В апреле 2026 года в сообществе ИИ прокатилась волна хайпа вокруг концепции LLM Wiki, предложенной Андреем Карпати. Суть идеи — отказаться от классического RAG (Retrieval-Augmented Generation) в пользу персистентной, поддерживаемой нейросетью Wiki-базы знаний. Когда хайп улёгся, остались рабочие практические кейсы: построение корпоративной базы знаний, исследовательские проекты, анализ переписок команды. В этой статье — полный разбор концепции, архитектуры и пошаговая инструкция по настройке системы в Obsidian.
1. Проблема классического RAG
Обычный RAG работает так: документы нарезаются на куски (chunks), векторизуются и помещаются в векторную базу. При каждом запросе нейросеть ищет семантически близкие куски, подкладывает их в контекст и генерирует ответ. Этот подход хорошо работает на небольших объёмах, но имеет ограничения:
- Контекст теряет целостность — сложные взаимосвязи между идеями могут быть разорваны.
- Нет накопления знаний: каждый запрос начинается с нуля.
- При росте базы возрастает стоимость и снижается точность.
Карпати предлагает альтернативу: вместо chunks использовать структурированную Wiki, которую нейросеть сама ведёт и обновляет.
2. Концепция LLM Wiki
Идея заимствована из эссе Вэнивара Буша «As We May Think» (1945), в котором он описал гипотетическое устройство Memex — механическую базу знаний с ассоциативными ссылками. Карпати адаптировал эту концепцию под современные LLM.
Как это работает:
- Сырые источники (статьи, чаты, PDF, видео) помещаются в папку
raw/. - Нейросеть по инструкции (schema) анализирует каждый источник, выделяет ключевые сущности, концепты и связи.
- На основе анализа создаются markdown-файлы в папке
wiki/— страницы сущностей, концептов и сводок. - Все страницы перекрёстно ссылаются друг на друга.
- Специальный файл
index.mdсодержит каталог всех страниц с кратким описанием. - При запросе нейросеть сначала читает
index.md, затем рекурсивно проходит по связанным страницам, собирает полный контекст и даёт ответ.
Три основные операции:
- Ingest — загрузка и обработка нового источника.
- Query — ответ на вопрос по готовой Wiki.
- Lint — периодическая очистка: удаление дубликатов, слияние страниц, добавление недостающих связей.
«Нейросеть делает 80% работы — поддержание базы, обновление ссылок, каталогизацию. Человек занимается курированием и постановкой вопросов.»
3. Плюсы и минусы подхода
| Плюсы | Минусы |
|---|---|
| Сохраняет полные взаимосвязи между идеями | Работает хорошо до ~100 источников или нескольких сотен Wiki-страниц |
| Знания накапливаются и уточняются со временем | Требует ручного контроля на этапе ingest (человек подтверждает предлагаемые изменения) |
| Можно визуализировать граф знаний в Obsidian | Для больших объёмов (>100 источников) нужно делать отдельные Wiki под каждую тему |
| Легко настраивается за 10–15 минут | Зависит от контекстного окна LLM (индекс должен помещаться в контекст) |
4. Архитектура системы
По Карпати система состоит из трёх слоёв:
Raw (сырые данные)
Папка raw/ — сюда попадают все исходные файлы: транскрипты, документы, выгрузки чатов. Нейросеть их читает, но никогда не модифицирует.
Wiki (обработанные знания)
Папка wiki/ — содержит markdown-файлы, созданные LLM. Они делятся на:
- entities (сущности) — люди, компании, инструменты.
- concepts (концепции) — идеи, принципы, методологии.
- sources (сводки по каждому источнику).
- synthesis (синтез ответов на сложные запросы).
Обязательные файлы:
index.md— каталог всех страниц.log.md— хронология всех операций (append-only).
Schema (правила работы)
Самый важный слой — файл инструкций для нейросети. В Obsidian это CLAUDE.md (для Claude Code) или AGENTS.md. В этом файле прописаны:
- Структура папок.
- Workflow для операций ingest, query, lint.
- Формат страниц (требование указывать
[[внутренние ссылки]]). - Правила обработки (например, язык ответов, приоритеты, проверки).
