Notuję bardzo dużo. Pomysły na architekturę, ustalenia ze spotkań, szkice schematów, uwagi do dokumentów, rzeczy, które trzeba sprawdzić jutro rano. Przez długi czas wydawało mi się, że problemem jest samo notowanie i że wystarczy robić to częściej i staranniej. Okazało się, że prawdziwy problem leży gdzie indziej.
Moje notatki powstają w trzech zupełnie różnych miejscach. Część piszę na klawiaturze. Część zapisuję odręcznie na elektronicznym notesie. A część w ogóle nie jest pisana, bo to rozmowy, które nagrywam. Każda z tych form ma swoje miejsce i żadnej nie chcę się pozbyć. Tyle że wiedza rozrzucona po trzech systemach zachowuje się tak, jakby jej nie było. Jeśli nie pamiętam, gdzie coś zapisałem, to w praktyce tego nie zapisałem.
W tym artykule pokażę, jak rozwiązałem ten problem i dlaczego skończyło się na zbudowaniu własnego narzędzia o nazwie e-note. Nie jest to kolejna aplikacja do notatek. To warstwa, która łączy trzy światy w jeden i w której lokalny model językowy wykonuje bardzo konkretną, ograniczoną pracę. Ważniejsze od samego narzędzia jest jednak podejście, które za nim stoi. To ono może przydać się również Tobie.
Trzy źródła, trzy różne rodzaje notatek
Zanim przejdę do rozwiązania, warto zobaczyć, dlaczego te trzy źródła tak trudno ze sobą połączyć. Nie chodzi tylko o to, że są to różne aplikacje. To są różne rodzaje informacji.
Tekst, czyli Joplin jako główna baza wiedzy
Sercem całego systemu jest Joplin, otwartoźródłowa aplikacja do notatek. To w niej trzymam notatki tekstowe i to ją traktuję jako swoją główną bazę danych. Wybór nie był przypadkowy. Joplin przechowuje notatki w formacie Markdown, czyli zwykłym tekście z prostym formatowaniem, który nie zestarzeje się razem z jakąkolwiek firmą. Pozwala też dołączać do notatek pliki, na przykład obrazy czy dokumenty PDF, i synchronizować całość na wielu urządzeniach.
Notatka tekstowa jest najłatwiejsza w obsłudze. Można ją przeszukać, skopiować, połączyć z inną. To dlatego właśnie tekst stał się punktem, do którego sprowadzam wszystko inne.
Pismo odręczne, czyli reMarkable
Drugim źródłem jest reMarkable, elektroniczny notes z ekranem przypominającym papier. Piszę na nim rysikiem tak, jak w zwykłym zeszycie.
Dlaczego w ogóle pisać odręcznie, skoro mam klawiaturę? Bo niektóre rzeczy myśli się lepiej ręką. Szkic architektury, strzałka między dwoma usługami, notatka na marginesie dokumentu PDF, który właśnie czytam. To wszystko jest naturalne na kartce, a niezręczne w edytorze tekstu. Kłopot polega na tym, że taka notatka to w gruncie rzeczy obraz. Zostaje w ekosystemie notesu i nie pojawia się sama tam, gdzie trzymam resztę wiedzy.
Rozmowy, czyli Plaud
Trzecie źródło to Plaud Note Pro, niewielki rejestrator dźwięku wielkości karty płatniczej. Używam go w dwóch rolach. Na spotkaniach działa jak klasyczny dyktafon: leży na stole i nagrywa całą rozmowę. Przy telefonie nagrywa rozmowy telefoniczne. Producent dokłada do niego własną aplikację, która transkrybuje nagrania i przygotowuje podsumowania z pomocą modeli AI w chmurze.
Ten rodzaj notatki jest najcenniejszy, a jednocześnie najtrudniejszy. Godzina spotkania czy kwadrans rozmowy telefonicznej zawiera decyzje, ustalenia i zadania, ale w surowej postaci to po prostu nagranie dźwięku. Nikt nie przesłucha jej ponownie, żeby znaleźć jedno zdanie.
Dlaczego nie znalazłem gotowego narzędzia
Długo szukałem rozwiązania, które połączy te trzy światy. Bezskutecznie. Z perspektywy czasu widzę, że to nie był przypadek, tylko konsekwencja tego, jak projektuje się takie produkty.
Każde urządzenie buduje własny ekosystem
reMarkable ma swoją chmurę i swoje aplikacje. Plaud ma swoją chmurę i swoją aplikację. Każdy producent chce, żeby to jego aplikacja była miejscem, w którym zostaje Twoja wiedza. To zrozumiałe z biznesowego punktu widzenia, ale dla użytkownika oznacza, że notatki zostają w kilku oddzielnych silosach.
