Как исправить слепое пятно LLM Wiki: граф знаний InfraNodus
У LLM Wiki Карпати есть структурная проблема, о которой сам Карпати написал, но которую его метод не решает. Когда задаёшь вопрос своей базе знаний, LLM сканирует вики, извлекает концепции и выдаёт наиболее вероятный ответ. Именно так обучены языковые модели — выдавать то, что с наибольшей вероятностью следует из контекста.
Для поиска это хорошо. Для генерации новых идей — плохо.
InfraNodus — knowledge graph инструмент, разработанный Nodus Labs за последние 10 лет — даёт то, чего не хватает: структурный взгляд на базу знаний, который позволяет обнаружить не самое вероятное, а самое неожиданное. Пробелы между кластерами. Темы, которые существуют в базе, но ни с чем не связаны. Именно там рождаются оригинальные идеи.
Почему LLM Wiki отвечает вероятным, а не оригинальным
Проблема не в методе Карпати. Проблема глубже — в природе самих LLM.
Классический RAG работает так: бросаешь файлы в систему, при каждом вопросе ищешь релевантные чанки, отдаёшь в контекст. Знание не накапливается — каждый новый разговор начинается с нуля.
LLM Wiki решает это: LLM поддерживает живую вики из markdown-страниц, интегрирует новые источники, обновляет связи, сохраняет историю изменений. Знание компилируется и накапливается. Это большой шаг вперёд.
Но есть нюанс. Когда начинаешь задавать вопросы этой базе, LLM делает то, чему его обучили: извлекает наиболее связанные концепции и генерирует наиболее плаузибельный ответ. Для академической области или хорошо изученной темы результаты будут компетентными — но предсказуемыми. Ответ объединит всё, что хорошо связано, в плотный, логичный текст. Именно то, что уже известно.
Когда нужна не сводка известного, а новая идея — это тупик.
Что делает InfraNodus по-другому
InfraNodus строит из текста граф идей: концепции — узлы, смысловые связи — рёбра. Но дальше начинается не визуализация ради визуализации — применяется математика теории графов:
- Выявление главных кластеров: что является центральным в вашей базе знаний
- Обнаружение god-нодов: концепции, через которые проходит большинство связей
- Gap analysis: кластеры, которые существуют в базе, но слабо связаны между собой
Третий пункт — ключевой. Пробел между кластерами — это место, где ваша база знаний не знает, как соединить два реальных явления. Это и есть территория для оригинальной идеи.
Пример из демо: исследовательская база по финансам. InfraNodus показывает: есть кластер «financial flows» и отдельный кластер «regression analysis» — и между ними нет связи. Не потому что они несвязаны в реальности, а потому что никто в собранных материалах ещё не написал об их пересечении. Это и есть вопрос для нового исследования.
Стек: три уровня интеграции
InfraNodus можно подключить тремя способами, и все три дополняют друг друга.
1. IDE-расширение (Cursor, anti-gravity)
Устанавливается как расширение в редакторе. Правый клик на папке с концепциями или на отдельном файле → «InfraNodus: Visualize as graph» → в sidebar появляется живая визуализация.
Это работает в реальном времени, пока LLM строит вики. Видишь, как растёт структура, какие кластеры формируются, какие темы остаются изолированными — и можешь вмешаться прямо сейчас: попросить Claude развить конкретный кластер или найти источники по недостающей теме.
2. Obsidian-плагин
Если вики хранится в Obsidian vault, плагин InfraNodus визуализирует те же связи прямо там. Открываешь папку concepts, нажимаешь «Visualize» — получаешь топологическую карту всех концепций, которые Claude извлёк из твоих источников.
Разница с нативным graph view Obsidian: InfraNodus работает не с wiki-links, а с семантическими связями внутри текста. Увидеть можно не только то, что явно слинковано, но и тематические кластеры, которые ещё не связаны.
