Агент Codex собрал в Obsidian личную базу знаний из 4 статей Хабра вместо RAG
RAG, где нейросеть ищет куски в документах и отвечает, «отвечает и забывает»: завтра синтез по статьям собирай заново. Рамиль проверил идею Карпатого: агент Codex сам ведёт в заметочнике Obsidian базу знаний из markdown-файлов. Из 4 статей Хабра получились карточки, страницы понятий и связи. Для личного ресерча это работает, но на 50–100 источниках загрузка статей в базу обходится в заметные токены.
AI-обработка оригинала Raft; редакция Hamidun News
Вы прочитали десяток статей, попросили нейросеть найти между ними общее, получили отличный ответ, а назавтра он остался в закрытой вкладке чата. Знание не накопилось. Так обычно работает RAG: модель находит в загруженных документах подходящие куски и на их основе отвечает. Инженер по качеству Рамиль проверил другую идею, которую популяризировал Андрей Карпатый, — LLM Wiki. В ней агент не просто отвечает, а сам ведёт личную базу знаний. Роль агента сыграл Codex — помощник OpenAI, который умеет читать и править файлы в папке проекта. Базой стал Obsidian — программа для заметок, которая хранит всё в обычных markdown-файлах и показывает связи между ними в виде графа. Материалом послужили четыре статьи с Хабра.
Чем это отличается от RAG
В привычной схеме вы загружаете PDF или статьи, задаёте вопрос, система достаёт фрагменты и генерирует ответ. Для продакшн-приложений с пользователями, правами доступа и SLA это правильный подход. Но для личной работы у него есть недостаток: он «ответил и забыл». Допустим, вы читали про guardrails, оценку качества, OCR и ИИ-агентов в BI. Модель может выдать хороший синтез, но если он остался в чате, его придётся собирать заново.
LLM Wiki предлагает компилировать знания в постоянный слой markdown-файлов. Схема состоит из трёх частей:
- raw — исходные статьи, PDF, заметки и транскрипты. Это источник истины, агент их не редактирует;
- wiki — обработанный слой: карточки источников, страницы понятий, связи, синтезы и сохранённые ответы;
- файл правил — инструкция для агента: как добавлять источники, как называть файлы, как отделять факт от интерпретации и что обновлять после каждой операции.
Автор сравнивает это с разработкой: Obsidian — это IDE для знаний, markdown — кодовая база, Codex — агент-мейнтейнер.
Три операции и реальный эксперимент
Работа держится на трёх командах. Ingest добавляет новый источник: Codex читает статью, создаёт карточку, выделяет идею, тезисы, ограничения и приёмы, обновляет или создаёт страницы понятий. Автор подчёркивает разницу: обычный пересказ отвечает на вопрос «о чём статья?», а ingest — «как эта статья меняет мою базу знаний?». Query отвечает на вопрос по уже накопленной wiki, а ценный ответ сохраняется туда же, так что вопрос тоже становится частью базы. Lint проверяет здоровье базы: ищет дубли, противоречия, устаревшие выводы, понятия без страниц и «острова» в графе. Автор называет такие проблемы knowledge smell — по аналогии с code smell в коде.
Для теста взяли четыре статьи с Хабра: про GLiNER Guard и гардрейлы для LLM, про оценку классификатора через DeepEval с GPT-4o и YandexGPT, про HunyuanOCR и распознавание документов, про AI-powered BI на Apache Superset и MCP. По отдельности это четыре несвязанных текста. После ingest Codex увидел общую тему: все они про LLM-системы в продакшне. Одна затрагивает безопасность, другая метрики, третья работу с документами, четвёртая агентов с инструментами, правами и аудитом. В wiki появились страницы понятий, включая информационную безопасность, а graph view в Obsidian показал, как статьи сходятся на общих узлах.
Технически всё просто: Codex запускается в папке проекта, читает файл правил, смотрит структуру и правит markdown. Разница в постановке задачи. Просьба «сделай красивый пересказ» даёт случайный результат, а чёткий порядок («raw не трогать, карточку делать по шаблону, обновить понятия, index, relations и log, зафиксировать ограничения») даёт предсказуемый. Автор сравнивает это с разницей между вопросом стажёру и репозиторием с правилами для инженера.
