Полное руководство по Obsidian + Claude Code

Руководство Huashu за апрель 2026 года описывает, как вести персональную базу знаний, где Claude Code выступает в роли штатного библиотекаря. Главный тезис: храните знания в формате, понятном ИИ (локальный Markdown), и доверьте ему организацию, связывание и поддержку заметок в актуальном состоянии. Вы записываете и думаете, а ИИ индексирует и расставляет ссылки.

Руководство подтверждает жизнеспособность подхода llm-wiki-pattern, дополняя его практическими деталями реализации. Huashu управляет базой из более чем 2000 файлов в 9 workspace'ах с помощью иерархии файлов CLAUDE.md: корневой маршрутизатор распределяет задачи по наборам правил в поддиректориях. Автор написал 55 собственных Skill'ов, прежде чем понял, что встроенные возможности Obsidian (двунаправленные ссылки, граф, нечёткий поиск) уже решают задачи, которые он пытался закрыть своими скриптами.

Конвергентная эволюция

Три многомиллиардных проекта независимо друг от друга выбрали один и тот же формат памяти:

• Manus (куплен Meta за $2 млрд): хранит память агента в task_plan.md и notes.md
• OpenClaw (355k звёзд на GitHub): использует MEMORY.md для знаний и SOUL.md для личности
• Claude Code: держит контекст проекта в CLAUDE.md, а долговременную память - в директории memory/

Все остановились на обычных Markdown-файлах. Причины очевидны: околонулевая задержка, нулевая стоимость, поддержка любого текстового редактора, нативная работа с Git и отсутствие привязки к конкретному поставщику. Для персональных баз знаний объёмом до 400 тыс. символов (~200 тыс. слов) прямое чтение файлов превосходит векторные базы данных по всем параметрам.

Трёхслойная архитектура

Руководство предлагает поток raw -> wiki -> output:

raw/ содержит неизменяемые исходные материалы: статьи, заметки со встреч, пометки при чтении, скриншоты переписок. Только добавление новых записей, никакого редактирования. Это единственный источник истины.

wiki/ содержит структурированные статьи, написанные ИИ и разложенные по типам: concepts/, entities/, topics/. Каждая статья следует спецификации SCHEMA.md, которая задаёт правила именования, шаблон frontmatter, таксономию тегов, правила расстановки wikilink'ов и структуру текста. ИИ создаёт и поддерживает эти статьи, а человек может вносить правки.

output/ содержит результаты запросов: отчёты, аналитику, сравнения, сформированные на основе знаний из wiki. Удачные материалы возвращаются обратно в wiki как новые статьи.

SCHEMA.md превращает обычную LLM в аккуратного куратора wiki. Без неё модель может сегодня поставить тег #ai-tools, а завтра - #AI-Tools. С ней оформление остаётся предсказуемым.

Шесть принципов проектирования

1. Только Markdown - конвертируйте всё в .md перед добавлением в vault; оригиналы храните снаружи
2. Единая терминология - выберите один вариант (RAG или Retrieval-Augmented Generation) и придерживайтесь его; вынесите глоссарий в CLAUDE.md
3. Плоская структура прежде всего - не более 3 уровней вложенности папок; используйте теги и ссылки для категоризации, а папки - для стадий жизненного цикла (active/archive)
4. Краткая суть у каждой заметки - одно предложение в frontmatter, чтобы ИИ мог не читать файл целиком при беглом обзоре
5. Пять полей frontmatter - title, tags, created, type (fleeting/literature/permanent), summary
6. Разделяйте человеческий и машинный контент - держите их в разных папках или с разными префиксами в именах файлов; у них разный уровень доверия и разные правила редактирования

Поле type взято из методики Zettelkasten: fleeting notes (быстрые мысли), literature notes (конспекты прочитанного), permanent notes (оформленные выводы). ИИ может пропускать мимолётные заметки и отдавать приоритет постоянным.

Рабочие процессы

Семь практических процессов, требующих минимум усилий от человека:

• Ежедневные заметки и еженедельный обзор: пишите по 3-5 строк в день, а генерацию недельных сводок отдайте ИИ
• Заметки по чтению: сбрасывайте выжимки в raw/, а ИИ сформирует структурированные literature notes со ссылками на существующие материалы vault'а
• Накопление исследований: сохраняйте исходные данные, ИИ собирает их в статьи wiki, и следующее исследование по этой теме сразу получит готовый контекст
• Написание текстов по заметкам: сформулируйте тему одним предложением, ИИ найдёт нужные материалы в vault'е и соберёт черновик
• Управление проектами: отдельная папка под каждый проект с файлом index.md; завершённые проекты переносятся в archive/
• Автоматический разбор старых заметок: пакетная обработка неразобранных файлов, где ИИ сам расставляет frontmatter и ссылки
• Автоматическая расстановка обратных ссылок: ИИ просматривает ежедневные заметки, находит сущности, заменяет обычный текст на [[wikilinks]] и создаёт заготовки страниц для отсутствующих сущностей

Последний процесс - "Agentic Note-Taking" - самый масштабный. Stefan Imhoff раньше тратил по 10-15 минут в день, расставляя ссылки вручную. С Claude Code это занимает считанные секунды.

Инструменты

obsidian-skills (от kepano, CEO компании Obsidian) учит Claude Code работать со специфическим синтаксисом Obsidian: [[wikilinks]], блоками callout, файлами .canvas и YAML-frontmatter. Установка: claude install kepano/obsidian-skills.

Claudian встраивает чат Claude Code прямо в боковую панель Obsidian, избавляя от переключения в терминал.

Smart Connections строит семантический индекс на базе эмбеддингов. В базах объёмом более 400 тыс. символов это дополняет прямое чтение файлов.

MCP большинству пользователей не нужен. Claude Code и так напрямую читает и пишет локальные файлы. MCP лишь добавляет промежуточный слой без какой-либо пользы, если только вам не требуется доступ к vault'у из Claude Desktop (вместо Claude Code) или вызов функций плагинов Obsidian вроде запросов Dataview.

Пороги масштабирования

Контекстное окно Claude в 200k токенов вмещает примерно 500-800 тыс. символов Markdown. Для большинства личных баз знаний этого с запасом хватает, чтобы вообще не думать о векторном поиске.

Связь с текущей конфигурацией

Этот vault уже реализует Шаблон C (Karpathy Wiki) из руководства:

• sources/ ≈ raw/
• wiki/ ≈ wiki/
• CLAUDE.md задаёт схему прямо в тексте, без выноса в отдельный SCHEMA.md

Из руководства стоит перенять несколько идей:

• Добавить раздел глоссария в CLAUDE.md для фиксации терминологии
• Разделять страницы wiki по type: fleeting | literature | permanent
• Настроить процессы автоматической расстановки ссылок для ежедневных заметок
• Вынести результаты генерации ИИ в отдельную директорию или выделять префиксом

Ключевая мысль: "ИИ - это не поисковик, это компилятор ваших знаний". RAG каждый раз собирает ответ с нуля. Подход с wiki компилирует сырые материалы в постоянные статьи, которые со временем накапливаются и обрастают перекрёстными ссылками.