https://marcinpendolski.pl/app/Recent content in Moje aplikacje on Strona głównaHugopl-plWed, 08 Jul 2026 00:00:00 +0000https://marcinpendolski.pl/app/llm_wiki_py/Wed, 08 Jul 2026 00:00:00 +0000https://marcinpendolski.pl/app/llm_wiki_py/<p>W pierwszym <a href="https://www.linkedin.com/posts/marcinpendolski_dataanalytics-ai-knowledgemanagement-share-7470182601656565760-lkeY/?utm_source=share&amp;utm_medium=member_desktop&amp;rcm=ACoAACLNJl4BEVvx8Dyrv3vQKWalkk_oHr4oJEU" target="_blank" rel="noreferrer">wpisie na LinkedIn</a> opisałem koncepcję własnego LLM Wiki jako alternatywę dla standardowego podejścia RAG. Zamiast wektoryzować i przeszukiwać dokumenty przy każdym zapytaniu, system jednorazowo kompiluje i strukturyzuje wiedzę.</p> <p>Poniżej omawiam architekturę i kod z repozytorium llm_wiki na GitHubie. Architektura celowo odrzuca bazy wektorowe na rzecz pełnego okna kontekstowego modeli Google Gemini i ścisłej strukturyzacji danych wejściowych.</p> <h2 id="struktura-danych-i-wymuszanie-schematu-pydantic_modelspy" class="relative group">Struktura danych i wymuszanie schematu (pydantic_models.py) <span class="absolute top-0 w-6 transition-opacity opacity-0 -start-6 not-prose group-hover:opacity-100"><a class="group-hover:text-primary-300 dark:group-hover:text-neutral-700" style="text-decoration-line: none !important;" href="#struktura-danych-i-wymuszanie-schematu-pydantic_modelspy" aria-label="Kotwica">#</a></span></h2><p>Domyślnym wyjściem modelu LLM jest nieustrukturyzowany tekst, co utrudnia automatyzację. Aby zintegrować model z systemem plików, stosuję bibliotekę Pydantic do zdefiniowania sztywnego schematu wyjściowego (JSON). Model działa tu jako agent decyzyjny operujący na notatkach:</p>