TLDR;

O método cria uma base de conhecimento pessoal em Obsidian alimentada por fontes brutas (artigos, vídeos, páginas) que um LLM (usando Claude/Cloud Code) processa em wik.md, extrai conceitos, relaciona tópicos e aprimora incrementalmente um grafo de conhecimento. Você pode aplicar mesmo sem ser programador, pois o processo usa o próprio Obsidian como editor e extensões open source (como Obsidian Web Clipper) para ingerir conteúdo e automatizar comandos via Cloud Code. As ferramentas principais são Obsidian, Obsidian Web Clipper e Cloud Code com um LLM, e as saídas vão desde notas padronizadas e uma wiki vinculada até respostas em terminal, slides e gráficos gerados pelo modelo.

Resumo

O Andrei Kaparti propôs usar LLMs não só para escrever código, mas para construir uma base de conhecimento pessoal; partindo desse tweet, o professor Audermus — com quase seis anos de experiência em IA, fundador de uma escola e ex-revisor técnico — demonstra passo a passo como implementar esse padrão com Cloud Code e Obsidian. Ele enfatiza começar pelos fundamentos e descreve a ingestão de dados (vídeos, artigos científicos, blogs etc.), usando ferramentas como a extensão Obsidian Web Clipper para capturar páginas web otimizadas para LLMs. Em vez de um editor de código tradicional, o próprio Obsidian funciona como IDE e repositório da base, com uma pasta raw para arquivos brutos e uma wik.md que contém o conhecimento processado. O pipeline envolve múltiplas linhas de comando do LLM para perguntas e respostas, linting para padronizar formatação e processamento incremental: ao adicionar novas fontes o modelo identifica tópicos comuns e cria links, formando um grafo de conhecimento que mantém performance mesmo com escala moderada (~100 artigos, 400.000 palavras). Além das respostas em terminal, o Cloud Code pode gerar slides, gráficos e outros outputs diretamente no Obsidian, facilitando estudo e pesquisa otimizada. O tutorial é acessível tanto para iniciantes quanto para usuários avançados interessados também.