Obsidian AI-videnstyringsguide

💡TL;DR

Notemd omvandler LLM-drivet læsning til permanent viden: wiki-link kobler sammen koncepte, konceptnoter skaber en tilgængelig graf, forskning bringer webben ind i din vault, oversætning bruder språkbarrierer, diagrammer gør strukturen synlig, og arbejdsmuligheder koble alt sammen med én klik. Dette guide dekker hele processen – fra rå noter til en sammenkobret, visuel, multilingvæl videnbas.

Hvorfor AI-videnstyring?

Traditionel notering skaber flat filer. Selv med manuelle wiki-link bliver de fleste noter uforbindt. Notemd bruger LLM for at automatisere forbindelseslaget:

• LLMs læser din indhold og identificerer hvad der er vigtigt – termer, metoder, personer, teorier
• Linker indsættes automatisk ved hver konceptoptrædelse, ikke begravet i "se også"
• Konceptnoter genereres som uafhængige, tilgængelige filer
• Forskning berikker noterne med kontekst fra webben
• Diagrammer gør strukturen synlig – mindmapper, flødeplaner, datacharte fra samme indhold

Resultatet: en videngraf som vokser med hver note du bearbejder, ikke kun når du husker at tilføje link.

Helen processen

Hver trin er uafhængigt. Brug én eller alle. Den mest effektive sekvens: Tilføj link → Konceptnoter → Diagrammer.

---

1. Wiki-link: At gøre forbindelser eksplisite

Wiki-link er ryggraden i en videngraf. Notemd bruger en LLM til:

1. Læs indholdet i din note (del op i deler for lange dokumenter)
2. Identificer kernkoncepte – prioriterer specifikke, tekniske termer over generelle substantiver
3. Indsæt [[wiki-links]] ved hver optrædelse
4. Undertryk synonyme så at "ML" og "Machine Learning" ikke skaber separate node'er

Når man bruger det

• Alle noter >100 ord – kortere noter gir få koncepter
• Forskningsartikler, tekniske dokumenter, mødesnoter – rige i domænespecifikke termer
• Efter indholdet er stabilt – behandle ikke udarbejdelser gennemgående

Vigtige indstillinger

Indstilling	Anbefales	Hvorfor
addLinksProvider	DeepSeek eller GPT-4o-mini	God nøjagtighed til lave kostnader
Synonymundertrykking	Aktivt	Forhindrer duplikate node'er
Contextvindue	Paragraph	Balancen mellem præcision og kost

→ Wiki-Links deep dive

---

2. Konceptnoter: Retterbarhed af kunnskapsnodeer

Wiki-linker forbinde idéer inline, men konceptnoter gør hver idé uafhængigt retterbar. Hver koncept får sin egen .md fil:

# Machine Learning

## Linked From
- [[My Research Notes]]
- [[Neural Networks Explained]]

Udtagningsprocessen

Prompten for LLM er meget struktureret:

• Normalisér til singularform
• Favoriser multiord-koncepter over enkelte ord ("Dielectric Relaxation" ikke "Relaxation")
• Skriv af referencer/bibliografiske afsnit
• Udgiv som CONCEPT: linjer for deterministisk parsing

Koncepter fjernes duplikater mellem blokker gennem Set<string>. LLM fejl i enkelte blokker stopper ikke operationen.

Backlinks

Hvis aktiveret, følger hver konceptnote hvilke kildekoncepter nævner det. Obsidian's indbyggede backlink-panelet viser også omvendte forbindelser.

Deduplikering

Notemd's 4-trinns dedup-motor finder:

1. Præcise matcher — sammenligning af filnavne uafhængigt af store/billede bogstaver
2. Mangeform — "Models.md" mod "Model.md"
3. Symbolnormalisering — "A-B.md" mod "A B.md"
4. Enordighedsindhold — "ML.md" markeres når "Machine Learning.md" eksisterer

Klædesetningar

Indstilling	Anbefalet	Hvorfor
conceptNoteFolder	concepts/ eller 🧠 concepts/	Holdt vault-organiseret
extractConceptsAddBacklink	Aktivt	Muliggør omvendt søgning
extractConceptsMinimalTemplate	Inaktivt	Komplet modell med Linked From
Modell per opgave	DeepSeek	Konceptuddragelse kræver ikke dyre modeller
Synonymsuppression	Aktivt	Samme indstilling påvirker både linkning og uddrag

→ Concept Notes deep dive

---

3. Forskning: At bringe webben ind

Notemd integrerer websearch i din noteringsworkflow:

1. Udfordringsoprettelse — din notetitel eller udvalg bliver en søgeudfordring
2. Websearch — Tavily (anbefales, kræver API-klæde) eller DuckDuckGo (gratis, ingen klæde)
3. LLM sammanfattelse — søgeresultaterne condenseres til en relevant sammanfattelse
4. Føj til noten — sammanfattelsen tilføjes ved markørens position eller som en ny sektion

