SV-8 — NotebookLM as cognitive layer#

A 8-tengelyű szuperintelligens-vault evolúciós research nyolcadik (és egyben záró) cikke. Kérdés: a NotebookLM nem csak research-eszköz, hanem a vault-on belüli source-grounded reasoning + convergent synthesis réteg — automatikus audio-overview, multi-source-ütköztetés, hipotézis-tesztelés. Steven Johnson „tools for thought" minta.

Status: Phase A 7/7 kérdés + Phase A+ 4 deep-research + 3 mély-Q válaszolva. NotebookLM-források: 1200 (Phase A: 30 → Phase A+: 1200). Phase B implementáció Q6 + Phase A+ konkluzió alapján indul.

Self-referential megjegyzés: ez a wiki-cikk a NotebookLM-mel készült a NotebookLM-mint-cognitive-layer pattern-ről. A SV-1..SV-8 research-mind a NotebookLM-en fut — a tengely maga is bizonyíték a hipotézisre.

1. A tengely magja#

A NotebookLM egy „végfelhasználók számára testreszabható RAG (Retrieval-Augmented Generation) termék", amelynek célja, hogy a hagyományos jegyzetelést egy intelligens, AI-vezérelt folyamattá alakítsa. Ami megkülönbözteti a hagyományos chatbotoktól (ChatGPT) és a custom-RAG-stackektől: itt a nyelvi modell kifejezetten a felhasználó saját forrásaiban van „lehorgonyozva" (grounded), ezáltal egy „személyre szabott AI"-t hozva létre, amely „jártas a felhasználó számára releváns információkban". Míg a Claude Projects is biztosít egy 200 000 tokenes kontextusablakot dokumentumok integrálására, a NotebookLM a Gemini 1.5 Pro modell akár 1,5 millió szavas (technikai trükkökkel 25 milliós) kapacitására épít — ami radikálisan átalakítja a gyakorlati hasznosságot: a teljes forrásanyag egyidejű, mély és kontextushű megértését teszi lehetővé chunkolás nélkül.

A NotebookLM működése azért írható le „source-grounded reasoning + convergent synthesis" kognitív rétegeként, mert „virtuális kutatóasszisztensként" működik, amely képes „tényeket összefoglalni, összetett ötleteket elmagyarázni és új összefüggéseket kitalálni" a feltöltött anyagok alapján. A source-grounded reasoning abban nyilvánul meg, hogy minden válasz a forrásokra alapszik, csökkentve a hallucinációkat, és az állítások eredeti idézetekkel (citation-pointerekkel) vannak alátámasztva. A convergent synthesis pedig a „tények és ötletek több forrásból történő szintetizálásának" időrabló kihívását oldja meg — a felhasználó dinamikusan generált javaslatokkal új strukturált dokumentumokat (vázlatokat, hírleveleket) vagy a forrásokat szintetizáló, két MI-műsorvezető által vezetett „Audio Overview" beszélgetéseket hoz létre.

Steven Johnson, a Google Labs szerkesztőségi igazgatója (a NotebookLM egyik atyja) ezt „tools for thought" (gondolkodást segítő eszközök) keretrendszerbe helyezi. A NotebookLM nem puszta információszervező alkalmazás, hanem egy „személyre szabott AI munkatárs", amelynek célja, hogy a felhasználóknak „kihozni magukból a legjobb gondolkodást" segítsen — egy olyan tér, mint a konyhaasztal vagy egy séta, ahol „megszervezhetik gondolataikat, hogy üzeneteket fogalmazzanak meg, célokat érjenek el és kapcsolatokat teremtsenek". Johnson kiemeli: a 1,5 millió szavas kontextusbefogadó képesség „az elmúlt két év leginkább alulértékelt AI-fejlesztése", amely valódi kognitív rétegként képes az emberi gondolkodást felerősíteni.

2. Kanonikus képességek (7 fő funkció)#

(1) Source-grounded generation citation-ökkel#

A NotebookLM alapvető architekturális megközelítése: a nyelvi modellt szigorúan a feltöltött dokumentumokban „horgonyozza le", így minimalizálja a hallucinációkat. Minden állítást kattintható hivatkozásokkal támasztja alá — a felhasználó egy klikkel a citation-ből az eredeti forráskontextusra ugorhat. „NotebookLM automatically shares citations from your sources whenever it answers a question. But now you can quickly jump from a citation to the source, letting you see the quote in its original context." (Google blog)

(2) Audio Overview ("podcast-magic")#

A rendszer egykattintásos „deep dive" beszélgetést generál két AI-műsorvezetővel. Nem felolvasás, hanem diszfluenciákkal (szünetek, nevetés, töltelékszavak) tűzdelt, élethű dialógus. A 2024-09-i frissítéssel a felhasználó instruálhatja is a műsorvezetőket (fókuszálás konkrét témákra, szakértelmi szint módosítása). A háttértechnológia a Google Research SoundStorm projektje — 0,5 másodperc alatt 30 másodpercnyi audio. Saját hangok klónozása technikailag lehetséges (egy rövid „hang-prompt" elég), de termékben még nem elérhető.