«Schema — это мозг системы. Без него нейросеть не будет знать, как правильно обрабатывать данные.»
5. Пошаговая настройка в Obsidian
Шаг 1. Установите Obsidian
Скачайте бесплатную версию с obsidian.md. Платная синхронизация не нужна.
Шаг 2. Создайте структуру проекта
Создайте новый проект (например, папку project-one). Внутри неё — две папки:
raw/— для сырых данных.wiki/— для сгенерированных страниц.
Шаг 3. Установите плагин Terminal
В настройках Obsidian → Community Plugins → найдите и установите Terminal. Он позволит открывать терминал прямо внутри Obsidian (нужен для запуска Claude Code).
Шаг 4. Создайте файл CLAUDE.md
В корне проекта создайте файл CLAUDE.md. Скопируйте в него schema — правила работы для нейросети. Можно использовать готовый шаблон из видео автора (доступен в бесплатном Telegram-канале — ссылка в описании видео).
Образец схемы включает:
- Описание папок
raw/иwiki/. - Workflow ingest: прочитать источник, создать сводку, обновить
index.mdиlog.md. - Workflow query: сначала читать
index.md, потом рекурсивно по ссылкам. - Workflow lint: проверять противоречия, битые ссылки, страницы-сироты.
Шаг 5. Запустите Claude Code в терминале
Откройте терминал (кнопка Open Terminal в панели), перейдите в папку проекта. Убедитесь, что Claude Code установлен. Запустите командой claude (или claude code).
6. Первый тестовый кейс: загрузка чата команды
Ingest
- Положите в
raw/файл с экспортом чата (например, неделя переписки в Slack). - Введите команду:
ingest new data. - Нейросеть проанализирует чат, выделит ключевые темы (например: «GraphRAG», «LLM Gateway», «Security AI», «Agent Workflows»).
- Подтвердите предложенные темы — нейросеть спросит: «Я предлагаю создать страницы: … Согласны?».
- После подтверждения система создаст markdown-страницы в
wiki/, обновитindex.mdиlog.md.
Query
Очистите контекст (или начните новую сессию). Напишите запрос: query: какой у нас план по контролю затрат на нейросети?
Нейросеть прочитает index.md, найдёт связанные страницы (LLM Gateway, бюджет) и выдаст структурированный ответ на основе всей Wiki.
Lint
По мере роста базы запускайте lint — нейросеть найдёт:
- отсутствующие страницы (например, упомянуто понятие без отдельной страницы).
- недостающие обратные ссылки.
- устаревшие или противоречащие утверждения.
После анализа можно попросить fix all — система автоматически создаст недостающие страницы и проставит ссылки.
7. Визуализация графа знаний
Одно из главных преимуществ подхода — Obsidian позволяет визуализировать связи в виде графа (Graph View). После нескольких циклов ingest вы увидите, как узлы (страницы сущностей и концептов) соединяются. Это помогает:
- находить неожиданные пересечения.
- выявлять концентрации знаний.
- понимать, какие темы требуют углубления.
8. Где применять LLM Wiki
- Корпоративная база знаний — загружайте еженедельные переписки команд, документацию проектов, записи встреч.
- Исследования — агрегируйте статьи, книги, видео по теме, находите cross-connections.
- Личное обучение — конспектируйте прочитанные книги, стройте ассоциативную сеть.
- Конкурентный анализ — собирайте данные о рынке, выделяйте паттерны.
9. Ограничения и масштабирование
Система оптимальна для до 100–200 источников (≈ несколько сотен Wiki-страниц). Для больших объёмов рекомендуется:
- Разделять проекты на отдельные Wiki (по темам или временным периодам).
- Использовать дополнительные слои: Pinecone для архивирования, NotebookLM для глубокого дайва.
При росте базы регулярно запускайте lint — это предотвращает «информационный шум».
Материалы
Пять навыков — вечная память для Claude
База знаний Jarvis
Свой AI-ассистент который знает тебя, твои цели, инструменты и стратегии.
Скрейп одним URL
Кидаешь ссылку — Claude скачивает текст, картинки, создаёт entities и concepts.
Web Clipper в браузере
Одна кнопка — статья сохраняется прямо в папку твоего Jarvis.
