Как избежать нехватки идей для технических статей! Эффективные методы получения информации и генерации идей

Sat, 12 Sep 2026 12:00:00 +0900

Если вы ведете технический блог в качестве инженера или исследователя, то почти наверняка сталкиваетесь с определенным препятствием. Это «нехватка идей» (или «исчерпание тем»). Даже если первые несколько статей написаны легко, со временем нередки переживания вроде «я не знаю, о чем писать дальше» или «мне катастрофически не хватает инпута для аутпута». Написание статей для технического блога сильно зависит не только от навыков письма, но и от проектирования целой системы ежедневного сбора знаний, их систематизации и создания новой ценности путем их комбинирования.

В этой статье я максимально подробно и с технической точки зрения расскажу о систематизированном конвейере ввода и вывода, который позволяет почти бесконечно генерировать идеи для технических статей. Мы начнем с механизма автоматического извлечения трендовых тем из высококачественных зарубежных источников, таких как Hacker News и Lobsters, с помощью API, и их регулярного запуска через GitHub Actions. Затем мы построим продвинутую систему управления личными знаниями (PKM: Personal Knowledge Management), в которой собранная информация будет систематизироваться в виде знаний с использованием метода Zettelkasten (Цеттелькастен) в Obsidian, а комбинация OpenAI Embeddings API и Pinecone (векторной базы данных) обеспечит возможность семантического поиска.

Более того, чтобы компенсировать ограничения человеческой памяти, мы применим интервальное повторение (Spaced Repetition) на основе кривой забывания Эббингауза с использованием программы Anki. Мы глубоко погрузимся в процесс сублимации закрепленных знаний в новые идеи с помощью «комбинаторной креативности» (Combinatorial Creativity), подкрепляя это конкретными математическими моделями и примерами реализации на Python-скриптах.

1. Информационная энтропия и механизм «нехватки идей»

Почему у нас возникает «нехватка идей»? С точки зрения теории информации можно сказать, что это состояние, когда «количество информации» в нашей системе знаний истощается или становится слишком однородным.

Информационная энтропия $H(X)$, предложенная Клодом Шенноном, представляет собой неопределенность (или степень удивления) информации, получаемой из источника.

$$ H(X) = - \sum_{i=1}^{n} P(x_i) \log_2 P(x_i) $$

Здесь $X$ — это случайная величина тем, получаемых из источника, а $P(x_i)$ — вероятность встречи с этой темой $x_i$. Если вы обычно просматриваете одни и те же веб-сайты (например, только определенные местные новостные порталы или документацию по одному и тому же техническому стеку), то вероятность конкретного $P(x_i)$ становится крайне высокой, в результате чего энтропия всей системы $H(X)$ снижается. Состояние с низкой энтропией означает состояние «без новых открытий (удивлений)», что и является фундаментальной причиной «нехватки идей».

Чтобы поддерживать энтропию на высоком уровне, необходимо намеренно включать источники информации, с которыми вы обычно не взаимодействуете, в качестве «шума», тем самым выравнивая распределение вероятностей соприкосновения с неизвестными темами. Это и есть главная причина для автоматизации получения информации из разнообразных источников.

2. Создание автоматизированного конвейера сбора информации: API Hacker News и Lobsters

Для получения качественного инпута эффективно извлекать трендовую информацию из хороших инженерных сообществ с низким уровнем шума. Такие платформы, как Hacker News (управляемая Y Combinator) и Lobsters, идеально подходят в качестве мест, где ведутся глубокие технические дискуссии. Однако ежедневный просмотр этих сайтов отнимает время и истощает когнитивные ресурсы.

Поэтому мы создадим скрипт на Python для автоматического извлечения статей с определенным рейтингом (score) из этих API.

Python-скрипт для извлечения трендовых статей

Следующий скрипт получает статьи, соответствующие определенным критериям, из Firebase API Hacker News и JSON-ленты Lobsters, и сохраняет их в виде Markdown-файла.

