Manus Brain

SKILL: Manus Brain — Baza Doświadczeń v2

Lokalizacja: Google Drive: Manus Brain/SKILL.md Wersja: 2.0 | Aktualizacja: 2026-03-04

KIEDY UŻYWAĆ TEGO SKILL

Czytaj ten plik NA POCZĄTKU każdej rozmowy z użytkownikiem, jeśli:

• Zadanie dotyczy projektu, który był wcześniej omawiany
• Użytkownik mówi "pamiętasz?", "jak poprzednio", "kontynuuj"
• Zadanie dotyczy deploymentu, kodowania, integracji, bezpieczeństwa
• Chcesz sprawdzić czy podobny problem był już rozwiązany

ARCHITEKTURA SYSTEMU

ROZMOWA
   │
   ▼
[1] LOAD CONTEXT          ← Czytaj context snapshot z Supabase
   │
   ▼
[2] CHECK EXPERIENCES     ← Szukaj podobnych doświadczeń
   │
   ▼
[3] EXECUTE TASK          ← Wykonaj zadanie z uwzględnieniem wiedzy
   │
   ▼
[4] SAVE NOTE             ← Zapisz notatkę po zakończeniu
   │
   ▼
[5] NIGHTLY RUN (02:00)   ← System automatycznie przetwarza notatki
   │
   ▼
[6] DASHBOARD UPDATE      ← Widoczne na dashboardzie

KROK 1: ŁADOWANIE KONTEKSTU (na początku rozmowy)

Najszybszy start — ostatni context snapshot

SELECT top_experiences, active_projects, recent_patterns, knowledge_gaps
FROM manus_context_snapshots
WHERE snapshot_type = 'post_run'
ORDER BY created_at DESC
LIMIT 1;

Top experiences (zawsze przy złożonym zadaniu)

SELECT title, summary, category, confidence, tags
FROM manus_experiences
WHERE status = 'active'
ORDER BY confidence DESC, applied_count DESC
LIMIT 10;

Aktywne projekty

SELECT project_name, display_name, tech_stack, open_issues, recent_progress
FROM manus_project_context
WHERE status = 'active'
ORDER BY last_activity DESC;

Wzorce do unikania

SELECT pattern_name, pattern_type, description, recommended_action
FROM manus_patterns
WHERE status = 'active' AND pattern_type IN ('anti_pattern', 'pitfall')
ORDER BY occurrence_count DESC
LIMIT 5;

KROK 2: WYSZUKIWANIE DOŚWIADCZEŃ

Po kategorii

SELECT title, summary, confidence, tags
FROM manus_experiences
WHERE status = 'active' AND category = 'deployment'
ORDER BY confidence DESC LIMIT 5;
-- kategorie: deployment|coding|security|workflow|ux|general|data|integration

Po tagach

SELECT title, summary, confidence
FROM manus_experiences
WHERE status = 'active' AND tags && ARRAY['vercel', 'deployment']
ORDER BY confidence DESC;

Po domenie

SELECT title, summary, confidence
FROM manus_experiences
WHERE status = 'active' AND domain = 'supabase'
ORDER BY confidence DESC;

KROK 3: ZASADY WYKONANIA ZADANIA

Hierarchia decyzji

1. confidence > 0.8 → Stosuj bezwarunkowo
2. confidence 0.5–0.8 → Stosuj z ostrożnością, weryfikuj
3. confidence < 0.5 → Traktuj jako wskazówkę, nie regułę
4. Brak doświadczenia → Działaj standardowo, zapisz wynik jako nowe

Optymalizacja kredytów (OBOWIĄZKOWE)

MODEL ROUTING:
  Klasyfikacja, tagowanie       → gpt-4.1-nano  (0.1x koszt)
  Synteza, analiza, wnioski     → gpt-4.1-mini  (0.2x koszt)
  Złożone rozumowanie, kod prod → gpt-4.1       (1x koszt — rzadko!)