Integracje kończą się w połowie drogi
Owszem, istnieją eksporty i integracje. Z Plauda można wyeksportować transkrypcję, a do reMarkable da się wysłać dokument. Problem w tym, że każda taka integracja rozwiązuje kawałek problemu: przenosi jeden plik w jedną stronę, do jednego wybranego miejsca. Nie było narzędzia, które traktowałoby moją bazę wiedzy jako centrum, a urządzenia jako jej peryferia.
Główny powód: żadne narzędzie nie spełniało moich oczekiwań
Chcę to powiedzieć wprost, bo to najważniejsza informacja w całej tej historii. Nie napisałem własnego integratora dlatego, że lubię budować wszystko od zera, ani dlatego, że chciałem mieć kolejny projekt po godzinach. Zrobiłem to, bo po długich poszukiwaniach nie znalazłem narzędzia, które spełniałoby moje oczekiwania.
A oczekiwania były konkretne. Wszystkie notatki miały trafiać do Joplina, a nie do kolejnej chmury producenta. Z notesem elektronicznym dane miały płynąć w obie strony. Nagrania miały zamieniać się w notatki o przewidywalnej budowie. A treść rozmów miała być przetwarzana lokalnie. Każde z rozwiązań, które sprawdzałem, spełniało najwyżej część tych warunków. Żadne nie spełniało wszystkich naraz.
Kiedy gotowe rozwiązanie nie istnieje, programista ma dwie drogi: dopasować swój sposób pracy do ograniczeń narzędzi albo zbudować brakujący element. Wybrałem to drugie.
Orkiestrator czy warstwa integracyjna?
e-note można nazwać orkiestratorem, bo koordynuje przepływ danych między kilkoma systemami. Sam jednak wolę myśleć o nim jako o warstwie integracyjnej. Ta różnica w nazwie dobrze oddaje sposób myślenia o całym projekcie.
e-note nie jest kolejnym miejscem, w którym trzymam notatki. Nie ma własnej bazy wiedzy, nie zastępuje Joplina, reMarkable ani Plauda. Każde z tych narzędzi robi to, w czym jest dobre. e-note jedynie sprawia, że dane płyną między nimi we właściwym kierunku i trafiają we właściwe miejsce.
Jedno źródło prawdy
Najważniejsza decyzja architektoniczna zapadła na samym początku: Joplin jest źródłem prawdy. Wszystko, co powstaje na innych urządzeniach, ostatecznie ma trafić właśnie tam.
Brzmi to banalnie, ale ta jedna decyzja upraszcza mnóstwo innych. Gdy pojawia się pytanie „gdzie powinna wylądować ta informacja?”, odpowiedź jest zawsze ta sama. Gdy szukam czegoś sprzed trzech miesięcy, szukam w jednym miejscu. A gdy w przyszłości dojdzie czwarte źródło notatek, nie będę projektował systemu od nowa. Dopiszę jedynie kolejną drogę prowadzącą do Joplina.
Kierunek przepływu ma znaczenie
Druga ważna obserwacja: nie każde źródło wymaga tego samego rodzaju integracji. reMarkable jest miejscem, w którym zarówno tworzę, jak i czytam, więc dane muszą płynąć w obie strony. Plaud jest wyłącznie źródłem: nagrywam na nim, ale nigdy nie wysyłam do niego niczego z powrotem. Dlatego integracja z nim działa tylko w jedną stronę.
To rozróżnienie warto zrobić świadomie. Synchronizacja dwukierunkowa jest znacznie trudniejsza od jednokierunkowej, więc stosuję ją tylko tam, gdzie naprawdę jest potrzebna.
reMarkable: synchronizacja w obie strony
Pierwszy z dwóch przepływów łączy notes elektroniczny z Joplinem.
Z notesu do bazy wiedzy
W jedną stronę e-note przenosi do Joplina to, co powstało na reMarkable: odręczne szkice i dokumenty PDF, także te z moimi adnotacjami. Dzięki temu w Joplinie, obok notatek tekstowych, mam również rysunki i opisane dokumenty. Szkic architektury narysowany na spotkaniu nie zostaje już zamknięty w notesie, tylko ląduje obok notatki tekstowej, której dotyczy.
Z bazy wiedzy do notesu
W drugą stronę e-note pozwala przenieść materiały z Joplina na reMarkable. To przydaje się, gdy chcę coś spokojnie przeczytać i opisać odręcznie, na przykład dokument, nad którym pracuję. Czytam go na ekranie przypominającym papier, robię notatki na marginesach, a opisana wersja wraca później do Joplina.