(3) Multi-source synthesis#

A 1,5 millió szavas kontextusablakra építve a rendszer egyszerre elemez sok különböző formátumú forrást (Markdown, PDF, weboldalak, Google Docs, YouTube videók) — áthidalva a hagyományos kutatás legnagyobb akadályát, az adat-elszigeteltséget. „One of the biggest challenges is synthesizing facts and ideas from multiple sources. You often have the sources you want, but it's time consuming to make the connections." (Steven Johnson)

(4) Artifact-generation#

A források alapján a rendszer új strukturált tartalmakat generál: vázlatok (outlines), hírlevelek (newsletters), tanulmányi útmutatók (study guides), briefing dokumentumok. A jelenleg dokumentált a források körében ezek + Audio Overview + jegyzetexport Google Docs-ba. A NotebookLM CLI a tényleges 2026-os termékben ennél bővebb artifact-listát támogat (mind map, quiz, report, slide-deck, video, infographic, flashcards, data-table, cinematic-video) — ezeket a CLI notebooklm generate parancsa demonstrálja, de a forrásokban csak az alapfunkciók szerepelnek.

(5) Sleep-time / async compute#

Bár a források a „sleep-time" vagy „deep research mode" kifejezéseket nem használják explicit, a számításigényes műveletek (Audio Overview generálás) aszinkron, háttérben futnak — nagy notebookok esetén percekig dolgozik a rendszer. A CLI-szinten ez kifejezetten támogatott (research wait --timeout, artifact poll, --no-wait flag-ek).

(6) Shared notebooks + collaboration#

A NotebookLM elsődleges ígérete az adatvédelem (a feltöltött dokumentumokat nem használják fel az alapmodellek betanítására), de támogatja a megosztást is. A felhasználók megoszthatják a projekt-jegyzetfüzeteiket munkatársakkal — közös gondolkodás és szintézis ugyanazon tudásbázis felett. „Your personal data is not used to train NotebookLM — so any private or sensitive information you have in your sources will stay private, unless you choose to share your sources with collaborators."

(7) CLI / API integráció (kontextuális kiegészítés)#

A forrásokban a CLI/API NEM dokumentált — a Google a NotebookLM-et zárt, GUI-alapú végfelhasználói termékként pozícionálja. A gyakorlatban viszont közösségi notebooklm-cli (python wrapper) létezik, és a Peti-vault is erre épít (lásd #6 szekció). A 2025-26-ban bejelentett NotebookLM Enterprise API (Google Cloud) hivatalos REST-támogatást ad notebookok és sources kezeléséhez — ez a research-add-research által importált forrás (docs.cloud.google.com) megerősíti.

3. Tech-stack opciók 2026-ban (tradeoff-tábla)#

Konkrét integrációs minták (Peti-vault konzisztens)#

A források a NotebookLM-mint-GUI-eszközt írják le; automatizációs minták (cron, hook, Obsidian → notebook) hivatalosan nem dokumentáltak. A Peti-vault gyakorlatban:

• CLI: /root/.notebooklm-venv/bin/notebooklm (python wrapper) — auth headless-FIFO patternen (lásd kapcsolódó wiki)
• Source-add patterns: notebooklm source add <URL/file> -n <NB_ID> Markdown vagy URL feltöltésre
• Batch add-research: notebooklm source add-research "<kérdés>" -n <NB_ID> --import-all web-bővítés
• Async / scriptelt: notebooklm research wait --timeout 300 --import-all, notebooklm artifact poll
• Artifact generálás: notebooklm generate audio|mind-map|quiz|video|slide-deck|report|infographic
• Q&A scriptelhető: notebooklm ask "<kérdés>" -n <NB_ID> --json — citation-okkal együtt JSON-output

4. Friss áttörések 2024-2026#

A források alapján a 2024-es év vízválasztó volt a source-grounded synthesis területén:

2024-09-11 — NotebookLM Audio Overview launch#

Google a NotebookLM-be építette az Audio Overview-t — egykattintásos „deep dive" podcast-generálás. Háttér: SoundStorm (Google Research, 0,5 sec → 30 sec audio). A diszfluenciák („uh", „uhm", nevetés) bevezetése drasztikusan emelte a hihetőséget — „we knew we couldn't have it sound like two robots talking". Hamel Husain, Simon Willison, Ethan Mollick mind a kísérleti élmény „erősen működő mágia" jellegét emelték ki.