Compound-ответы
Jarvis сам пишет синтез в wiki/synthesis/ — и помнит его через неделю.
Идеальная архитектура памяти
Понимаешь когда нужен Obsidian, когда Pinecone, а когда — NotebookLM.
Пошаговая инструкция
От пустой папки до работающего Jarvis за 30 минут
Каждый шаг — отдельная карточка. Промпты внутри шагов копируются одной кнопкой. Порядок важен — не перескакивай.
01
Скачай и открой Obsidian
Obsidian — это визуальный слой над твоей базой знаний. Сам он ничего не делает, просто показывает папку с.md файлами и даёт граф связей.
Скачай программу с obsidian.md → установи → открой
Настройки (⚙ внизу слева) → Внешний вид → включи Dark Mode
Окно пока держи открытым — папку подключим позже, когда Claude её наполнит
Совет на будущее: когда папка будет открыта, зайди в Настройки → Файлы и ссылки → укажи папку по умолчанию для вложений: raw/assets/. Так картинки из Web Clipper будут аккуратно в одном месте.
02
Создай папку Jarvis и запусти Claude Code
Вся система = одна папка с подпапками raw/, wiki/ и файлом CLAUDE.md. Работать будем одновременно в двух окнах: Antigravity (Claude Code пишет файлы) + Obsidian (ты видишь их визуально). Два окна — одна папка.
Создай пустую папку — назови Jarvis (или своим именем)
Открой её в Antigravity: File → Open Folder
Открой терминал внутри Antigravity: Terminal → New Terminal, или Ctrl + `
В терминале набери claude → Enter
При первом запуске пройди логин — откроется браузер
03
Скорми Claude промпт Карпати (на русском)
Промпт Карпати — это инструкция, которая говорит Claude как вести твою Википедию. Два промпта: сначала короткая обёртка, потом большой текст LLM Wiki. Копируешь из шпаргалки ниже — вставляешь в Claude Code.
Промпт 1 · Обёртка
Привет! Я хочу, чтобы ты создал структуру папок по образцу, который я тебе сейчас скину. Если есть вопросы — задавай, но в целом просто следуй инструкции и создай каркас моей базы знаний. [сюда вставляется весь русский текст из Промпта 2 ниже]
Промпт 2 · LLM Wiki (полный перевод на русский)
# LLM Wiki Паттерн построения персональной базы знаний через LLM. Это файл-идея для копирования в твой LLM-агент (Claude Code, OpenAI Codex, OpenCode и т.п.). Его задача — передать концепцию верхнего уровня. Специфику ты проработаешь вместе со мной. ## Основная идея Обычный опыт работы с LLM и документами выглядит как RAG: загружаешь коллекцию файлов, LLM извлекает релевантные куски при запросе и генерирует ответ. Работает, но LLM каждый раз открывает знания с нуля. Нет накопления. Спроси тонкий вопрос требующий синтеза пяти документов — и LLM каждый раз будет искать и клеить фрагменты заново. Ничего не накапливается. NotebookLM, загрузка файлов в ChatGPT и большинство RAG-систем работают так. Здесь идея другая. Вместо того чтобы просто доставать данные из сырых документов при запросе, LLM постепенно строит и поддерживает персистентную вики — структурированную, взаимосвязанную коллекцию markdown-файлов между мной и сырыми источниками. Когда я добавляю новый источник, LLM не просто индексирует его. Он читает, извлекает ключевую информацию и интегрирует в существующую вики — обновляет страницы сущностей, пересматривает тематические сводки, помечает противоречия, усиливает или оспаривает синтез. Знания компилируются один раз и поддерживаются в актуальном состоянии. Ключевое отличие: вики — персистентный, накапливающийся артефакт. Перекрёстные ссылки уже проставлены. Противоречия уже помечены. Синтез уже отражает всё что я прочитал. Вики становится богаче с каждым источником и каждым вопросом. Я не пишу вики сам — ты пишешь и поддерживаешь её. Моя задача — поставлять источники, исследовать и задавать правильные вопросы. Твоя — суммаризация, перекрёстные ссылки, каталогизация и вся бухгалтерия. На практике у меня с одной стороны открыт Claude Code, с другой — Obsidian. Ты вносишь правки на основе разговора, я в реальном времени листаю результаты — хожу по ссылкам, смотрю граф, читаю обновлённые страницы. Obsidian — это IDE; ты — программист; вики — кодовая база. ## Архитектура Три слоя: Raw sources (сырые источники) — моя курированная коллекция исходников. Статьи, PDF, изображения, данные. Они неизменяемы — ты читаешь из них, но никогда не модифицируешь. Это источник истины. Wiki — директория сгенерированных тобой markdown-файлов. Сводки, страницы сущностей (entities), концепты, сравнения, обзор, синтез. Ты владеешь этим слоем целиком. Создаёшь страницы, обновляешь при добавлении источников, поддерживаешь перекрёстные ссылки и консистентность. Я читаю; ты пишешь. Schema — файл CLAUDE.md который говорит тебе как устроена вики, какие соглашения, какие рабочие процессы при загрузке источников, ответах и поддержке. Ключевой конфигурационный файл — он делает тебя дисциплинированным смотрителем вики, а не обычным чат-ботом. Мы вместе развиваем этот файл со временем. ## Операции Ingest (загрузка). Я кидаю новый источник и прошу тебя обработать. Пример флоу: ты читаешь источник, обсуждаешь со мной ключевые выводы, пишешь сводку в вики, обновляешь индекс, обновляешь релевантные страницы сущностей и концептов, добавляешь запись в лог. Один источник может затронуть 10–15 страниц. Query (запрос). Я задаю вопросы. Ты ищешь релевантные страницы, читаешь и синтезируешь ответ с цитатами. Важный момент: хорошие ответы можешь сохранять обратно в вики как новые страницы — в папку wiki/synthesis/. Сравнение, анализ, связь которую я открыл — это ценно и не должно исчезать в истории чата. Lint (очистка). Периодически я прошу провести health-check вики. Ищи: противоречия, устаревшие утверждения, страницы-сироты без входящих ссылок, важные концепты без своей страницы, пропущенные перекрёстные ссылки, пробелы в данных. ## Индекс и лог index.md — каталог всего в вики. Каждая страница со ссылкой, однострочной сводкой, опционально метаданные. Организован по категориям. Ты обновляешь при каждой загрузке. При ответе на запрос ты сначала читаешь индекс чтобы найти релевантные страницы, потом углубляешься. log.md — хронологический append-only лог. Что и когда произошло: загрузки, запросы, очистки. Каждая запись начинается с префикса вида ## \[2026-04-15\] ingest | Название источника. ## Структура папок (создай сразу) Создай такую структуру: - raw/sources/ — сюда буду кидать исходники - raw/web-clipped/ — сюда Web Clipper будет сохранять статьи - raw/assets/ — картинки из источников - wiki/entities/ — люди, компании, инструменты - wiki/concepts/ — идеи, модели, принципы - wiki/sources/ — саммари каждого источника - wiki/synthesis/ — твои ответы на мои вопросы - wiki/index.md — каталог всех страниц - wiki/log.md — хронология изменений - CLAUDE.md — твои правила работы (схема) ## Как ты работаешь Когда я кидаю новый источник: читаешь → сохраняешь в raw/ → делаешь sources-страницу → создаёшь или обновляешь entity-страницы для людей и компаний → создаёшь или обновляешь concept-страницы для идей → обновляешь index.md → добавляешь запись в log.md. Когда я задаю вопрос: читаешь index.md → находишь релевантные страницы → читаешь их → синтезируешь ответ с ссылками на \[\[файлы\]\] → хороший ответ сохраняешь в wiki/synthesis/ как отдельный файл. Когда я прошу lint: проверяешь противоречия между страницами, устаревшие утверждения, битые ссылки, страницы-сироты, отсутствующие концепты. ## Почему это работает Утомительная часть базы знаний — не чтение, а бухгалтерия. Обновление ссылок, сводок, пометки противоречий, консистентность на десятках страниц. Люди забрасывают вики потому что поддержка растёт быстрее ценности. Ты не устаёшь, не забываешь обновить ссылку, трогаешь 15 файлов за один проход. Вики остаётся живой потому что стоимость поддержки близка к нулю. Моя задача — курировать источники, направлять анализ, задавать хорошие вопросы. Твоя — всё остальное. Начни с создания структуры папок выше. Если есть уточняющие вопросы по моему домену — задай их. Когда готов — скажи, я кину первый источник.