W praktyce zamyka to pełny cykl: materiał trafia do notesu, wraca z niego z moimi uwagami i zostaje w bazie wiedzy.
Dlaczego dwukierunkowość jest trudna
Synchronizacja w obie strony wygląda niewinnie, dopóki nie zada się kilku pytań. Co, jeśli ten sam dokument zmieni się w obu miejscach? Która wersja jest nowsza? Jak rozpoznać, że plik już kiedyś został przeniesiony i nie powinien pojawić się po raz drugi?
To są pytania, które pojawiają się przy każdej integracji dwóch systemów, niezależnie od tego, czy chodzi o notatki, czy o dane klientów w aplikacji biznesowej. Warstwa integracyjna musi umieć na nie odpowiedzieć, inaczej po kilku tygodniach zamiast porządku dostajemy duplikaty i nadpisane zmiany. W przypadku e-note pomaga zasada jednego źródła prawdy: wiadomo, który system ma ostatnie słowo.
Plaud: od nagrania do notatki według szablonu
Drugi przepływ jest ciekawszy z punktu widzenia AI. To tutaj lokalny model językowy wykonuje właściwą pracę.
Najpierw tekst, potem sens
Proces zaczyna się od pobrania pliku dźwiękowego z nagraniem. Model językowy nie „słucha” jednak dźwięku, tylko pracuje na tekście. Dlatego nagranie najpierw zamieniane jest na tekst, czyli transkrybowane. Dopiero na tej podstawie lokalny model tworzy właściwą notatkę, która trafia do Joplina.
Warto ten podział rozumieć, bo to dwa zupełnie różne zadania. Transkrypcja odpowiada na pytanie „co zostało powiedziane?”. Model językowy odpowiada na pytanie „co z tego wynika?”. Surowa transkrypcja godzinnej rozmowy to kilkanaście stron tekstu, w którym decyzje przeplatają się z dygresjami. Notatka ma z tego wydobyć to, co ważne.
Szablony zamiast swobodnego streszczenia
Tu pojawia się element, który uważam za kluczowy: notatki powstają według specjalnych szablonów.
Gdyby poprosić model po prostu o „streszczenie rozmowy”, za każdym razem dostałbym tekst o nieco innej budowie. Raz z listą zadań na końcu, raz bez niej. Raz z podziałem na tematy, raz jako jeden długi akapit. Takie notatki trudno porównywać i trudno w nich szukać.
Szablon odwraca tę sytuację. To ja decyduję, z jakich części ma składać się notatka, a model jedynie wypełnia je treścią. Inaczej powinna wyglądać notatka ze spotkania projektowego, a inaczej z rozmowy z klientem. Dzięki temu wiem, gdzie w każdej notatce szukać ustaleń, a gdzie otwartych pytań.
To ogólniejsza zasada pracy z modelami językowymi, która sprawdza się daleko poza notatkami. Im precyzyjniej określisz strukturę odpowiedzi, tym bardziej przewidywalny jest wynik. Model, który dostaje wolną rękę, będzie improwizował. Model, który dostaje szablon, wykonuje konkretne zadanie.
Dlaczego model lokalny
Plaud oferuje własne transkrypcje i podsumowania, więc ktoś mógłby zapytać, po co budować to samodzielnie. Odpowiedź ma dwie części.
Pierwsza dotyczy danych. Nagrania ze spotkań i rozmów telefonicznych to jedne z najbardziej wrażliwych informacji, jakie mam: rozmowy o projektach, decyzjach, czasem o ludziach. Przy przetwarzaniu w chmurze zawartość tych rozmów trafia do zewnętrznych usług. Lokalny model oznacza, że tworzenie notatki odbywa się na sprzęcie, nad którym mam kontrolę, a treść rozmowy nie musi go opuszczać na tym etapie.
Druga część dotyczy kontroli nad wynikiem. Gdy model działa lokalnie, sam decyduję, którego modelu używam, jak wyglądają szablony i dokąd trafia efekt. Nie dopasowuję się do formatu, który wybrał producent urządzenia. Notatka od razu ląduje w Joplinie w takiej postaci, jakiej potrzebuję.
Uważam, że to dobry przykład zadania, w którym lokalne modele nie są jedynie słabszą, ale bezpieczniejszą alternatywą dla chmury. To po prostu właściwe narzędzie: zadanie jest dobrze zdefiniowane, dane są wrażliwe, a wynik ma trafić do mojej własnej bazy wiedzy.