2024-06-25 — Claude Projects + Artifacts#

Az Anthropic párhuzamosan a NotebookLM-hez hasonló forrás-vezérelt szintetizálási igényre Projects funkciót vezetett be (200K context window, custom instructions). Mellé az Artifacts UI — dedikált ablak generált kód/dokumentum/vizualizáció élő szerkesztésére.

2024-09-19 — Anthropic Contextual Retrieval#

Egy új RAG-keretrendszer a klasszikus chunking-veszteség kiküszöbölésére: - Contextual Embeddings + Contextual BM25 — minden chunkhoz hozzáfűzi az eredeti dokumentum-szintű kontextust - 49%-os visszakeresési hibacsökkentés alapból - 67%-os hibacsökkentés (5,7% → 1,9%) reranking-kel - Prompt caching miatt költség: csak $1,02 / 1M token

A mögöttes nagy áttörés: long context emergence#

Steven Johnson (2022 nyár, NotebookLM-elődfejlesztés idején): „a modellek mindössze ~1500 szót tudtak befogadni". 2024-re ez 1,5 millió szó lett (Gemini 1.5 Pro), trükkökkel 25 millió. Ez a kontextus-növekedés — kombinálva a prompt caching cost-reduktorral — tette lehetővé, hogy az AI túllépjen pontszerű kérdés-válaszon, és a teljes személyes tudásbázist egyben kezelő, koherensen érvelő kognitív réteggé váljon.

Hiányzó / dokumentálatlan friss áttörések#

A forrásokban 2024-09-i csúcsig van adat. Az alábbiak (a kérdésben felvetett, de NotebookLM-output szerint forráson-kívüli) független verifikációt igényelnek: - NotebookLM Plus tier launch (2024-12 körül, közösségi info) - Video Overview / cinematic-video (2025) - Deep research mode (2025-26) - Multi-language audio (forrásokban: „az AI-műsorvezetők csak angolul") - NotebookLM Enterprise API (add-research forrás megerősítette: docs.cloud.google.com/gen-ai-app-builder/notebooklm-api)

5. Failure-modes és limitációk#

Forrás-alapúak (dokumentált)#

(5a) Audio Overview pontatlanság — A NotebookLM-output őszintén jelzi: az AI-műsorvezetők „pontatlanságokat vihetnek a magyarázatokba" (hallucináció), és a felhasználó nem szakíthatja félbe a generálást ha hibáznak. Mitigáció: fenntartásokkal kezelni, primer forrást ellenőrizni komplex tényadatoknál.

(5b) Magyar / non-English audio-minőség — A források szerint az AI-műsorvezetők kizárólag angolul beszélnek. A „podcast-magic" magyar forrásanyagokra nem alkalmazható (legalábbis 2024-09 állapot szerint). A szöveges Q&A működik magyarul (ezt a Peti-vault gyakorlat bizonyítja).

(5c) Privacy — Google cloud hosting — A Google ígérete: a feltöltött adatok nem kerülnek modell-tanításba, és más felhasználóknak nem láthatók. Viszont a fájlok Google szervereire kerülnek — szigorú on-premise / air-gapped vállalati előírásnak nem felel meg.

(5d) Prompt injection / data exfiltration — Simon Willison 2024-elején bemutatta, hogy egy külső fájlba rejtett Markdown-kép URL képes volt privát adatokat kiszivárogtatni a query string-en keresztül. Google 2024 áprilisában javította, de a precedens megmaradt — zárt rendszerek, API-hiányos termékek bizalmi auditra szorulnak.

Forrásokon kívüli (Peti-vault gyakorlatban tapasztalt)#

(5e) Source-limit: Standard 50, Plus 300 source/notebook (közösségi info, forrásban nincs) (5f) Cloudflare/Turnstile blokk: Headless használatban gyakran kell cloakbrowser fingerprint-bypass — lásd cloakbrowser-fingerprint-bypass (5g) Auth-elveszés 2-4 hét után: Heti keepalive cron-job kell (foxxi-NotebookLM kontextus) (5h) RPC instabilitás (502 Bad Gateway): Az SV-8 research során is előfordult — add-research 502-vel hibázott egyszer, retry után OK. Retry pattern kötelező az automatizált workflow-knál. (5i) Citation-pointer félre-link: A NotebookLM RAG-rendszerek hagyományos buktatója — ha a chunkok szövegszerűen hasonlítanak, a citation rossz dokumentumra mutathat. (5j) Streaming API hiány: Az ask parancs blokkoló, nincs token-streaming. Vendor-lock-in csökkentő: Google Docs-export elérhető.

Mikor szuboptimális választás?#

A NotebookLM nem megfelelő: 1. Air-gapped lokális adatkörnyezet (forrásokat fel kell tölteni) 2. Magyar nyelvű Audio Overview (csak angol) 3. Fejlesztői API-integráció kritikus (Enterprise API setup-overhead-del jár; community CLI sérülékeny Google policy-változásra) 4. 100%-osan tény-alapú, megszakítható audio kell

Ezekben az esetekben az Anthropic Contextual Retrieval + custom RAG, vagy a Claude Projects + MCP kombináció jobb választás.