CACHE FIRST:
  hash = SHA256(model + system + prompt)
  if cache[hash] exists → return cached (0 tokenów)

BATCH:
  8 notatek = 1 AI call (oszczędność 87% tokenów)

CONTEXT COMPRESSION (SimpleMem):
  Max 500 tokenów na kontekst
  Max 5 experiences, nie cała baza

KROK 4: ZAPISYWANIE NOTATKI (po zakończeniu zadania)

Kiedy zapisywać

• Po każdym zadaniu trwającym > 5 minut
• Po rozwiązaniu nietrywialnego problemu
• Po wdrożeniu czegoś nowego
• Po odkryciu błędu lub anty-wzorca

Format notatki

from supabase import create_client
import os

sb = create_client(os.environ["SUPABASE_URL"], os.environ["SUPABASE_KEY"])

sb.table("manus_conversation_notes").insert({
    "conversation_id": "2026-03-04_temat_sesji",
    "session_date":    "2026-03-04",
    "topic":           "Krótki temat rozmowy",
    "key_points":      ["punkt 1", "punkt 2", "punkt 3"],
    "decisions_made":  ["decyzja 1", "decyzja 2"],
    "problems_solved": ["problem i jak go rozwiązano"],
    "open_issues":     ["co zostało do zrobienia"],
    "tools_used":      ["vercel", "supabase", "react"],
    "projects":        ["nazwa-projektu"],
    "importance":      7,        # 1-10 (10 = krytyczne)
    "has_new_pattern": True      # czy odkryto nowy wzorzec
}).execute()

Skala ważności

KROK 5: AKTUALIZACJA PROJEKTU

sb.table("manus_project_context").upsert({
    "project_name":    "nazwa-projektu",
    "display_name":    "Wyświetlana nazwa",
    "status":          "active",
    "tech_stack":      ["react", "supabase", "vercel"],
    "related_domains": ["deployment", "frontend"],
    "open_issues":     [{"issue": "opis", "priority": "high"}],
    "recent_progress": [{"date": "2026-03-04", "what": "co zrobiono"}],
    "last_activity":   "2026-03-04",
    "url":             "https://projekt.manus.space"
},

KROK 6: FEEDBACK DO DOŚWIADCZEŃ

# Doświadczenie pomogło
sb.table("manus_experiences").update({
    "helpful_count": helpful_count + 1,
    "applied_count": applied_count + 1,
    "last_applied_at": datetime.utcnow().isoformat()
}).eq("id", experience_id).execute()

# Doświadczenie zaszkodziło / jest nieaktualne
sb.table("manus_feedback").insert({
    "experience_id": experience_id,
    "feedback_type": "harmful",  # harmful | outdated | incomplete
    "comment":       "Dlaczego nie zadziałało",
    "context":       "W jakim kontekście użyto"
}).execute()

TABELE SUPABASE — QUICK REFERENCE

HARMONOGRAM AUTOMATYCZNY

GOOGLE DRIVE — STRUKTURA

Manus Brain/
├── SKILL.md                    ← ten plik (instrukcje dla Manusa)
├── MEMORY.md                   ← aktualny stan wiedzy (auto-update)
├── CREDIT_OPTIMIZATION.md      ← szczegółowe reguły oszczędzania
├── learning-runs/              ← raporty z nocnych runów
│   ├── 2026-03-04.md
│   └── ...
├── scripts/
│   ├── manus_learning_engine_v2.py
│   ├── migration_001_experiences.sql
│   └── migration_002_extended.sql
└── snapshots/                  ← snapshoty kontekstu
    └── latest.json

SUPABASE CONNECTION

from supabase import create_client
import os

sb = create_client(
    os.environ["SUPABASE_URL"],
    os.environ["SUPABASE_KEY"]
)
# Project ID: qhscjlfavyqkaplcwhxu
# Region: eu-central-1

SZACOWANE KOSZTY

Przy 80%+ cache hit rate koszty spadają do $0.01–0.05/miesiąc.

ŹRÓDŁA I STANDARDY

• Stanford ACE (arXiv:2510.04618) — delta updates, playbook bullets, brevity bias prevention
• SimpleMem (arXiv:2601.02553) — semantic lossless compression, 30x token reduction
• Maxim AI 2026 — model routing (37–46% savings), semantic caching (15–70% savings)
• OpenAI Prompt Caching — 10x cheaper cached tokens

Wygenerowano: 2026-03-04 | Wersja: 2.0