مغز دوم هوش مصنوعی با اوبسیدین و Claude Code
هوش مصنوعیخلاصهٔ کاملتر
خیلیها که خواستن یه «مغز دوم» بسازن با یه مشکل آشنا روبهرو شدن: نوت برمیدارن، همهچیزو تگ و پوشهبندی میکنن، ولی آخرش هیچوقت ازش استفاده نمیکنن و اطلاعات همونجا بیحرکت میمونه. به گفتهی مقاله، اندری کارپثی (از چهرههای سرشناس حوزهی هوش مصنوعی و مدیر سابق AI در تسلا) یه رویکرد متفاوت پیشنهاد داده که اسمشو گذاشته LLM Wiki.
ایدهی اصلی کارپثی سادهست: بیشتر سیستمهای مدیریت دانش برای اینکه آدم توشون بنویسه بهینه شدن، ولی برای اینکه یه مدل زبانی ازشون بخونه افتضاحان؛ پر از قالببندی ناهماهنگ و ارتباطهای ضمنیان که فقط برای نویسنده معنی دارن. LLM Wiki این رو برعکس میکنه: پایگاه دانش رو جوری میسازی که یه مدل زبانی راحت بتونه توش پیمایش کنه، بهروزش کنه و ازش جمعبندی دربیاره؛ و همین کار، خودبهخود برای آدم هم مفیدترش میکنه.
اصول کلیدیاش هم اینه: نوتهای اتمی و مسطح (هر نوت یه مفهوم کامل، نه فایلهای غولپیکر)، لینکدهی صریح بهجای ارتباطهای ضمنی، ساختار یکسان برای همهی نوتها تا مدل قابلاعتماد پارسش کنه، و تازهسازی توسط AI که خودت دستی همهچیزو آپدیت نکنی و Claude Code تغییرات رو بین نوتهای مرتبط پخش کنه.
مقاله میگه چرا اوبسیدین (Obsidian) پایهی مناسبیه: کل والت (vault) تو فقط یه پوشه از فایلهای Markdown روی دستگاه خودته، نه یه API و نه یه فرمت اختصاصی؛ پس Claude Code مستقیم میتونه بخونه، بنویسه و بازچینی کنه. سینتکس لینک دوطرفهی [[wiki-link]] هم متن سادهست و مدل راحت دنبالش میکنه و لینک جدید تو همون قالب میسازه. لوکالبودنش هم یعنی محدودیت نرخ و هزینهی سینک نداری.
نویسنده کنارش چند تکنیک پیشرفتهتر مثل ثبت تغییرات با frontmatter نسخهدار، امتیاز اطمینان (confidence scoring)، نوتهای سنتز و تشخیص تناقض رو هم مطرح میکنه، ولی چند اشتباه رایج رو هم هشدار میده: شروع با نوتهای خیلی زیاد، اعتماد کورکورانه به Claude Code، نوتهای خیلی بزرگ، و خودکارسازی زودهنگام.
نکات کلیدی:
- روش LLM Wiki کارپثی، پایگاه دانش رو جوری میسازه که یه مدل زبانی بتونه بخونه، بهروز کنه و روش استدلال کنه، نه یه بایگانی منفعل.
- اصولش: نوتهای اتمی و مسطح، لینکدهی صریح، ساختار یکسان و تازهسازی توسط AI.
- اوبسیدین چون فقط پوشهای از فایلهای Markdown با لینک [[wiki-link]]ه، برای Claude Code مستقیماً قابلخوندن و ویرایشه و لوکالبودنش هزینه و محدودیت نرخ نداره.
- بازبینی خروجی مدل و شروع کوچیک مهمه؛ اعتماد کورکورانه و خودکارسازی زودهنگام از اشتباهات رایجه.