6. Implementáció a Peti-vault kontextusban#

Self-referential megjegyzés: ez a teljes SV-1..SV-8 research a NotebookLM-mel készült. A workflow tehát már most működik — ez a szekció rögzíti a mintát szisztematikus skálázáshoz.

Meglévő infrastruktúra (Peti-vault)#

A NotebookLM-integráció már él a Peti-vaultban: - CLI telepítve: /root/.notebooklm-venv/bin/notebooklm — python wrapper a notebooklm-CLI projekthez - Headless auth pattern: 11-wiki/notebooklm-headless-login-fifo — FIFO-stdin + VNC manuális login + heti keepalive cron (vasárnap 04:00) - Research pattern: 11-wiki/notebooklm-seo-competitor-research-pattern — 17×7 strukturált kérdés workflow, kipróbálva foxxi SEO-research projekten (~60-90 perc/research) - Az SV-8 research notebook: a60d993b-1926-40cc-b947-94b3ef663f00 — 30 source-szal (20 manuál + 10 add-research)

Phase B sprintek (6 lépés)#

Sprint 1 — Per-projekt notebook-pool (1 hét) - Minden aktív projekthez egy NotebookLM-notebook: <projekt>-context-<YYYY-MM-DD> - Source-pool a 02-Projects/<projekt>.md + minden hivatkozott 11-wiki/* + utolsó 10 session - Manual seed-script: /usr/local/bin/notebooklm-bootstrap-project <slug> — átalakítja a Markdown-okat és batch source-add-eli - Cél: minden projekthez egy aktív „brain" — kérdésekre konkrét, source-grounded választ ad a projekt-állapotról

Sprint 2 — Auto-source-add változás-detektálással (1 hét) - inotifywait -m -e modify,create /root/obsidian-vault/{11-wiki,02-Projects} watcher - Trigger: változott fájl → notebooklm source refresh -n <NB_ID> -s <SOURCE_ID> (CLI támogatja a refresh-t) - Tudatos korlát: NotebookLM API hivatalosan nem támogatja a programozott add-et; community-CLI Google policy-change-re sérülékeny. Mitigáció: dual-write a vault-ba (canonical) + NotebookLM (cache).

Sprint 3 — 11.11stop crystallization-hook (1 hét) - A /11.11stop flow Learnings-szekciója auto-küld egy közös vault-meta notebookba (egy notebook, ami minden tanulságot felhalmoz) - Parancs: notebooklm source add "<learnings-extract>" --type text --title "<session-slug>" -n <META_NB_ID> - A meta-notebookra futtatható: „Milyen tanulságok ismétlődnek 3+ projektben?" (cross-projekt synthesis) - Megfeleltetés a MemGPT pattern-nek: a working memory (aktív session) → episodic (session-archív) → semantic (NotebookLM meta-notebook). A SV-8 a SV-1 (memory architecture) semantic-réteg implementációja.

Sprint 4 — Heti commute-podcast (folyamatos, low-overhead) - Vasárnap esti cron: notebooklm generate audio -n <WEEKLY_NB_ID> egy „heti-vault-status" notebookra - A heti-vault-status forrás-pool: aktív projekt-fájlok + a hét új ADR-jei + a top-5 Learning - Output: MP3 letölthető, hétfő reggeli ingázáshoz - Korlát: ahogy a források jelzik, az audio-overview NEM lehet cron-időzítve a Google-felületen — community-CLI-ből viszont lehet (notebooklm generate audio szkriptelhető)

Sprint 5 — Cross-projekt synthesis kérdések (manuális, havi) - Havi 1× futtatás: a meta-notebookon (Sprint 3 output) 7 strukturált kérdés: 1. „Mely tanulságok ismétlődnek 3+ projektben?" 2. „Mely failure-mode-ok közösek?" 3. „Mely tech-stack döntések ütköznek egymással?" 4. „Mely user-preferenciák szilárdultak meg?" 5. „Mely projekt-specifikus tudás lenne wiki-szintűvé emelhető?" 6. „Mely tudás-területek alulkutatottak?" 7. „Mely projektek hivatkoznak egymásra de nincs explicit link?" - A válaszok új 11-wiki/cross-project-synthesis-<YYYY-MM>.md cikkek

Sprint 6 — Source-pool curation + tokenszám-menedzsment (folyamatos) - A 1,5M szavas kontextusablak miatt a ~240 fájlos Peti-vault egyetlen notebookba beleférhet — chunkolás nélkül - A források szerint a NotebookLM Plus 300 source-limit szigorúbb mint a tokenszám - Best practice: forrás-prioritás (⭐⭐⭐ foundational, ⭐⭐ konkrét, ⭐ háttér — 10-raw/2026-05-12 — Superintelligence research source pool alapján) — minőség > mennyiség - Biztonsági figyelmeztetés: a Markdown fájlok ne tartalmazzanak external-resource Markdown képeket (prompt injection vektor a Simon Willison 2024-eleji bemutató szerint)