3. MCP-сервер в Claude Code
Самый мощный режим для тех, кто не хочет переключаться в визуальный интерфейс. InfraNodus подключается как MCP-инструмент, и Claude может сам вызывать gap analysis напрямую:
Запрос: «Запусти gap analysis на папке wiki/concepts»
→ Claude вызывает InfraNodus generate-knowledge-graph tool
→ InfraNodus анализирует все файлы
→ Возвращает кластеры, пробелы и вопросы для их соединения
→ Claude генерирует инсайты на основе структурного анализа, а не «плаузибельного» суммирования
Разница в качестве ответа существенная: вместо «вот что написано в ваших материалах по теме X» — «вот два кластера, которые не связаны, вот структурный запрос между ними, вот что можно исследовать дальше».
Онтологические графы: живая память системы
Ещё одна концепция, которую InfraNodus добавляет в LLM Wiki — ontology graphs.
После каждого значимого взаимодействия (gap analysis, ответ на исследовательский вопрос, интеграция новых источников) скилл сохраняет граф текущего состояния базы знаний в скрытую папку .InfraNodus. Это не просто история — это машинно-читаемая карта того, как концепции связаны на этот момент.
Что это даёт:
- Следующий раз, когда Claude открывает папку, у него есть не только текст страниц, но и структура их связей
- LLM не переоткрывает топологию базы с нуля — граф уже говорит ему, что центральное, что периферийное, что изолированное
- Накапливается история того, какие вопросы были заданы и исследованы
Это именно то, чего не хватает чистому LLM Wiki: самоосознанность. База знаний начинает «знать» о своей собственной структуре.
Практический сетап: шаг за шагом
Шаг 1: Создать папку и открыть в IDE
mkdir finance-wiki
code finance-wiki # или cursor, anti-gravityШаг 2: Установить LLM Wiki скилл от Nodus Labs
Скилл адаптирован под связку с InfraNodus — он задаёт настроечные вопросы интерактивно:
- Тема и фокус исследования
- Типы источников (статьи, книги, личные заметки, подкасты)
- Конечная цель (накопление знаний, поддержка решений, живой справочник)
После ответов скилл создаёт структуру:
finance-wiki/
├── raw/ # исходники — сюда кидаем PDF, заметки, статьи
├── wiki/
│ ├── concepts/ # страницы концепций (извлечены LLM)
│ ├── connections/ # связи между концепциями
│ ├── entities/ # акции, фонды, компании, люди
│ └── sources/ # саммари по каждому источнику
├── output/ # готовые инсайты и ответы
├── todo/ # исследовательские вопросы для следующих сессий
├── .infranodus/ # онтологические графы (живая память)
├── CLAUDE.md # описание проекта для агента
└── AGENTS.md # то же для Codex
Шаг 3: Инжестировать источники
Claude сам ищет по указанной папке (Dropbox, локальная папка) — ты указываешь масштаб и релевантность:
- PDF конвертируются в markdown (plain text, доступный LLM)
- Для каждого источника создаётся страница в
wiki/sources/с ключевыми тезисами, данными, цитатами и ссылками на концепции
Шаг 4: Gap analysis через InfraNodus
Вариант А — визуально через IDE-расширение или Obsidian-плагин:
ПКМ на wiki/concepts → InfraNodus: Visualize as graph
→ Переключиться в "Gaps"
→ Выбрать два слабосвязанных кластера
→ Скопировать InfraNodus Log (граф + кандидаты для связи)
Вариант Б — через MCP в Claude Code:
«Запусти gap analysis на текущей вики и добавь исследовательские
вопросы в todo/»
Шаг 5: Стерить LLM структурным запросом
Это ключевое отличие от обычного «задай вопрос своей базе знаний»:
Промпт:
«На основе документов в wiki/concepts найди связь между этими
двумя кластерами: [cluster A] и [cluster B].