Сколько это стоит и где границы
Главное предупреждение автора: ingest — не бесплатный пересказ, а дорогая операция чтения, анализа и записи. Пять источников можно обрабатывать почти без боли. На 50–100 источниках, особенно многостраничных PDF, любой неудачный тег, лишняя сущность или плохая секция в схеме обходится дороже: модель заново читает большие куски текста, переписывает десятки страниц и может размножить ошибочную структуру по всей wiki. В облаке это прямой счёт за токены. Локальная модель счёта не выставит, но потребует мощной машины, иначе качество связей на больших данных просядет или придётся долго ждать.
Для оценки бюджета автор считает стоимость на Yandex Foundation Models для своего демо-vault на 29 июня 2026 года, учитывая только то, что реально участвует в процессе: четыре исходные статьи в raw и сгенерированный wiki-слой (sources, concepts, synthesis, index, relations, log).
Codex выбран из удобства. Тот же процесс можно собрать скриптами: наблюдатель за папкой raw отправляет новые файлы в локальную или облачную модель, получает структурированный ответ и пересоздаёт карточки и индексы. Дальше стоит добавить человека на проверку: агент предлагает diff, человек принимает или правит.
Что взять в работу
Начинать можно с малого: папка, markdown, Obsidian, агент и три команды. Сначала отладьте файл правил на 3–5 источниках и только потом масштабируйте. Заранее считайте токены на ingest и оставляйте за человеком ревью изменений, иначе агент закрепит собственные ошибки в структуре. Ограничение очевидное: это личный инструмент для ресерча и подготовки материалов, а не замена продакшн-RAG с правами доступа и SLA. Эксперимент небольшой, всего четыре статьи, поэтому о поведении на сотнях документов остаётся судить по предупреждениям самого автора.
- 21 нояб. 2026 г.Apple готовит ИИ-агента и усложнила доступ чужим: разрешение теперь в 14 шагов, а не в 4
- 21 нояб. 2026 г.Разработчик обошёлся без Pinecone: поиск по 72 450 фрагментам кода за 50 мс
- 21 нояб. 2026 г.Gemini 4 Neon сжала бинарник TS Rust с 47,44 до 7,97 МБ меньше чем за 10 часов
- 21 нояб. 2026 г.Вакансий FDE за год стало в 4,6 раза больше: что делает инженер у заказчика
Вопросы и ответы по материалу
Что известно по теме: чем это отличается от RAG?
В привычной схеме вы загружаете PDF или статьи, задаёте вопрос, система достаёт фрагменты и генерирует ответ. Для продакшн-приложений с пользователями, правами доступа и SLA это правильный подход. Но для личной работы у него есть недостаток: он «ответил и забыл». Допустим, вы читали про guardrails, оценку качества, OCR и ИИ-агентов в BI. Модель может выдать хороший синтез, но если он остался в чате, его придётся собирать заново. LLM Wiki предлагает компилировать знания в постоянный слой markdown-файлов.
Что известно по теме: три операции и реальный эксперимент?
Работа держится на трёх командах. Ingest добавляет новый источник: Codex читает статью, создаёт карточку, выделяет идею, тезисы, ограничения и приёмы, обновляет или создаёт страницы понятий. Автор подчёркивает разницу: обычный пересказ отвечает на вопрос «о чём статья?», а ingest — «как эта статья меняет мою базу знаний?». Query отвечает на вопрос по уже накопленной wiki, а ценный ответ сохраняется туда же, так что вопрос тоже становится частью базы.
Что известно по теме: сколько это стоит и где границы?
Главное предупреждение автора: ingest — не бесплатный пересказ, а дорогая операция чтения, анализа и записи. Пять источников можно обрабатывать почти без боли. На 50–100 источниках, особенно многостраничных PDF, любой неудачный тег, лишняя сущность или плохая секция в схеме обходится дороже: модель заново читает большие куски текста, переписывает десятки страниц и может размножить ошибочную структуру по всей wiki. В облаке это прямой счёт за токены.
Соберите рабочего ИИ-агента или сервис своими руками без ручного кода
В Академии Жемала Хамидуна (academy.hamidun.com) открыт бесплатный 72-часовой тест-драйв: интерактивные скетч-уроки по Claude Code и Cursor, живой Tech Radar и готовые шаблоны агентов.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.