Kapcsolódó architektúra-minták a többi SV-tengelyhez#

• SV-1 (Memory): a NotebookLM a semantic-memory réteg implementációja — a vault-meta notebook a Generative Agents reflection-loop megfelelője
• SV-5 (Crystallization): Sprint 3 (11.11stop hook) integrálja a SV-5-öt és a SV-8-at — a Karpathy „compilation" elv: külső tudás → notebook → audio → letöltött wiki-cikk pipeline
• SV-6 (World-model / KG): a multi-notebook cross-reasoning hiányát a GraphRAG entity-graph + community-summary pattern oldhatja meg — ez a SV-6 tárgya
• SV-7 (Eval): a „Don't Hallucinate, Abstain" (arXiv:2402.00367) Multi-LLM Collaboration framework a NotebookLM synthesis-minőségének auditálására (~19,3% javulás abstain-pontosságban)

7. Mit kell tovább kutatni?#

Open questions a NotebookLM-output szerint#

1. NotebookLM API stabilitása long-term — Hivatalos REST-API csak Enterprise tier-en (Google Cloud), community-CLI policy-változásra sérülékeny. Long-term érdemes Anthropic Contextual Retrieval RAG-stackre épülni mint redundáns alternatíva.
2. Self-hosted alternatíva tradeoff — Anthropic Contextual Retrieval: $1,02 / 1M token, 67%-os hibacsökkentés, 90%-os prompt-caching cost-reduction. Skálázhatóbb és kontrollálhatóbb mint a NotebookLM, de magasabb fejlesztési overhead.
3. Audio-overview personalizáció — SoundStorm már technikailag képes saját hangokra („egy rövid hangminta promptként elég"), de termékben még nem elérhető. Várható 2026-27 körüli launch.
4. Multi-notebook cross-reasoning — Jelenleg notebook-szintű hatókör. A források a GraphRAG (From Local to Global) pattern-t adják meg: entity knowledge graph + community summaries → globális szintézis 1M+ token korpusz felett.
5. Synthesis-minőség evaluation — A „Don't Hallucinate, Abstain" (arXiv:2402.00367) Multi-LLM Collaboration framework — kooperatív/kompetitív „knowledge gap" tesztelés. 19,3%-os javulás az abstain-pontosságban.
6. NotebookLM mint „compiler" — A források szerint az Audio Overview generálási folyamat eleve compiler-szerű: AI vázlatot ír → átdolgozza → szkriptet ír → kritizálja → hozzáadja a diszfluenciákat. Ez közvetlen analógia a Karpathy LLM-Wiki compilation pattern-hez — külső tudás → notebook → audio + dokumentum.
7. Friss kutatások amiket érdemes követni:
8. arXiv:2310.08560 MemGPT — operációs rendszer-szintű hierarchikus memóriakezelés (SV-1 alapanyaga)
9. arXiv:2305.14283 Query Rewriting for RAG — „Rewrite-Retrieve-Read" framework (kisebb modell újraírja a query-t a feketedoboz LLM számára)
10. Ethan Mollick (One Useful Thing) — Agentic Era átmenet, ChatGPT Code Interpreter
11. Simon Willison (simonwillison.net) — prompt injection, NotebookLM nem-dokumentált funkciók („egzisztenciális krízis 2034-i dátummal" exploit)
12. Steven Johnson essays — „tools for thought" diskurzus, Google Labs editorial direction

Független verifikációt igénylő (forrás-pool nem fedte le)#

• NotebookLM Plus konkrét ár (2026-os)
• Video Overview / cinematic-video pontos launch-dátum és képességek
• Deep research mode 2025-26-os feature-set
• Multi-language audio (mikor lesz a magyar?)
• NotebookLM Enterprise API teljes endpoint-lista és quota
• Perplexity Spaces architektúra (versenytárs)

Phase A+ bővítés (2026-05-12 deep-research)#

Status: 4 új add-research --mode deep + 3 mély kérdés a 4 új research-anyagra alapozva. Notebook-source-pool 30 → 1200 (40×). Phase A elsődleges hipotézisét közvetlenül validálja vagy felülírja, ahol kell.