Что создаст Claude: raw/, wiki/ (со всеми подпапками), CLAUDE.md, index.md, log.md. Подожди 2–3 минуты.
04
Запусти Jarvis и дай первую статью
Объясняем Claude кто ты и кидаем первый источник. Имя Jarvis — опционально, подставь своё. Статья — живой русский лонгрид про заработок на нейросетях в 2026.
Промпт 3 · Запуск Jarvis с первой статьёй
Чувак, хочу сделать wiki по заработку на нейросетях и AI-автоматизации. Назовём Jarvis — мой персональный ИИ-ассистент, который знает меня и помогает принимать лучшие решения про то, как зарабатывать на ИИ. Я буду кидать тебе статьи, кейсы, идеи, инструменты — и хочу, чтобы ты интегрировал всё это в структуру. Сначала — вот первый URL. Пройди по нему, скрапь весь контент (текст и картинки), разложи по raw/sources/ и сделай первую wiki-страницу в wiki/. URL: https://habr.com/ru/articles/990854/
Что сделает Claude: зайдёт на страницу, скачает текст + все картинки, создаст entity-страницы для авторов (Отли, Могилко, Мартел), концепты («лестница ценности», «модель ретейнера», «арбитраж осведомлённости»), обновит index и log.
05
Поставь Obsidian Web Clipper
Web Clipper — это кнопка в браузере «сохранить статью в Obsidian одним кликом». Настраиваешь один раз — пользуешься всегда.
Установи расширение из Chrome Web Store (прямая ссылка в секции ссылок ниже)
Нажми 🧩 (пазл справа от адресной строки) → найди Obsidian Web Clipper → закрепи 📌
Открой любую страницу → клик на фиолетовый ромб → внизу popup шестерёнка ⚙ → Настройки
Настройки Web Clipper:
• Хранилища → впиши имя vault точно как в Obsidian → Enter
• Шаблоны → Новый шаблон → Название: Jarvis
• Расположение заметки: raw/web-clipped/
• Хранилище по умолчанию для шаблона: твой vault
06
Подключи папку к Obsidian как vault
Теперь Obsidian увидит то, что Claude создал — файлы, граф, всю паутину связей.
Возвращайся в Obsidian → слева внизу кликни на название vault → «Открыть папку как хранилище»
Выбери свою папку Jarvis → Open → Trust author если спросит
Слева появятся: CLAUDE.md, README.md, raw/, wiki/
Включи граф — слева на панели иконка кружка с точками → клик
Увидишь узлы и паутину связей. Крути мышкой — узлы разбегаются и стягиваются
07
Задай Jarvis первый вопрос
Проверяем что Claude не просто хранит файлы, а рассуждает над ними со ссылками на источники. Это главный тест системы.
Промпт 4 · Вау-вопрос
Окей, проверим систему. На основе всего что ты про меня знаешь — профиль, wiki, концепты, статья с Хабра — ответь: я хочу в ближайшие 3 месяца вырасти на YouTube и параллельно начать продавать услуги студии через канал. Какие 3 конкретные стратегии из того что мы уже собрали в Jarvis я могу применить? Предложи сочетания — концепт плюс автор равно конкретное действие. И перечисли какие файлы из wiki ты использовал.
Самое крутое: после ответа заглянь в wiki/synthesis/. Там появится новый файл с разбором. Через неделю спросишь «какая стратегия сработала?» — Claude вспомнит. Это compound effect: один вопрос → новая wiki-страница.
Источники
- YouTube-видео: Карпатый Wiki Вместо RAG — Полный Obsidian Сетап Для Новичка
- Оригинальный пост Андрея Карпати (твит, набравший 20 млн просмотров) — упоминается в видео, точная ссылка в описании.
- Эссе Вэнивара Буша «As We May Think» (1945) — опубликовано в The Atlantic, ссылка на текст в свободном доступе: The Atlantic
-
- Промпт-шаблон Claude Code + Obsidian (полный русский промпт) — доступен в видео (ссылка выше)