RSI biztonságos engedélyezéséhez

Audio overviews#

8 audio overview generálódik a NotebookLM-en (deep-dive long format, 10-15 perc/tengely). Letöltés Phase A zárásakor:

for nb in e2e31ae8 a2425bc7 c7eba59a 90e132a1 a219107d 82e9046d d6e26ab3 a60d993b; do
  notebooklm download audio -n "$nb" --out "~/vault-audio/sv-${nb:0:2}.mp3"
done

(A notebooklm artifact poll paranccsal ellenőrizhető a generálás státusza.)

Források#

• Source pool: 10-raw/2026-05-12 — Superintelligence research source pool
• 8 NotebookLM-notebook (linkek a tábla harmadik oszlopában)
• ADR: 07-Decisions/2026-05-12 Superintelligent vault evolution roadmap

Kapcsolódó#

• 11-wiki/Karpathy-LLM-Wiki-pattern — a kiinduló minta
• 11-wiki/Crystallization-protocol — a #5 tengely jelenlegi alapja
• 11-wiki/notebooklm-seo-competitor-research-pattern — a research-workflow alapja
• 02-Projects/Index — Phase B-ben új projekt-bekötés