Вот структура из InfraNodus Log, которая показывает разрыв:
[вставить граф из лога]
Вот конкретные утверждения из каждого кластера:
[вставить экстракты]
Сформулируй исследовательский вопрос, который мог бы
соединить эти два кластера.»
Результат: Claude работает не со всей базой глобально, а с конкретным структурным запросом. Вместо плаузибельного суммирования — направленный поиск по незаполненному пространству.
Что важно понять про gap analysis
Интуиция здесь контр-интуитивная, но важная.
LLM хорошо заполняет пространство известного. Если в базе много материалов о теме X и теме Y, Claude напишет хорошее резюме по каждой из них. Но он не заметит, что эти темы могут пересекаться нетривиально — потому что в самих материалах такого пересечения нет.
Gap analysis делает буквально противоположное: специально ищет, где два хорошо описанных кластера НЕ связаны. Именно это пространство между ними — территория оригинальных идей. Не то, что в литературе уже описано, а то, что ещё не описано, но логически вытекает из двух независимых наблюдений.
Пример из трансрипта: «Как системные переходы и системная хрупкость влияют на надёжность BOP-AFX-моделей?» Это не вопрос, который есть в исходных материалах. Это вопрос, который InfraNodus помог сформулировать, показав, что системная динамика и финансовые модели существуют в базе как изолированные кластеры.
Когда это стоит использовать
| Задача | Решение |
|---|---|
| Накопить и организовать знания по теме | LLM Wiki (базовый сетап) |
| Получить быстрый ответ / саммери | Просто запрос к LLM Wiki |
| Генерировать оригинальные идеи, гипотезы | LLM Wiki + InfraNodus gap analysis |
| Видеть структуру базы визуально | IDE-расширение или Obsidian-плагин |
| Автоматизировать gap analysis без графика | MCP-сервер в Claude Code |
| Агент навигирует по кодовой базе | Graphify |
| Нужен и граф кода, и база знаний | Obsidian + Graphify |
Главный критерий: если цель — найти уже известное → обычный RAG или LLM Wiki. Если цель — найти ещё не известное, но вытекающее → нужен структурный gap analysis.
Полный стек
Obsidian / IDE (Cursor, anti-gravity)
↓
LLM Wiki Skill (Claude Code)
├── Инжест сырых источников → markdown
├── wiki/concepts, connections, entities, sources
└── CLAUDE.md / AGENTS.md с описанием проекта
↓
InfraNodus (три режима)
├── IDE-расширение → визуализация live
├── Obsidian-плагин → навигация и gap view
└── MCP-сервер → автоматический gap analysis через Claude
↓
.infranodus/ (онтологические графы)
└── Живая память: структура связей для следующих сессий
↓
todo/ — исследовательские вопросы из gap analysis
output/ — синтезированные инсайты
Ограничения
InfraNodus — не бесплатный для полного функционала. Есть freemium, но MCP-сервер и расширенный анализ — платные функции. Стоит проверить актуальные условия на infranodus.com.
Граф не заменяет качество источников. Gap analysis находит структурные пробелы в том, что уже есть в базе. Если источники слабые или однобокие — граф покажет пробелы, но Claude не заполнит их из воздуха.
Кривая входа выше. По сравнению с чистым LLM Wiki — значительно больше движущихся частей. Оправдано, если реально работаешь с темой долго и хочешь генерировать нестандартные идеи.
Связанное
- Graphify vs Karpathy LLM Wiki: два пути к базе знаний — как выбрать между этими подходами
- Graphify — граф знаний для AI-агентов — граф для навигации агента в коде
- Claude Code с памятью: Obsidian + Graphify — связка граф + вики
- Андрей Карпати: от вайб-кодинга к агентной инженерии
Источник: Nodus Labs — Fix Karpathy’s LLM Wiki with a Knowledge Graph | Claude Code + Obsidian + InfraNodus · YouTube, опубликовано 11.04.2026
Raw: raw