О том, как устроено само хранилище, я подробно писал в статье «Как я организовал заметки в Obsidian: PARA по-русски». Здесь — следующий шаг: как к нему подключены AI-инструменты и какую работу они на себя забрали.

Проблема: записывать легко, разбирать — нет

Записывать в Obsidian я привык давно. Узкое место было в другом:

  • входящие копятся быстрее, чем я их разбираю;
  • заметки разного возраста оформлены по-разному;
  • чтобы ответить на вопрос «как я это уже делал», нужно помнить, где лежит заметка;
  • каждый новый чат с AI начинается с нуля — объяснять контекст приходится заново.

Три роли

Решение — разделить работу между инструментами, каждому дав одну роль.

Схема второго мозга: NotebookLM хранит источники, агент обрабатывает, Obsidian хранит итоговое знание

ИнструментРольЧто делает
NotebookLMбиблиотека источниковхранит сырые материалы — PDF, документацию, длинные статьи, видео; отвечает строго по ним, со ссылками
AI-агент (Claude Code, opencode)исполнительчитает и пишет файлы хранилища, разбирает входящие, сводит источники в заметки
Obsidianитоговая базатолько проверенное и оформленное знание в моей структуре

Ключевой принцип: сырое и обработанное не смешиваются. Двухсотстраничный стандарт или документация вендора живут в NotebookLM — там удобно задавать вопросы по первоисточнику. В Obsidian попадает только выжимка: «что из этого нужно мне и как я это применил».

Агент работает прямо с файлами

Хранилище Obsidian — это просто папка markdown-файлов. Агенту не нужен никакой API: он открывает папку как проект и работает с файлами напрямую. Для внешних источников — например, NotebookLM или браузера — подключаются MCP-серверы, стандартный способ дать агенту инструменты.

Чтобы агент не превратил базу в мусорку, в корне хранилища лежит его конфигурация.

Правила хранилища

Файл инструкций, который агент читает в начале каждой сессии: структура папок PARA, система тегов, формат карт, куда класть заметки разных типов и чего делать нельзя — например, удалять заметки или трогать архив без подтверждения.

Память

Агент не помнит прошлые сессии, поэтому память — это файлы:

  • долговременная память — короткий файл с ключевыми фактами: над чем работаю, какие решения приняты, какие соглашения действуют. У него жёсткий лимит размера — несколько тысяч символов. Без лимита память раздувается и начинает стоить дорого в каждом запросе;
  • текущий фокус — над чем я работаю на этой неделе;
  • итоги сессий — после каждой сессии агент пишет короткую сводку: что сделано, что решено, что осталось.

Команда начала сессии подгружает память и фокус, команда завершения — пишет итог и обновляет память. Новый чат больше не начинается с нуля.

Навыки

Навык (skill) — это инструкция под конкретный тип задачи, которую агент подгружает только когда она нужна. У меня есть два типа навыков:

  • служебные — нормализация заметок, работа с хранилищем, синхронизация памяти, создание новых навыков;
  • предметные — то, что я делаю на работе: bug bounty, аудит безопасности серверов, советник по Active Directory, советник по кластеру Wazuh.

Предметные навыки опираются на мою же базу: советник по AD знает мои заметки по CIS Benchmark и моему внедрению, поэтому отвечает в контексте моей инфраструктуры, а не общими словами из интернета.

Конвейер разбора входящих

Самая полезная автоматизация — разбор входящих.

Конвейер: входящая заметка проходит нормализацию агентом и попадает в нужный раздел PARA со ссылкой в карте

  1. Заметка попадает во Входящие — из Telegram-бота, веб-клиппера или руками.
  2. Команда нормализации: агент читает заметку, определяет тип и тему.
  3. Приводит к шаблону: заголовок, свойства, теги cluster/… и source/….
  4. Ищет похожие заметки — дополнить существующую лучше, чем плодить дубль.
  5. Переносит в нужный раздел и добавляет ссылку в карту раздела.
  6. Я просматриваю изменения через git-дифф и подтверждаю.

Шестой пункт важен: хранилище лежит в git, поэтому любую правку агента можно посмотреть и откатить. Агенту я доверяю ровно настолько, насколько могу проверить и отменить его работу.

Что работает, а что нет

Работает отлично:

  • нормализация и раскладка входящих — экономит часы в неделю;
  • поиск «как я это уже делал» по всей базе;
  • сводка нескольких заметок в одну структурированную;
  • подготовка черновиков — включая статьи этого блога, которые выросли из заметок.

Работает плохо или требует контроля:

  • агент склонен «улучшать» формулировки — для личных записей это лишнее, приходится ограничивать правилами;
  • без лимита память и правила разрастаются, и каждый запрос дорожает;
  • приватные заметки нельзя отдавать облачной модели — для них есть локальная нейросеть.

О деньгах — отдельно: как не тратить на агентов лишнего, я разбирал в статье «Как экономить на AI-агентах».

Итог

«Второй мозг» — это не одна волшебная программа, а разделение ролей:

  • NotebookLM — помнит источники;
  • агент — делает рутину по правилам и навыкам;
  • Obsidian — хранит знание в моей структуре;
  • git — гарантирует, что ничего не потеряется.

Сами по себе инструменты не делают базу знаний полезной. Полезной её делает структура — и регулярность, которую теперь поддерживает агент.