A Phase A során 30 forrás (20 manual + 10 add-research import) adta a base-line-t. A Phase A+ négy célzott, mélyebb tématerületet hozott be:

• R1 — DSPy + AgentInstruct + meta-evaluation (2026 production): task 303a6340-afb5-480f-b660-c7074d85ac2c
• R2 — NotebookLM API Enterprise 2026 + third-party integration: task 682951dd-fa6b-4d37-b907-13105a3583b1
• R3 — Claude Projects vs Anthropic Contextual Retrieval (production 2025-26): task 06f72cf3-aaf6-4be6-846a-0fc512d21059
• R4 — Citation-grounded RAG (production patterns, source attribution accuracy): task deab30fa-133b-43c3-afc1-e22b047eae4f

A 3 mély kérdés output-ja: /tmp/sv-research/sv8-phase-a-plus-q{1,2,3}.txt.

Phase A+ — Q1: 3 architektúrális elem KOMBINÁCIÓJA + sorrend#

A friss források alapján egy ~240 fájlos Obsidian-Markdown agent-vaultban a vektor-DB-alapú „naiv" RAG mára elavult. A Claude 4.6/4.7-es 1M tokenes ablak + a kiszivárgott Claude Code architektúra bizonyítja: a leghatékonyabb ágensek nem vektor-DB-t, hanem lemezen lévő Markdown-indexeket + lexikális keresést (grep) + okos tömörítést használnak. A NotebookLM-mint-cognitive-layer ebbe a paradigmába a következő 3 réteg KOMBINÁCIÓJA illeszkedik be — a sorrend kötelező:

(1) Fájl-alapú „Memory Stack" + okos tömörítés (Vector DB helyett) — ELŐSZÖR EZ. Négy fájlos memória-verem: project-map.md (struktúra + kritikus korlátok), session-log.md (döntéstörténet a 11.11 sessionökből), state.md (aktuális feladat pillanatképe), known-issues.md (hibatérkép). A 11.11-protokollba beépítve az ágens belépéskor a session-log.md + project-map.md beolvasásával azonnal kontextusba kerül, NEM próbál RAG-darabkákból (chunkokból) rekonstruálni. A Peti-vaultban a 02-Projects/<projekt>.md + 04-Tasks/Backlog.md + 07-Decisions/* + 08-Sessions/* már LÉNYEGÉBEN EZ a 4-fájlos memória-verem — csak nincs explicit named-up. Sprint-A+1: alias-fájlok / index-frissítés ennek tudatos kihasználására.

(2) NotebookLM MCP-bridge (kognitív szintézis) — MÁSODSZOR. A notebooklm-mcp-cli (2026) Model Context Protocol-on keresztül programozhatóvá teszi a NotebookLM-et. Claude Desktop / Cursor / Claude Code közvetlenül utasíthat: a 11.11stop a releváns Markdown-fájlokat batch-add-eli egy új projekt-NB-be, lefuttatja az Audio Overview-t, és visszatöltheti a citation-pointereket a vaultba. A SV-8 Phase B Sprint-2 ezt a réteget építi ki.

(3) DSPy + GEPA meta-evaluációs réteg (folyamatos önfejlesztés) — HARMADSZOR. Prompt-engineering helyett Context Engineering: az ágens-utasításokat DSPy „signature"-ként deklaráljuk, a 11.11-output-okra heurisztikus metrikákat alkalmazunk (hivatkozások megléte, struktúra-teljesség), és GEPA (Generalized Expectation-based Prompt Adaptation) a háttérben mutálja és optimalizálja a system-prompt-okat. Aszimmetrikus modell-orchestráció: olcsó generátor (GPT-5.4 Nano) + erős reflektor (Qwen3-Next-80B-Thinking vagy Opus 4.7). GEPA megerősítéses tanuláshoz képest 35×-ös computational cost-reduction a forrásokban.

Karpathy-kompatibilitás: ez a 3-réteg = Karpathy working ↔ episodic ↔ semantic memória-stack-jének gyakorlati megvalósítása + auto-tuning. Az (1) a working/episodic (fájl-alapú), a (2) a semantic (NotebookLM szintézis), a (3) a meta-loop (Karpathy „compilation" pattern explicit auto-optimalizálással).

Phase A+ — Q2: production-ready vs academic stage (2024-2026)#

A 6 vizsgált komponens státusza a friss források alapján:

PRODUCTION-READY (iparilag validált, éles használatban):

• NotebookLM + Audio Overview — éles, ingyenes, ~50 source/notebook (Standard), 500k szó/notebook, click-to-podcast. „Source-grounding" mondatonkénti citation-okkal. Egyetlen ismert vektor a prompt injection (Simon Willison 2024-i bemutató).
• Claude Projects — $20/hó Claude Pro, 200K token (~150k szó), Claude Sonnet 4.5/4.6/4.7 + Artifacts. NotebookLM-mel ellentétben rugalmas kiegészítő kontextusként kezeli a forrásokat (nem kizárólagos tudásbázis), így komplexebb analitikai/kódolási feladatokra alkalmasabb.
• Anthropic Contextual Retrieval — kifejezetten enterprise nagy-volumen RAG-pipeline: 4-rétegű optimalizációs futószalag (contextual embeddings + contextual BM25 + reranking + prompt caching). 67%-os visszakeresési hibacsökkentés, $1.02/1M token.
• DSPy + GEPA — a manuális prompt-engineering 2026-ra ÉLES rendszerekben elavult. DSPy 2.x + GEPA az ICLR 2026 Oral-en kiemelt presentation. 10-40%-os minőségjavulás RAG-pipeline-okban. 2026 alapköve a professzionális AI-rendszereknek.
• Source-grounded / Agentic / Long-context RAG — „naiv RAG" (chunk + cosine-similarity) hivatalosan halott. 2025-26 kontextusablak-forradalom (1-2M token direct processing) ↔ Agentic RAG (multi-step retrieval + reasoning) a két éles paradigma.