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82


import requests
import json
from datetime import datetime
import os

# Настройки
HN_TOPSTORIES_URL = "https://hacker-news.firebaseio.com/v0/topstories.json"
HN_ITEM_URL = "https://hacker-news.firebaseio.com/v0/item/{}.json"
LOBSTERS_URL = "https://lobste.rs/hottest.json"
MIN_HN_SCORE = 100
MIN_LOBSTERS_SCORE = 10
OUTPUT_DIR = "./daily_inputs"

def get_hacker_news_trends():
 """Получить топовые статьи с высоким рейтингом из Hacker News"""
 print("Fetching Hacker News top stories...")
 response = requests.get(HN_TOPSTORIES_URL)
 if response.status_code != 200:
 return []

 story_ids = response.json()[:30] # Ограничить топ-30
 trending_stories = []

 for story_id in story_ids:
 item_resp = requests.get(HN_ITEM_URL.format(story_id))
 if item_resp.status_code == 200:
 item = item_resp.json()
 if item and item.get("score", 0) >= MIN_HN_SCORE:
 trending_stories.append({
 "title": item.get("title"),
 "url": item.get("url", f"https://news.ycombinator.com/item?id={story_id}"),
 "score": item.get("score"),
 "source": "Hacker News"
 })
 return trending_stories

def get_lobsters_trends():
 """Получить статьи с высоким рейтингом из Lobsters"""
 print("Fetching Lobsters hottest stories...")
 response = requests.get(LOBSTERS_URL)
 if response.status_code != 200:
 return []

 items = response.json()
 trending_stories = []

 for item in items:
 if item.get("score", 0) >= MIN_LOBSTERS_SCORE:
 trending_stories.append({
 "title": item.get("title"),
 "url": item.get("url", item.get("comments_url")),
 "score": item.get("score"),
 "source": "Lobsters"
 })
 return trending_stories

def save_to_markdown(stories):
 """Сохранить полученные статьи как Markdown-файл"""
 if not os.path.exists(OUTPUT_DIR):
 os.makedirs(OUTPUT_DIR)

 today_str = datetime.now().strftime("%Y-%m-%d")
 filepath = os.path.join(OUTPUT_DIR, f"trends_{today_str}.md")

 with open(filepath, "w", encoding="utf-8") as f:
 f.write(f"# Daily Tech Trends: {today_str}\n\n")
 for story in stories:
 f.write(f"## [{story['title']}]({story['url']})\n")
 f.write(f"- **Source**: {story['source']}\n")
 f.write(f"- **Score**: {story['score']}\n")
 f.write(f"- **Notes**: (добавьте свои заметки здесь)\n\n")

 print(f"Saved {len(stories)} stories to {filepath}")

if __name__ == "__main__":
 hn_stories = get_hacker_news_trends()
 lobsters_stories = get_lobsters_trends()
 all_stories = hn_stories + lobsters_stories

 # Сортировка по рейтингу по убыванию
 all_stories.sort(key=lambda x: x["score"], reverse=True)
 save_to_markdown(all_stories)

Этот скрипт предлагает нечто большее, чем просто обычный RSS-ридер. Благодаря фильтрации по рейтингу (score), вы можете извлекать только те технические темы, которые действительно привлекают внимание сообщества (высокий уровень полезного сигнала при малом количестве шума).

3. Планирование и автоматизация с помощью GitHub Actions

Запускать созданный Python-скрипт вручную каждый день утомительно. Основа автоматизации — максимальное сокращение вмешательства человека. С помощью функции Cron в GitHub Actions мы построим систему, которая ежедневно в заданное время будет выполнять скрипт и автоматически коммитить результаты в репозиторий.

Создайте файл .github/workflows/daily_trends.yml в корне вашего проекта и напишите следующее:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34


name: Daily Tech Trends Scraper

on:
 schedule:
 - cron: '0 0 * * *' # Ежедневно в 0:00 UTC
 workflow_dispatch: # Для ручного запуска

jobs:
 scrape-and-commit:
 runs-on: ubuntu-latest
 steps:
 - name: Checkout Repository
 uses: actions/checkout@v3

 - name: Setup Python
 uses: actions/setup-python@v4
 with:
 python-version: '3.10'

 - name: Install Dependencies
 run: |
 python -m pip install --upgrade pip
 pip install requests
 
 - name: Run Scraper Script
 run: python scripts/fetch_trends.py

 - name: Commit and Push Changes
 run: |
 git config --local user.email "action@github.com"
 git config --local user.name "GitHub Action"
 git add daily_inputs/
 git commit -m "Auto-update daily tech trends [skip ci]" || echo "No changes to commit"
 git push

Благодаря этому каждое утро, открывая Obsidian, вы будете автоматически получать важные темы текущего дня, добавленные в ваш Inbox (daily_inputs/) в формате Markdown.

4. Создание сети знаний с помощью Zettelkasten и Obsidian

Автоматически собранная информация пока остается просто «данными». Необходим процесс, который сублимирует их в «знания». Здесь на помощь приходят метод Zettelkasten (Цеттелькастен) и Obsidian.

