Сразу после получения очередной порции информации кажется, что ты хорошо ее обработал, но уже через неделю в голове остаются только обрывки. Формально знание существует, но где оно? В заметках? В переписке с кем-то? Это нормальное свойство памяти: мы забываем материал, если не возвращаемся к нему постоянно. Но такой подход означает, что существующее знание, увы, недоступно.
Привет, Хабр! Меня зовут Андрей Меньшиков, я старший разработчик в IBS. Как и все, я читаю по работе статьи, смотрю видео, хожу на митапы — сохраняю ссылки и оставляю для себя заметки. Уже больше года использую Obsidian как рабочую систему для заметок, идей, подготовки докладов, чтения и проектной документации.
За последнее время вокруг Obsidian сформировалась целая экосистема ИИ-плагинов. Одни помогают искать информацию по смыслу, другие общаться с собственной базой знаний, третьи — быстрее обрабатывать статьи, встречи и документацию. В этой статье хочу поговорить про пять конкретных инструментов, которые помогают мне не терять знания и возвращаться к тому, что я уже когда-то понял или придумал. Сначала поговорим про сами плагины, а потом и про сценарии их использования.
Copilot
https://github.com/logancyang/obsidian-copilot
Это универсальный ассистент внутри Obsidian, который закрывает самые широкие сценарии — чат с заметками, поиск по хранилищу, работу с контекстом. Плагин можно воспринимать как интерфейс к личному архиву.
Copilot поддерживает большое количество моделей и провайдеров, включая OpenAI, Anthropic Claude, Google Gemini, OpenRouter, Ollama и совместимые с OpenAI API-сервисы. Его можно использовать как с облачными моделями, так и с локальными.
Главная особенность Copilot — работа с контекстом. Плагин умеет учитывать содержимое текущей заметки или всего хранилища и строить ответы именно на его основе, а не только на знаниях модели. По сути, это реализация подхода RAG (Retrieval-Augmented Generation) поверх вашей персональной базы знаний.
Когда пригодится:
-
быстро найти информацию в собственной базе знаний;
-
составить план статьи по уже существующим материалам;
-
выделить основные мысли из длинной заметки;
-
подготовить краткое резюме встречи.
Smart Connections
https://github.com/brianpetro/obsidian-smart-connections
Инструмент для поиска и построения семантических связей между заметками. В отличие от стандартного поиска Obsidian, который ищет совпадения по словам, Smart Connections анализирует смысл текста и показывает заметки, наиболее близкие по содержанию.
Например, одна заметка может быть посвящена микросервисам, другая — распределенным системам, а третья — сервисной архитектуре. Поиск по словам сочтет их разными темами, тогда как Smart Connections поймет, что они тесно связаны.
Для этого плагин строит эмбеддинги заметок — векторные представления их содержания — и выполняет поиск по смысловой близости. В последних версиях основной акцент сделан на локальной обработке данных: индекс создается непосредственно на компьютере пользователя, без обязательной отправки заметок во внешние сервисы.
Кроме поиска похожих документов, Smart Connections предлагает отдельную панель со связанными заметками, умеет объяснять, почему две записи считаются похожими, и включает собственный чат Smart Chat, который использует найденные заметки как контекст для ответов.
Плагин особенно полезен, когда хранилище разрастается до сотен или тысяч заметок и ручное связывание становится практически невозможным.
Text Generator
https://github.com/nhaouari/obsidian-textgenerator-plugin
Один из первых ИИ-плагинов для Obsidian, ориентированный именно на работу с текстом во время написания заметок. Он позволяет генерировать, переписывать, сокращать и дополнять текст непосредственно в редакторе, не переключаясь между приложениями.
Плагин поддерживает более сотни провайдеров и моделей, включая OpenAI, Anthropic, Gemini, Ollama, OpenRouter и локальные LLM. Помимо готовых команд, он позволяет создавать собственные шаблоны промптов — так часто используемые операции можно выполнять буквально в пару кликов.
Типичные сценарии:
-
сделать первый черновик статьи;
-
переписать абзац в более понятной форме;
-
сократить длинный текст;
-
сформулировать выводы по заметке.
Chat GPT MD
https://github.com/bramses/chatgpt-md
Плагин с простым синтаксисом, который позволяет сохранить чат как markdown-файл (обычную заметку).
Когда диалоги становятся частью базы знаний, их можно связывать с другими заметками, индексировать поиском и использовать как источник информации в будущем.
Такой подход особенно удобен тем, кто регулярно использует ChatGPT для мозговых штурмов, подготовки материалов или исследования новых тем.
Local GPT
https://github.com/pfrankov/obsidian-local-gpt
Если заметки содержат рабочие документы, внутреннюю документацию или информацию под NDA, отправлять их в облачные модели не всегда допустимо.
Obsidian в этом смысле удобен: заметки хранятся локально, и разработчики отдельно подчеркивают это. Но когда вы через плагин подключаете облачную ИИ-модель, ситуация меняется. Если он отправляет контекст в Open AI Antropic или другого провайдера, часть заметок может выходить на внешний сервер для обработки. Это допустимо для личных или каких-то публичных материалов, отчасти для нейтральных рабочих черновиков. Но если в хранилище есть какая-то клиентская информация, NDA, внутренние стратегии, медицинские данные или корпоративные документы, то с этим нужно быть аккуратнее.
