Шесть месяцев спустя: как работает LLM-вики в реальной жизни, кто формирует мышление о PKM в 2026 году и почему «накапливающееся знание» важнее любого плагина
В ноябре 2025 Андрей Карпати опубликовал GitHub Gist с концепцией LLM-вики. Сейчас, спустя шесть месяцев, сотни практиков написали честные отчёты о том, что работает, а что нет. Главный вывод: система работает только при одном условии — качественный CLAUDE.md.
Без жёсткой схемы (что хранить, как именовать, когда обновлять) LLM-агент превращает wiki в свалку. С хорошей схемой — каждый новый источник делает базу умнее экспоненциально. Karpathy сам использует систему для AI-исследований: 100+ источников, 400 тысяч слов. Время ответа на вопрос сократилось в 10×.
Практики также выяснили: markdown-индекс с хорошими summary: полями обгоняет векторный поиск при 100-500 страницах. RAG нужен только когда vault вырастает за тысячу страниц.
Векторный поиск (RAG) выигрывает у keyword-поиска на больших объёмах неструктурированного текста. Но хорошо обслуживаемая wiki с консистентным frontmatter — это структурированный текст. Поле summary: даёт LLM сигнал о релевантности без чтения всего файла.
Схема retrieval primitives (от дешёвого к дорогому): проверка index.md → grep по frontmatter → чтение summary: → grep по телу → полное чтение файла. Это в 3–7× дешевле, чем всегда векторизировать всё.
| Компонент | Роль | Критичность | Как улучшить |
|---|---|---|---|
| raw/ (источники) | Неизменяемые первичные данные | Обязательно | Никогда не модифицировать — source of truth |
| wiki/ (LLM-база) | Компилированное знание | Обязательно | Консистентный frontmatter в каждом файле |
| CLAUDE.md (схема) | Инструкции для агента | Критично | Обновлять при каждом изменении структуры |
| index.md | Каталог всех страниц | Критично | Обновлять немедленно после каждого ingest |
| summary: поле | Дешёвый retrieval-сигнал | Важно | ≤200 символов, обязательно для всех страниц |
| log.md | Append-only история изменений | Важно | Только добавлять, никогда не удалять записи |
Практики отметили три главных ловушки: (1) CLAUDE.md без примеров — LLM игнорирует схему при спорных случаях; (2) ingest без обновления index.md — граф разваливается через месяц; (3) слишком широкие теги — поиск перестаёт быть точным.
Ключевой инсайт: система не «работает из коробки» — нужен Teaching Loop. Каждая коррекция LLM-агента должна записываться в memory/ как правило. Через 2–3 месяца агент знает систему лучше, чем ты её помнишь.
В мае 2026 паттерн Карпати получил официальный плагин в Community. Плагин добавляет команды для ingest, lint, и cross-link прямо в Obsidian без Claude Code в терминале. Рейтинг: 4.2/5, 380+ скачиваний за первый месяц.
Ограничение: плагин использует встроенные LLM (OpenAI/Claude via API key в настройках), но не имеет доступа к vault-широкому контексту так же глубоко, как полноценный MCP-агент. Для продвинутых сценариев — всё равно нужен Claude Code + MCP.
| Плагин | Что нового | Оценка | Для кого |
|---|---|---|---|
| Karpathy LLM Wiki | Официальный плагин паттерна: ingest + lint + cross-link в один клик | ★★★★☆ | PKM-практики, LLM-wiki |
| Obsidian MCP Plugin | v2.1: wikilink graph traversal + Bases queries + коммиты март 2026 | ★★★★★ | Разработчики, AI-агенты |
| Obsidian Bases | v1.9.10+: database views (tables, galleries, kanban) из frontmatter | ★★★★★ | Все пользователи |
| Dataview | v2.7.0 (15 мая): force-ignore serializer для конкретных заметок | ★★★★☆ | Power users |
| Obsidian Community | Новый каталог (12 мая): 4000+ плагинов, поиск по категориям, dev dashboard | ★★★★★ | Все пользователи |
| Yearly Glance | v4.0.0 (18 мая): breaking changes, renamed command ID — обнови скрипты! | ★★★☆☆ | Daily review users |
После 5 лет только через GitHub, Obsidian наконец запустил собственный каталог: 4000+ плагинов и тем с поиском, фильтрацией по категориям (Integrations, Bases, Charts, AI, и ещё десятки), рейтингами и дашбордом разработчика. Всего 120 миллионов скачиваний плагинов суммарно.
Это меняет дискавери плагинов: больше не нужно искать на GitHub или читать старые статьи. Community.obsidian.md — новая точка входа.
Главный вывод шести месяцев практики с Karpathy LLM-wiki: системы без Teaching Loop деградируют. Каждая коррекция LLM-агента, которую ты не записал — это потерянный урок, который повторится снова.
memory/rule-NNN-описание.md