# Личная Wiki на базе LLM — практические кейсы по Карпатому

**Дата:** 2026-04-29
**Источник:** [YouTube](https://www.youtube.com/watch?v=2ZHHzfMSeWc)
**Теги:** #llm #wiki #rag #ai

---

## Резюме

Видео разбирает практическое применение концепции LLM Wiki от Андрея Карпатого — альтернативы классическому RAG-подходу. В отличие от RAG, где документы делятся на чанки и ищутся по векторному сходству, LLM Wiki сохраняет полный контекст через связанные текстовые файлы с кросс-референсами. Система строится в Obsidian с Claude Code и состоит из трёх каталогов: сырых данных, wiki-файлов и схемы инструкций. Автор демонстрирует реальный кейс на примере анализа рабочего Slack-чата команды.

---

## Ключевые концепции

### Архитектура LLM Wiki

Три каталога:
- **`raw/`** — сырые входящие данные (PDF, Word, txt, чаты)
- **`wiki/`** — текстовые Markdown-файлы, генерируемые нейронкой (не трогать руками)
- **`CLAUDE.md`** — схема/мозг системы: инструкции для LLM (аналог Agents.md)

Автоматически создаются:
- **`wiki/index.md`** — оглавление всех wiki-файлов с краткими описаниями
- **`wiki/log.md`** — хронология обработанных источников (против дублирования)

### Три операции

| Операция | Описание |
|----------|----------|
| **Ingest** | Обработка новых файлов из `raw/`, создание/обновление wiki-страниц |
| **Query** | Запрос: LLM читает `index.md`, рекурсивно обходит связанные файлы, даёт ответ с полным контекстом |
| **Lint** | Периодическая очистка: удаление дублей, добавление недостающих ссылок, расшифровка акронимов |

### Почему лучше RAG (на малых объёмах)

- RAG ищет похожие чанки → теряет структурные связи между идеями
- LLM Wiki сохраняет кросс-ссылки → LLM рекурсивно собирает **полный контекст**
- Работает лучше до ~100 источников / несколько сотен wiki-страниц
- При росте — создавать отдельные Wiki для каждого проекта/топика

### Аналогия Карпатого

> Obsidian = IDE, LLM = разработчик, wiki-файлы = код

Человек: выбирает источники, задаёт вопросы, корректирует  
LLM: создаёт, обновляет и связывает wiki-страницы

### Исторический контекст — Мемекс (1945)

Концепция уходит корнями к эссе Ванневара Буша **"As We May Think"** (1945) — описание электромеханического устройства Memex с ассоциативными ссылками между базами знаний. Проблема того времени — поддержка актуальности базы. AI снимает эту проблему, беря на себя создание и обновление связей.

---

## Практический кейс — Slack-чат команды

**Задача:** Еженедельно загружать внутреннюю переписку → извлекать инсайты  
**Что нашла LLM из одной недели чата:**
- Graph RAG и эволюция подходов
- LLM Gateway / cost control (проблема: маркетинг слил бюджет OpenAI за день через внутренний API)
- Security AI (взлом внутреннего бота)
- Агентские workflows с Jira/Slack/Confluence
- Open Source vs API дискуссии

**Пример query:** "Что будем делать с контролированием трат на нейронки?"  
**Ответ LLM:** полная проблематика + решение: LLM Gateway → семантический роутинг (простые задачи → локальная Llama, сложные → облако), лимиты по пользователям, блокировка sensitive data.

---

## Настройка системы (шаги)

1. Установить **Obsidian** (бесплатно, obsidian.md)
2. Создать проект → папки `raw/` и `wiki/`
3. Установить плагин **Terminal** (Community Plugins) для встроенного терминала
4. Создать `CLAUDE.md` со схемой (можно сгенерировать из описания концепта Карпатого)
5. В `CLAUDE.md` прописать: ingest workflow, query workflow, lint workflow, формат страниц, правила (rules)
6. Запустить `claude code` из директории проекта
7. Команды: `ingest new data`, `query: <вопрос>`, `lint`

---

## Что применить / главные инсайты

- **Для Obsidian vault:** настроить LLM Wiki для накопления инсайтов из статей, видео, заметок — вместо плоского хранения
- **Для Pulse App:** потенциально — анализ накопленных данных через wiki-структуру
- **Ключевое:** CLAUDE.md / schema — главный файл, который нужно тщательно настраивать и дополнять правилами по мере роста системы
- **Масштабирование:** не одна большая wiki, а отдельные wiki per project/domain с изолированными index.md
- **Graph View в Obsidian** визуализирует "узлы напряжения" — точки концентрации знаний, на которые стоит обращать внимание
- LLM Wiki ≠ замена RAG везде, но превосходит его там где важны **межконцептуальные связи** и **богатый контекст**

---

## Применимые сценарии (по Карпатому)

- Личная база знаний (книги, статьи, курсы)
- Исследовательская работа — трекинг пересечений концептов
- Бизнес-команда — внутренние чаты, документация, звонки клиентов
- Конкурентный анализ