Nie tylko Plaud, czyli dowolny plik MP3
Z czasem okazało się, że ta sama ścieżka przydaje się daleko poza rejestratorem. Dla e-note nie ma znaczenia, skąd pochodzi nagranie. Liczy się to, że jest plikiem dźwiękowym, który można zamienić na tekst, a potem na notatkę według szablonu. Dlatego e-note potrafi analizować także zwykłe pliki MP3.
Najczęściej korzystam z tego przy podcastach z YouTube. Wiele wartościowych rozmów technicznych ma formę godzinnych nagrań, do których rzadko się wraca. Po wysłuchaniu pamiętam ogólne wrażenie, ale po kilku tygodniach nie umiem już wskazać, kto co powiedział i jaki był najważniejszy wniosek. Gdy taki odcinek zamienię w tekstową notatkę w Joplinie, staje się częścią mojej bazy wiedzy. Mogę go przeszukać, połączyć z własnymi notatkami na ten sam temat i wrócić do konkretnej myśli bez ponownego słuchania całości.
To dobrze pokazuje zaletę warstwy integracyjnej. Nie musiałem budować osobnego narzędzia do podcastów. Wystarczyło, że wejściem do istniejącej ścieżki może być dowolny plik dźwiękowy, a nie tylko nagranie z jednego, konkretnego urządzenia.
Czego warto się nauczyć z tego projektu
Nie każdy potrzebuje dokładnie tej samej kombinacji urządzeń. Kilka zasad, które stoją za e-note, ma jednak znacznie szersze zastosowanie.
Najpierw wybierz źródło prawdy
Zanim zaczniesz łączyć narzędzia, zdecyduj, które z nich jest centrum. Bez tej decyzji każda nowa integracja staje się osobnym projektem, a dane zaczynają żyć w kilku wersjach jednocześnie. Z nią każda integracja odpowiada na to samo, proste pytanie: jak dostarczyć dane do centrum?
Integruj, zamiast zastępować
Kuszące jest szukanie jednej aplikacji, która zrobi wszystko. Zwykle jednak lepsze efekty daje zostawienie każdego narzędzia w roli, w której jest najlepsze, i dobudowanie cienkiej warstwy, która je połączy. reMarkable dalej jest świetnym notesem, Plaud dalej jest świetnym rejestratorem. Zmieniło się tylko to, dokąd trafia efekt ich pracy.
Daj modelowi AI wąskie, dobrze opisane zadanie
W e-note model językowy nie jest „inteligentnym asystentem od wszystkiego”. Ma jedno zadanie: zamienić transkrypcję w notatkę według określonego szablonu. Właśnie dlatego działa przewidywalnie. To podejście sprawdza się zawsze, gdy AI ma być częścią systemu, a nie jego improwizującym centrum.
Wniosek
e-note powstał z bardzo praktycznej potrzeby: chciałem, żeby wszystko, co zapisuję ręką, klawiaturą i głosem, trafiało w jedno miejsce. Gotowego narzędzia nie znalazłem, bo producenci urządzeń budują własne ekosystemy, a nie mosty między nimi.
Rozwiązanie okazało się mniej skomplikowane, niż mogłoby się wydawać. Jedno źródło prawdy w postaci Joplina. Dwukierunkowa synchronizacja z notesem tam, gdzie naprawdę jest potrzebna. Jednokierunkowy przepływ z rejestratora i z dowolnych plików MP3 tam, gdzie wystarczy. I lokalny model językowy, który dostaje wąskie zadanie i jasny szablon.
Najważniejsze ograniczenie warto powiedzieć wprost: taka warstwa integracyjna zależy od tego, jak producenci udostępniają dane ze swoich urządzeń. Gdy zmieni się sposób synchronizacji po ich stronie, trzeba dostosować również integrację. To cena za połączenie systemów, nad którymi nie ma się pełnej kontroli.
Jeżeli Twoja wiedza też jest rozrzucona po kilku aplikacjach, nie zaczynaj od szukania kolejnej, lepszej aplikacji. Zacznij od pytania, które z Twoich narzędzi powinno być centrum. Reszta to już kwestia zbudowania odpowiednich dróg, które do niego prowadzą.
Co dalej
Ten tekst pokazuje, dlaczego powstał e-note i jak wygląda jego idea. Celowo nie wchodziłem tu w szczegóły implementacji, bo każda z opisanych dróg zasługuje na osobne omówienie.
W kolejnej serii pokażę, jak zbudowałem e-note krok po kroku: jak połączyłem go z Joplinem, jak działa synchronizacja z reMarkable w obie strony, jak nagranie z Plauda zamienia się w notatkę i jak wyglądają szablony, według których pracuje lokalny model. Będzie to już materiał bardziej techniczny, z konkretnymi decyzjami, problemami, na które trafiłem, i sposobami ich rozwiązania.