Obsidian Intelligence #21 — 07 мая 2026

🔥 Главное

Через 36 дней: от одного gist до войны фреймворков

4 апреля 2026 Andrej Karpathy опубликовал GitHub gist «LLM Wiki» — концептуальное описание паттерна, где LLM сам строит и поддерживает wiki. К 5 мая 2026 — ровно через 31 день — gist набрал 5000+ звёзд, появилось 20+ реализаций на GitHub, несколько коммерческих SaaS, и первые «production deployments» с несколькими параллельными агентами.

Самый показательный сигнал: проект NEXUS уже работает в проде с 6 агентами, GraphRAG и полной персистентной памятью. Одиночный gist превратился в экосистему с конкурирующими подходами к тому, как именно AI должен управлять знаниями.

Ключевой вопрос, который разделяет все реализации: когда детектировать противоречия — при ingestion или в отдельном lint-пассе? SamurAIGPT выбрал первый подход. Ar9av — второй. Оба правы в разных сценариях.

Числа, которые говорят сами за себя

Тренд

Karpathy описывает свой research wiki: 100+ статей, ~400,000 слов (≈ 4-5 романов). При правильной структуре vault — эффективность запросов в 70× выше, чем у классического RAG (данные MindStudio, апрель 2026). Obsidian как IDE для LLM-управляемой wiki — уже не эксперимент, а паттерн с несколькими production-реализациями.

→ Оригинальный gist Karpathy

🤖 Экосистема LLM Wiki

LLM Wiki v2 — agentmemory extension

v2

Rohit Ghumare опубликовал «LLM Wiki v2» на GitHub Gist: расширение оригинального паттерна с уроками из построения agentmemory. Ключевое добавление — persistent memory engine для AI-агентов с механизмами масштабирования и долгосрочной консистентности. Если оригинальный gist — концепция, то v2 — production playbook.

→ LLM Wiki v2 gist

nvk/llm-wiki — параллельные агенты + thesis-driven research

Multi-agent

Ник Велп (NFT-пионер, сейчас PKM-разработчик) выпустил nvk/llm-wiki — принципиально другой подход: не один агент ingest'ит источники, а несколько параллельных агентов ведут «thesis-driven investigation». Каждый агент стартует с гипотезой и ищет подтверждения/опровержения. Результат — wiki со встроенными аргументационными цепочками, а не просто суммаризированными фактами.

→ github.com/nvk/llm-wiki

Противоречие, которое нужно знать каждому

Архитектура

Все реализации LLM Wiki расходятся в одном принципиальном решении: eager contradiction detection (SamurAIGPT — при ingestion, сразу) vs lazy lint passes (Ar9av, 2BRAIN — отдельный шаг). Eager дороже по токенам, но vault всегда консистентен. Lazy экономит ресурсы, но vault «грязнее» между lint-проходами. Для личного vault — lazy, для командного — eager.

🧠 Мыслители PKM 2026

🤖

Andrej Karpathy

AI researcher · Karpathy LLM Wiki pattern

Главная идея: LLM не отвечает на вопросы о вашей базе знаний — LLM строит и поддерживает её. Разница фундаментальная: второй подход создаёт компаундирующую систему, которая умнеет вместе с владельцем. Каждый добавленный документ усиливает весь граф, а не просто индексируется.

"Вместо того чтобы хранить знания и иногда спрашивать AI — пусть AI строит хранилище для тебя."

📚

Sébastien Dubois

dsebastien.net · Agentic Knowledge Management

Ввёл концепцию AKM (Agentic Knowledge Management) — следующий шаг после PKM. В классическом PKM ты вызываешь AI. В AKM AI вызывает тебя. Агент проактивно мониторит vault, детектирует изменения, понимает твои намерения и предлагает действия до того, как ты их запросил. Ключевая статья: «Your AI Doesn't Know You: Why PKM Is the Missing Foundation for AI Agents».

"AI без PKM-основы — незнакомец с инструментами. AI поверх PKM — партнёр, который понимает контекст."

🎯

Tiago Forte

@TiagoForte · Building a Second Brain (BASB)

Автор PARA и CODE-метода. В 2026 году адаптирует BASB к эпохе AI: его тезис — «AI не заменяет PARA, AI усиливает его». Capture и Organize остаются человеческими, Distill и Express всё активнее делегируются LLM. Для пользователей Obsidian это означает: структура vault по-прежнему важна, но её поддержка всё больше автоматизируется.

"Лучшая система — та, которой ты будешь реально пользоваться. AI делает это условие проще выполнить."

🔗

Nick Milo

@linkingyourthinking · MOC-метод (Maps of Content)

Создатель MOC-метода и «Linking Your Thinking» — вероятно, самого популярного Obsidian-воркфлоу. В 2026 исследует, как AI-агенты могут автоматически предлагать новые MOC на основе паттернов связей. Его канал на YouTube остаётся точкой входа для большинства новых пользователей Obsidian.

"MOC — это не просто папки. Это способ мышления, материализованный в графе связей."

📦 Ключевые репозитории экосистемы

Репозиторий	Особенность	Агенты
Ar9av/obsidian-wiki Karpathy-паттерн для Obsidian с delta-tracking	Delta-manifest, vision-ingestion, cross-linker	Claude / Cursor / Codex
SamurAIGPT/llm-wiki-agent Eager contradiction detection при ingestion	Без API-ключа, multi-platform схемы	Claude Code / Codex / Gemini
nvk/llm-wiki Parallel multi-agent + thesis-driven research	Аргументационные цепочки в wiki	Параллельные агенты
lucasastorian/llmwiki Upload docs + Claude MCP → wiki	Open source, MIT, MCP-интеграция	Claude via MCP
AgriciDaniel/claude-obsidian Claude + Obsidian companion: /wiki /save /autoresearch	Compounding vault, persistent wiki	Claude Code

💡 Рекомендация дня

Одно конкретное действие

Добавь «eager contradiction check» в свой wiki-ingest

Большинство LLM Wiki реализаций (включая 2BRAIN) используют lazy lint — противоречия ловятся только при явном запуске wiki-lint. Но для ключевых концепций (entities, synthesis) имеет смысл проверять при каждом ingest. Добавь в свой ingest-скилл одну проверку:

# После создания/обновления страницы — быстрая проверка:
# "Не противоречит ли новое утверждение существующим страницам?"
# grep -r "противоречит\|contradicts\|BUT in" wiki/ | head -20
# Или спроси LLM: "List any contradictions between this new content and existing wiki pages"
      

Это не замена полному wiki-lint, но даёт «fail-fast» при ingestion критически важных источников.