Zettelkasten — это метод ведения заметок, разработанный немецким социологом Никласом Луманом. Вместо того чтобы сортировать заметки по иерархическим папкам, отдельные заметки сохраняются небольшими (атомарными) и связываются друг с другом с помощью ссылок, образуя сеть знаний, подобную нейронным цепям мозга.

В Zettelkasten в основном существует 3 типа заметок:

Fleeting Notes (Быстрые заметки): Временные записи пришедших в голову идей или собранной информации. Markdown-файлы с трендовой информацией, которые мы автоматически генерировали ранее, подпадают под эту категорию.
Literature Notes (Литературные заметки): Заметки, написанные своими словами после прочтения статей или книг.
Permanent Notes (Постоянные заметки): Завершенные рассуждения по одной конкретной теме. Именно они становятся непосредственными семенами для статей в блоге.

Используя функцию обратных ссылок Obsidian ([[имя заметки]]), можно, например, связать заметку «Владение в Rust» с заметкой «История сборки мусора», тем самым обнаруживая неожиданные связи между идеями.

5. Семантический поиск с использованием векторной базы данных (Pinecone) и OpenAI Embeddings

Когда количество заметок увеличивается до сотен или тысяч, найти нужную с помощью обычного поиска по ключевым словам (полнотекстового поиска) становится трудно. В ситуациях вроде «я не могу вспомнить ключевые слова, но хочу найти заметку с похожей концепцией» на помощь приходит семантический поиск, использующий Embeddings из больших языковых моделей (LLM).

Используя модель text-embedding-ada-002 (или text-embedding-3-small) от OpenAI, мы преобразуем каждую Markdown-заметку в Obsidian в многомерный вектор (массив чисел с сотнями или тысячами измерений). В таком векторном пространстве тексты с близким смыслом будут иметь близкое физическое расстояние.

Для измерения сходства между векторами широко используется косинусное сходство (Cosine Similarity).

$$ \text{similarity} = \cos(\theta) = \frac{\mathbf{A} \cdot \mathbf{B}}{\|\mathbf{A}\| \|\mathbf{B}\|} = \frac{\sum_{i=1}^{n} A_i B_i}{\sqrt{\sum_{i=1}^{n} A_i^2} \sqrt{\sum_{i=1}^{n} B_i^2}} $$

Здесь $\mathbf{A}$ и $\mathbf{B}$ — векторы строки запроса и заметки соответственно. Для быстрого выполнения этих вычислений используются векторные базы данных, такие как Pinecone или Qdrant.

Пример реализации семантического поиска

Ниже приведена часть Python-скрипта, который сканирует директорию с заметками Obsidian, векторизует их через OpenAI API и загружает/обновляет (upsert) их в Pinecone.

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83


import os
import glob
from openai import OpenAI
from pinecone import Pinecone, ServerlessSpec

# Настройка ключей API (получение из переменных окружения)
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
PINECONE_API_KEY = os.getenv("PINECONE_API_KEY")

client = OpenAI(api_key=OPENAI_API_KEY)
pc = Pinecone(api_key=PINECONE_API_KEY)

INDEX_NAME = "obsidian-notes"
OBSIDIAN_DIR = "/path/to/obsidian/vault/PermanentNotes"

def init_pinecone():
 """Инициализация индекса Pinecone"""
 if INDEX_NAME not in pc.list_indexes().names():
 pc.create_index(
 name=INDEX_NAME,
 dimension=1536, # Размерность text-embedding-3-small / ada-002
 metric="cosine",
 spec=ServerlessSpec(cloud="aws", region="us-east-1")
 )
 return pc.Index(INDEX_NAME)

def get_embedding(text):
 """Векторизация текста с помощью OpenAI API"""
 response = client.embeddings.create(
 input=text,
 model="text-embedding-3-small"
 )
 return response.data[0].embedding

def sync_notes_to_pinecone(index):
 """Чтение Markdown-файлов, векторизация и сохранение в Pinecone"""
 md_files = glob.glob(os.path.join(OBSIDIAN_DIR, "*.md"))

 vectors = []
 for filepath in md_files:
 filename = os.path.basename(filepath)
 with open(filepath, "r", encoding="utf-8") as f:
 content = f.read()

 # Обрабатывать, только если содержимое заметки не пустое
 if content.strip():
 print(f"Embedding note: {filename}")
 embedding = get_embedding(content)

 # Формат Pinecone (id, vector, metadata)
 vectors.append({
 "id": filename,
 "values": embedding,
 "metadata": {"text": content[:500]} # Часть текста для отображения в результатах поиска
 })