ACADEMIC STAGE (kutatás / paper fázisú):

• AgentInstruct — Microsoft Research, 2024 július, „AgentInstruct: Toward Generative Teaching with Agentic Flows". Laborkörnyezetben szintetikus tanító-adat generálására (Orca-AgentInstruct keret), NEM end-user production komponens.

Tanulság a Peti-vault tervezéshez: a Phase B Sprint-2 (NotebookLM MCP) és Sprint-5 (cross-projekt synthesis) production-ready building-blokkokra épülhet — kockázat alacsony. A DSPy/GEPA Sprint-szerű bevezetése szintén production-ready, csak a budget kérdés (lásd Q3). Az AgentInstruct csak ihlet-forrás (synthetic-data-augmentation pattern), nem közvetlen tech-stack komponens.

Phase A+ — Q3: 3 budget-tier ($50 / $200 / $500 / hó) — mit vágunk le#

A ~240 fájlos vault beleférne 1 db Plus-tier NotebookLM notebookba (300 source-limit) → a teljes architektúra drasztikusan egyszerűsödik. A 3 budget-tier:

Tier $50/hó — minimalista, ingyenes-stack: - MEGTART: NotebookLM per-projekt notebook-pool + commute-podcast (Audio Overview). Közösségi notebooklm-py CLI scripteli a source-add és audio-gen folyamatokat. Crystallization-hook a 11.11stop-nál ultra-budget API-val (GPT-5.4 Nano, $0.20/1M input token). - VÁG: DSPy GEPA meta-eval (egyetlen futás $10-$200 iteratív tesztelés miatt). Contextual Retrieval backup (luxus, amíg NotebookLM ingyen elvégzi a dokumentum-Q&A-t). Promptokat manuálisan írunk.

Tier $200/hó — hibrid / router-vezérelt: - MEGTART Tier 1-ből: NotebookLM CLI + napi notebook-management + podcast. - HOZZÁAD (kompromisszumokkal): - Contextual Retrieval csak cross-projekt szintézisre. A NotebookLM legnagyobb hátránya a notebook-izoláció — szűk fókuszra kiváló, cross-corpus keresésre gyenge. Erre Claude Sonnet 4.6 + Prompt Caching (90% kedvezmény, $0.30/1M cached read, $1.02/1M context-chunk generation egyszer). - Ritkított DSPy meta-eval havonta 1-2 GEPA-ciklus aszimmetrikus modell-orchestrációval (olcsó generátor + okos reflektor) — futás-költség $1-2 alatt.

Tier $500/hó — teljes agentic stack: - MAXOL: Full notebooklm-mcp-cli integráció (Claude Desktop / Cursor parancs-küldés). Folyamatos DSPy+GEPA a 11.11 crystallization-hook minden sprint-zárásnál. Premium Contextual Retrieval Claude Opus 4.7 ($5 input / $25 output / 1M token) cross-reasoning-re + OpenAI o3/o4-mini reasoning-modellek bekötése.

Peti-vault konzisztens javaslat: kezdjük Tier $50 szinten — a vault még belefér 1 ingyenes notebookba, a NotebookLM CLI már él, a 11.11stop hook ultra-budget API-ra ráköthető. Cross-projekt synthesis havi 1× akkor amikor a $200/hó tier-be lépünk. A $500-os teljes stack csak akkor érdemes, ha a vault meghaladja az 1-notebook kapacitást (több projekt aktívan + bőséges audio-overview konzumálás).

Phase A+ konkluzió — mit változtat a Phase B roadmap-en#

A Phase A 6 Sprint-tervhez 3 új konkretizálás:

1. Sprint 1 (per-projekt notebook-pool) — VALIDÁLÓDOTT, Tier $50-ban már él. Új tech-döntés: ne csak a notebooklm CLI, hanem a notebooklm-mcp-cli legyen a stratégiai cél a Sprint 5-6 közben, mert MCP-bridge → Claude Code/Desktop közvetlen utasítás.
2. Sprint 3 (11.11stop crystallization-hook) — ÚJ explicit: a hook NEM csak source-add, hanem DSPy signature-be deklarált learnings-extract + opcionális GEPA meta-eval (havi 1-2 ciklus). A Karpathy crystallization + DSPy Context Engineering közös metszete.
3. Sprint 6 (source-pool curation) — ÚJ konkrét limit: Plus-tier 300 source/notebook, a ~240 fájlos vault NEM nőhet korlátlanul egy notebookban. Watching limit: 240 → 280 között proaktív partícionálás (per-projekt szubnotebook-ok). A foundational-prioritás (⭐⭐⭐/⭐⭐/⭐) marad érvényes minőség-stratégiaként.