Связка с Ollama — вариант для тех, кому важны приватность и локальные модели. Она позволяет запускать современные языковые модели прямо на собственном компьютере. В этом случае содержимое заметок вообще не покидает устройство.
Локальные модели обычно немного уступают крупнейшим облачным решениям, однако для поиска по базе знаний, суммаризации заметок и анализа документов их возможностей зачастую более чем достаточно.
Шесть сценариев использования этих плагинов
На практике ценность AI определяется не количеством установленных плагинов, а тем, какие задачи они помогают решать.
Семантический поиск вместо поиска по словам
Базовый паттерн — поиск информации по смыслу. Предположим, несколько месяцев назад вы делали заметку о профессиональном выгорании. Сегодня готовите материал про ментальное здоровье разработчиков. Ключевые слова отличаются, но тема одна.
Smart Connections способен автоматически найти старую заметку и показать ее как релевантную, хотя вы уже могли забыть о ее существовании. Практически это выглядит просто: достаточно поставить Smart Connections, после чего плагин индексирует хранилище. Далее в боковой панели он показывает заметки, связанные с текущей. Не нужно заранее что-то вручную тегировать. Система подсвечивать связи сама. В результате база знаний начинает работать как память, а не как архив.
Поиск скрытых связей между заметками
В Obsidian заложена сильная идея — знания становятся полезнее, когда заметки между собой связаны. Но вручную связывать отдельные записи все сложнее, особенно если хранилище растет годами.
ИИ умеет не только искать похожие записи, но и находить неожиданные пересечения, которые вы сами могли не заметить. По сути, ИИ выступает в роли архивиста, но не автора заметок. Он анализирует текущую заметку и помогает понять, с чем она перекликается.
Например, заметка по системному мышлению может оказаться полезной при проектировании микросервисной архитектуры. На первый взгляд темы разные, однако обе описывают устройство сложных систем. ИИ может заметить такие общие концепции и предложить связи между заметками.
Рабочий процесс простой: можно попросить ИИ подобрать 5–7 связанных заметок и объяснить, почему они пересекаются. После этого можно решить, какие ссылки добавить, а какие проигнорировать. Иногда именно на пересечении двух старых заметок могут появиться какие-то новые идеи.
Быстрая обработка входящей информации
ИИ помогает быстрее перерабатывать входящий поток информации. У многих есть списки «когда-нибудь почитаю» или «посмотрю», которые только растут. Плагин Web Clipper, с помощью которого можно быстро отправить статью в хранилище. Вместо того чтобы сразу читать длинную статью целиком, можно попросить Copilot:
-
выделить основные идеи;
-
составить краткий конспект;
-
выписать ключевые цитаты;
-
предложить связи с уже существующими заметками.
ИИ не заменяет чтение, но помогает понять, стоит ли вообще тратить время на материал. По такому же принципу можно обрабатывать книги, документацию и записи встреч.
Подготовка карточек для обучения
Если вы изучаете новую тему или готовитесь к сертификации, ИИ может автоматически создавать flash-карточки. Из одной заметки вполне получается набор вопросов и ответов:
-
определения;
-
сравнение терминов;
-
типичные ошибки;
-
короткие проверочные вопросы.
Так заметки превращаются не просто в архив информации, а в инструмент повторения.
Регулярный обзор базы знаний
В конце рабочего дня полезно попросить ИИ проанализировать сегодняшние записи в поисках того:
-
какие идеи стоит превратить в постоянные заметки;
-
какие задачи появились;
-
какие темы всплывают уже не в первый раз;
-
какие заметки стоит связать между собой.
На такую ежедневную «ревизию» обычно уходит всего несколько минут, зато база знаний остается живой и постоянно развивается.
Похожий сценарий — это генерация maps of content. Когда по одной теме накапливается уже много заметок, ИИ может собрать первый черновик карты, сгруппировать заметки по подтемам и предложить структуру.
Общение со своей базой знаний
Самый интересный сценарий — RAG, когда ИИ отвечает не только на основе своих знаний, но и с использованием ваших заметок. Сначала он ищет релевантные заметки в вашем хранилище, потом использует их как контекст для ответа из своей общей базы знаний. Это меняет ощущение от работы.
Можно задавать вопросы вроде:
-
Что я уже писал про Clean Architecture?
-
Какие аргументы против микросервисов я собирал раньше?
-
Помоги составить доклад на основе моих материалов.
Здесь важно понимать ограничения. RAG снижает риск галлюцинаций, потому что ответ строится на найденных заметках, но не убирает его полностью. Важно, чтобы плагин показывал источники ответа. Это позволяет быстро проверить выводы модели. Также ответ RAG сильно зависит от качества вашей базы. Короткие атомарные заметки с понятными заголовками работают лучше, чем один огромный файл. Чем яснее вы пишете для будущего себя, тем лучше ИИ сможет потом вернуть вам эту мысль.
Моя задача была сделать так, чтобы личные знания не были архивом, куда все попадает и забывается, а стали живой системой, помогающей думать. Ценность Obsidian не в том, что он красиво хранит заметки, а в том, что помогает возвращать ваши собственные мысли обратно в работу. Можно не случайно наткнуться на старую запись через полгода, а быстро найти ее в тот момент, когда она действительно нужна. Формат markdown дает долговечность, связи между заметками — контекст, а ИИ добавляет третий слой — поиск по смыслу и подсветку скрытых связей. Мы получаем возможность разговаривать со своей базой знаний как с живым архивом.
ссылка на оригинал статьи https://habr.com/ru/articles/1057396/