 # Загрузка батчами (upsert)
 if vectors:
 index.upsert(vectors=vectors)
 print(f"Successfully upserted {len(vectors)} notes.")

def search_similar_ideas(index, query_text, top_k=3):
 """Поиск похожих заметок по запросу для генерации идей"""
 query_embedding = get_embedding(query_text)

 results = index.query(
 vector=query_embedding,
 top_k=top_k,
 include_metadata=True
 )

 print(f"\n--- Search Results for: '{query_text}' ---")
 for match in results["matches"]:
 print(f"Score: {match['score']:.4f} | Note: {match['id']}")
 print(f"Preview: {match['metadata']['text'][:100]}...\n")

if __name__ == "__main__":
 idx = init_pinecone()
 # При первом запуске вызовите sync_notes_to_pinecone(idx) для построения БД
 sync_notes_to_pinecone(idx)

 # Поиск для генерации идей для блога
 search_similar_ideas(idx, "Ускорение вывода машинного обучения в браузере с помощью WebAssembly")

Используя эту систему, на вопрос «Я хочу написать о WebAssembly, обсуждаемом на этой неделе на Hacker News, но писал ли я о чем-то подобном раньше?» ИИ мгновенно подберет семантически релевантные прошлые Permanent Notes. Это позволяет создавать глубокие статьи, максимально эффективно используя ваш накопленный багаж знаний.

6. Кривая забывания Эббингауза и интервальное повторение с Anki

Независимо от того, насколько отличные знания записаны в заметках, если эти знания не закрепились в голове автора, ему будет сложно свободно комбинировать различные концепции в процессе письма. Именно здесь на помощь приходит математическая модель механизма человеческой памяти — «кривая забывания Эббингауза».

Кривая забывания аппроксимируется следующей формулой:

$$ R = e^{-\frac{t}{S}} $$

Где:

$R$ — коэффициент удержания в памяти (Retrievability, в диапазоне от 0 до 1)
$t$ — время, прошедшее с момента обучения
$S$ — стабильность (Stability) или сила памяти

Сразу после изучения новой концепции параметр $S$ мал, и с течением времени $t$ значение $R$ резко падает (забывание). Однако, если провести повторение (Recall) в тот самый момент, когда вы почти забыли информацию, скорость последующего забывания замедляется ($S$ увеличивается), и знания переходят в долговременную память.

Программное обеспечение «Anki» использует алгоритмы (такие как SuperMemo 2) для автоматического расчета этого оптимального времени повторения и предоставляет его в виде флеш-карточек.

В качестве мощного подхода к созданию тем для технического блога можно выделить преобразование содержимого Permanent Notes из Obsidian во флеш-карточки Anki. Например, вы можете добавить в Anki фундаментальные технические вопросы, такие как: «Каковы 3 элемента CAP-теоремы?» или «Почему B-Tree индексы имеют производительность поиска O(log N)?», и сделать их повторение своей ежедневной рутиной. Когда знания индексируются в мозгу как долговременная память, во время принятия душа или прогулки информация на подсознательном уровне может соединиться, порождая озарение (эврика-момент): «О, я мог бы написать статью об алгоритмах консенсуса в распределенных системах».

7. Комбинаторная креативность (Combinatorial Creativity)

С помощью описанного конвейера мы реализовали «разнообразный ввод информации», «систематизацию через Zettelkasten и AI-поиск» и «закрепление в долговременной памяти с помощью Anki». Последний шаг — это объединение этих элементов для генерации совершенно новых идей для технических статей через «комбинаторную креативность» (Combinatorial Creativity).

Считается, что инновации и креативность возникают не из ничего, а из новых комбинаций существующих элементов. Широко известны слова Стива Джобса: «Креативность — это просто соединение вещей» (Creativity is just connecting things).

В контексте технического блога можно представить себе следующую матрицу паттернов комбинаций:

[Старая технология] × [Новая парадигма]: Например, «Антипаттерны проектирования современных микросервисов: уроки архитектуры COBOL».
[Фронтенд] × [Концепции бэкенда]: Например, «Объяснение алгоритма обновления Virtual DOM в React с точки зрения уровней изоляции транзакций в базах данных».
[Абстрактная математика/теория] × [Конкретная реализация]: Например, «Оптимизация планирования подов в Kubernetes через призму теории графов».

Чтобы намеренно генерировать такие комбинации, вы можете использовать ранее построенную систему семантического поиска Pinecone: извлеките случайные концепции A и B, и отправьте промпт ИИ (например, ChatGPT): «Предложи 5 вариантов заголовков и оглавлений для технического блога, объединяющих эти две концепции». Таким образом, вы можете бесконечно генерировать идеи с нестандартными углами зрения, о которых вы бы и не подумали сами.