Új ADR-kandidátus: „notebooklm-mcp-cli mint stratégiai bridge a Claude Code ↔ NotebookLM között + DSPy GEPA havi 1× meta-eval ciklus" — Tier $200 tier-átlépéskor írandó.

Self-referential megjegyzés: az SV-1..SV-8 research bizonyíték önmagában a tengely hipotézisére — a 8 NotebookLM-notebook + ~2700 forrás + 56+ kérdés produktálta a 2300+ sornyi wiki-tartalmat 1 nap alatt. A Phase A+ source-burst (30 → 1200) az 1,5M szavas kontextusablak gyakorlati skálázhatóságának a saját bőrünkön tapasztalt validálása.

Audio overview#

A NotebookLM beépített audio-overview funkciójával ~10-15 perces podcast-szerű összefoglaló generálható a SV-8 forrásokról. Phase A végén futtatandó:

notebooklm generate audio -n a60d993b-1926-40cc-b947-94b3ef663f00

Akció-pontok ehhez a tengelyhez#

• Audio overview generálás + letöltés (~15 perc compute, MP3 commute-podcast)
• Phase B Sprint 1: per-projekt NotebookLM bootstrap-script (notebooklm-bootstrap-project)
• Phase B Sprint 3: 11.11stop crystallization-hook NotebookLM-meta-notebookba (legmagasabb prioritás — a SV-5 + SV-8 közös metszete)
• Phase C: cross-projekt synthesis havi cron + új 11-wiki/cross-project-synthesis-*.md template
• Független verifikáció: NotebookLM Plus konkrét ár 2026, Enterprise API endpoint-szettje
• Risk-mitigation ADR: ha Google policy-változás letiltja a community-CLI-t, fallback Anthropic Contextual Retrieval RAG-stackre

Kapcsolódó#

• 11-wiki/superintelligent-vault-research — master index
• 07-Decisions/2026-05-12 Superintelligent vault evolution roadmap — a 8-tengelyes roadmap
• 10-raw/2026-05-12 — Superintelligence research source pool — a research forrás-pool
• 11-wiki/notebooklm-headless-login-fifo — meglévő auth-pattern (Peti-vault)
• 11-wiki/notebooklm-seo-competitor-research-pattern — meglévő 17×7 research-workflow (Peti-vault)
• 11-wiki/sv-01-memory-architecture — a NotebookLM mint semantic-memory réteg a hierarchikus memory-pattern-ben
• 11-wiki/Karpathy-LLM-Wiki-pattern — a „compilation" elv amit a NotebookLM Audio Overview generálási folyamata közvetlen analógia
• 11-wiki/Crystallization-protocol — a Sprint 3 (11.11stop hook) integrációs pontja
• 11-wiki/cloakbrowser-fingerprint-bypass — fallback ha Cloudflare/Turnstile blokk

NotebookLM-konverzáció#

• Notebook ID: a60d993b-1926-40cc-b947-94b3ef663f00
• Notebook cím: SV-8 NotebookLM cognitive layer
• Conversation ID: c82edbb5-cbab-42d5-bc0d-33a88f875a2f
• Források (Phase A): 30 (20 manuál + 10 add-research)
• Források (Phase A+): 1200 (30 + 4× deep-research import ~1170 új forrás)
• Kérdések: Phase A 7/7 + Phase A+ 3/3 (10 összesen)
• Q-output fájlok (tmp): /tmp/sv-research/sv8-q{1..7}-*.txt (Phase A) + /tmp/sv-research/sv8-phase-a-plus-q{1,2,3}.txt (Phase A+)
• Add-research Phase A: R1 task 82ff3dc3-9263-4761-8897-b39b3cbd2efd failed-to-start (retry pending); R2 task 7bd4d94b-... 502-hibázott, retry után 10 source importálva
• Add-research Phase A+: R1 303a6340-... DSPy/AgentInstruct (~142 source); R2 682951dd-... NotebookLM API Enterprise (Phase A+ első batch); R3 06f72cf3-... Claude Projects vs Contextual Retrieval (~36 source); R4 deab30fa-... citation-grounded RAG. IMPORT_RESEARCH timeout-ok és 502-k retry-loop-ban kezelve, source-count 30 → 1200 (40×)