‏روش LLM Wiki: مغز دومی که خودش رو نگه می‌داره

نویسنده از یه ایراد مشترک بین همهٔ سیستم‌های مدیریت دانش شروع می‌کنه: تو ذخیره کردن اطلاعات خوبن و تو وصل کردنش افتضاح. یه مقاله رو کلیپ می‌کنی، یه نکته از جلسه می‌نویسی، و سه هفته بعد هیچ‌کدوم موقع نیاز بالا نمی‌آن. ایدهٔ «مغز دوم» تیاگو فورته هم عمدتاً دستی بود؛ خودت مسئول تگ زدن، لینک کردن و ترکیب بودی و همین بار شناختی باعث می‌شه بیشتر آدم‌ها تو یه ماه رهاش کنن.

روش LLM Wiki این مدل رو برعکس می‌کنه: تو اطلاعات خام رو می‌ریزی داخل (نوت، ترنسکریپت، مقاله، ایمیل) و مدل زبانی پارس و خلاصه می‌کنه، موجودیت‌ها رو استخراج می‌کنه، بین نوت‌های مرتبط لینک دوطرفه می‌سازه، نوت‌های ترکیبی می‌نویسه و بریفینگ روزانه یا هفتگی تولید می‌کنه. به گفتهٔ نویسنده Obsidian میزبان ایده‌آلیه چون والتش فقط یه پوشه از فایل‌های مارک‌داون محلیه و هیچ دیتابیس اختصاصی‌ای وسط نیست.

قبل از هر اتوماسیونی، ساختار والت باید قابل پیش‌بینی باشه. پیشنهاد مقاله چند پوشهٔ سطح‌بالاست: Inbox برای ورودی خام، Notes برای نوت‌های پردازش‌شده، People، Projects، Concepts، Briefings و Templates. پوشهٔ Inbox قطعهٔ حیاتیه — همه‌چیز اول اون‌جا می‌شینه، پایپ‌لاین نگاهش می‌کنه، پردازش می‌کنه و به جای درست منتقلش می‌کنه.

کنارش فرانت‌متر YAML یکدست لازمه: عنوان، تاریخ ساخت و ویرایش، تگ‌ها، status، related و source. فیلد status تریگر پایپ‌لاینه؛ نوت‌هایی با status: inbox منتظر پردازشن، مدل بعد از کارش اون رو به processed تغییر می‌ده و خودت هر وقت نوتی پخته شد دستی به evergreen ارتقاش می‌دی. برای دسترسی برنامه‌ای هم افزونهٔ Obsidian Local REST API نصب می‌شه تا والت مثل یه دیتابیس قابل کوئری بشه.

هستهٔ سیستم یه اسکریپته که Inbox رو اسکن می‌کنه، هر نوت رو با یه پرامپت ساختاریافته می‌فرسته سمت Claude، جواب رو پارس می‌کنه و نوت پردازش‌شده رو تو پوشهٔ درست می‌نویسه:

def process_note(note_path):
    raw = requests.get(
        f"{OBSIDIAN_BASE_URL}/vault/{note_path}",
        headers={"Authorization": f"Bearer {OBSIDIAN_API_KEY}"}
    ).text
    message = client.messages.create(
        model="claude-opus-4-5", max_tokens=4096,
        messages=[{"role": "user", "content": PROCESSING_PROMPT.format(content=raw)}]
    )
    return json.loads(message.content[0].text)

کیفیت کل سیستم به پرامپت پردازش وابسته‌ست. پرامپت پیشنهادی از مدل می‌خواد یه آبجکت JSON برگردونه با خلاصهٔ دو سه جمله‌ای، سه تا هفت مفهوم کلیدی، فهرست افراد، آیتم‌های اقدام، موضوعات مرتبط، پوشهٔ مقصد و متن بازنویسی‌شدهٔ نوت به مارک‌داون تمیز. مهم‌ترین بخشش دستور درج [[wiki-links]] ـه؛ همین سینتکس لینک داخلی Obsidian ـه که گراف دانش رو بدون کار دستی می‌سازه.

ولی به باور نویسنده باارزش‌ترین قابلیت، لینک‌زنی دوطرفه‌ست که بیشتر پیاده‌سازی‌ها ازش رد می‌شن. بعد از پردازش یه نوت جدید، مفاهیم کلیدیش استخراج می‌شن، والت برای نوت‌هایی که اون مفاهیم رو دارن ولی هنوز به نوت جدید لینک نمی‌دن جست‌وجو می‌شه، و اون نوت‌ها با یه پرامپت هدفمند به‌روزرسانی می‌شن. یه جاب هفتگی هم می‌تونه مفاهیمی رو که تو پنج نوت یا بیشتر تکرار شدن پیدا کنه و براشون نوت مرجع بسازه.

آخرین تکه بریفینگ روزانه‌ست: نوت‌های ۲۴ ساعت گذشته، آیتم‌های اقدام، تم‌های نوظهور هفته، ارتباطی که مدل بین یه نوت تازه و یه نوت قدیمی دیده و یه نوت قدیمی که ارزش مرور مجدد داره. زمان‌بندی هم با cron یا launchd انجام می‌شه: پردازش Inbox هر دو ساعت، به‌روزرسانی لینک‌ها شبانه، ترکیب مفاهیم هفتگی و بریفینگ هر روز صبح. نویسنده چند اشتباه رایج رو هم گوشزد می‌کنه، از جمله ساختار پوشه‌ای بیش از حد تودرتو و استفاده از مدل برای کارهای سادهٔ جست‌وجو.

نکات کلیدی:

• LLM Wiki یعنی مدل به‌جای خلاصه‌ساز موردی، ویراستار دائمی والت باشه
• ساختار پوشه‌ای ساده و فرانت‌متر یکدست پیش‌نیاز هر اتوماسیون قابل اتکاست
• فیلد status تریگر پایپ‌لاینه و افزونهٔ Local REST API دسترسی برنامه‌ای می‌ده
• لینک‌زنی دوطرفه باارزش‌ترین قابلیته: نوت قدیمی هم به نوت جدید ارجاع می‌ده
• ارزش واقعی گراف حدود ۱۰۰ تا ۲۰۰ نوت پردازش‌شده به بعد خودش رو نشون می‌ده