8. Архитектура всей системы

Ниже на Mermaid-блок-схеме представлена общая архитектура от «сбора информации до генерации идей», о которой шла речь выше, призванная предотвратить нехватку идей для технических статей.

flowchart TD
A["Hacker News / Lobsters API"] -->|Python-скрипт извлечения| B["Необработанные данные трендов"]
C["GitHub Actions (Cron)"] -->|Регулярное расписание| A
B -->|Конвертация в Markdown| D["Daily Inputs (Fleeting Notes)"]
D -->|Ручное чтение и резюмирование| E["Obsidian Zettelkasten"]
E -->|Преобразование в постоянные заметки| F["Permanent Notes"]
F -->|Автоматическая синхронизация| G["OpenAI Embeddings API"]
G -->|Преобразование в вектор| H["Pinecone Vector Database"]
H -->|Семантический поиск| I["Обнаружение и извлечение связанных знаний"]
F -->|Создание флеш-карточек| J["Anki (Spaced Repetition)"]
J -->|Вдохновение из долговременной памяти| K["Combinatorial Creativity"]
I --> K
K -->|Создание черновика и плана| L["Blog Post Draft (Написание статьи)"]

Отличительной чертой этой системы является то, что «интеллектуальная работа, которая должна выполняться вручную (резюмирование, размышление, написание)», полностью отделена от «задач, которые следует делегировать машинам (сбор, поиск, планирование интервального повторения)». Благодаря этому авторы могут сосредоточиться на самом важном, что добавляет ценность — на «размышлении» и «комбинировании».

9. Модель переходов состояний: от идеи до публикации

Жизненный цикл идей, накопленных в Zettelkasten, вплоть до их окончательной публикации в качестве статьи блога, можно представить в виде следующей диаграммы переходов состояний. На каждом этапе используются подходящие инструменты и подходы.

stateDiagram-v2
[*] --> Capture["Idea Capture (Сбор информации)"]
Capture["Idea Capture (Сбор информации)"] --> Fleeting["Fleeting Notes (Временные заметки)"]
Fleeting["Fleeting Notes (Временные заметки)"] --> Permanent["Permanent Notes (Постоянные заметки)"]
Permanent["Permanent Notes (Постоянные заметки)"] --> Brainstorming["Brainstorming (AI семантический поиск)"]
Permanent["Permanent Notes (Постоянные заметки)"] --> Memorization["Memorization (Повторение в Anki)"]
Memorization["Memorization (Повторение в Anki)"] --> Brainstorming["Brainstorming (AI семантический поиск)"]
Brainstorming["Brainstorming (AI семантический поиск)"] --> Outlining["Outlining (Создание структуры/оглавления)"]
Outlining["Outlining (Создание структуры/оглавления)"] --> Drafting["Drafting (Написание черновика)"]
Drafting["Drafting (Написание черновика)"] --> Review["Review & Edit (Редактирование и проверка)"]
Review["Review & Edit (Редактирование и проверка)"] --> Published["Published (Публикация в блоге)"]
Published["Published (Публикация в блоге)"] --> [*]

Осознание этого рабочего процесса проясняет, «на какой стадии вы застряли прямо сейчас». Если нет идей, достаточно вернуться к фазе «Capture» или «Permanent» и проверить, нормально ли функционирует ваш конвейер инпута.

Заключение: написание статей — это «система»

«Нехватка идей для технического блога» вызвана не недостатком личных способностей или мотивации, а является неизбежным результатом отсутствия системы циркуляции знаний.

Как было показано в этой статье:

Обеспечение качественного инпута с низким уровнем шума с помощью API и автоматизации
Создание сети знаний с помощью Zettelkasten в Obsidian
Семантический поиск по вашим собственным активам через OpenAI и Pinecone
Укрепление индексации в мозге с помощью Anki и кривой забывания Эббингауза
Комбинаторная креативность, объединяющая существующие концепции

Построив комплексный конвейер, объединяющий все эти элементы, вы не только избежите нехватки идей для блога, но и создадите состояние, в котором чем больше вы пишете, тем больше новых идей воспроизводится самопроизвольно.

Нет необходимости с самого начала строить все идеально. Начните с создания простого скрипта для обращения к API Hacker News и выработайте привычку записывать в Markdown заметки по интересным вам статьям. Я надеюсь, что ваш технический блог станет источником выдающихся идей нового поколения.

Idea Generation on kenji.blog