Når man bruger det

• Fore før man bearbejder et nyt emne — få webkonteksten først
• Når en konceptnot behøver beregning — forske og tilføj derefter links
• For litteraturoversigter — forske i batch over en mapp med noter

Vigtige indstillinger

Indstilling	Anbefales	Hvorfor
researchProvider	GPT-4o eller Claude	Forskningen kræver en højere kvalitet på sammanfattelser
Søgestyrelse	Tavily	Bedre relevans, konfigurerbar dybde
maxResearchContentTokens	4000	Balanc mellem dybde og kost

→ Research deep dive

---

4. Oversættelse: At bruge bryggerier mellem sprog

Notemd oversætter noter med den konfigurerede LLM du har – ikke en speciel oversættelses API-løsning. Det betyder at.

• Oversættelser med kontekstforståelse – LLM forstår hele dokumentet, ikke kun sæt for sæt
• Hantering af tekniske termer – "gradient descent" bliver "梯度下降" og ikke "坡度向下"
• Støtte for batch-oversættelser – oversæt hele mapp med noter i én gang
• Modell til hver opgave – brug Gemini Flash til oversættelse (snabb, billig, multilingual)

Sprogstøtte

Notemd selv støder 21 UI sprog. Oversættelsesmålet kan konfigureres for hver opgave. Almindelige par: EN↔ZH, EN↔JA, EN↔KO, EN↔DE, EN↔FR, EN↔ES.

→ Translation deep dive

---

5. Diagrammer: At gøre strukturen synlig

Notemd's diagrampipeline er baseret på specifikationer: LLM genererer en strukturret DiagramSpec JSON, som derefter adaptere oversætter til målformatet. Dette gir mer tillidswærdige resultater end at bede LLM om rå Mermaid-syntax.

Intent Detection

Notemd afleder den bedste diagramtyp fra indholdet:

• Tabeller med tal → datachart (Vega-Lite)
• Klient/server-vokabular → sekvensdiagramm (Mermaid)
• Entitet/hovednyckel → ER-diagramm (Mermaid)
• Trin/processflød → flødechart (Mermaid)
• Konceptkortens nøgleord → JSON Canvas (Obsidian native)
• Standard → mindmap (Mermaid)

Rendering Chain

Primært mål → fallback → fallback → HTML. Hvis Mermaid-syntaxen fejler, prøver det en gang med fejlkontekst til LLM, og falder deretter tilbake til et minimalt diagram.

Nyckelindstillinger

Indstilling	Anbefalt	Hvorfor
enableExperimentalDiagramPipeline	På	Bedre kvalitet gennem specifikation først
experimentalDiagramCompatibilityMode	best-fit	Native mål for hver intent
summarizeToMermaidProvider	GPT-4o eller Claude	Diagramspecifikationer kræver rumlig resonans
autoMermaidFixAfterGenerate	På	Fanger LLM-syntaxfejl automatisk
Stærkning af lokalt viden	Aktiveret for domænspecifikke tilfælde	Forbedrer præcision med vault-context

→ Diagrams deep dive

---

6. Arbejdsmønster: En-klik automatisk handling

Arbejdsmønster kører flere opgaver gennem en enkelt sidebarn-knapp. DSL-formatet er:

task1 | task2 | task3

Eksempel: addLinks | extractConcepts | generateDiagram — bearbejde en note fra rå tekst til en fuldt koblet, visuel videnstegn med en enkelt klik.

Anbefalede arbejdsmønster

Arbejdsmetode	Kedje	Brugsscenario
Helt proces	addLinks | extractConcepts | generateDiagram	Nye noter
Forskning først	research | addLinks	Ukendte emner
Polyglot	translate | addLinks	Multilingvale noter
Kun diagram	generateDiagram	Snabb visualisering

→ Workflows deep dive

---

7. LLM Tjänsteudbydere: 36 valmuligheder fra cloud til lokal

Notemd understøtter 36 tjenesteudbydere over 4 transporttyper. Vigtige grupper:

• Internationel cloud: OpenAI, Anthropic, Google, Mistral, xAI
• Kinesisk cloud: DeepSeek, Qwen, Doubao, Moonshot, GLM, Baidu, SiliconFlow
• Gatewayer: OpenRouter, GitHub Models, Hugging Face, Vercel
• Lokal: Ollama, LMStudio, OVMS — ingen API-klave, ingen data leaves your machine

Strategi for modellbrug per opgave

Den mest kosteffektive indstilling bruger billige modeller for enkle opgaver og kraftfulde modeller for komplekse opgaver:

extractConcepts  → DeepSeek (fast, cheap, accurate enough)
addLinks          → DeepSeek or GPT-4o-mini
research          → GPT-4o or Claude (needs quality)
generateDiagram   → GPT-4o or Claude (needs spatial reasoning)
translate         → Gemini Flash (fast, multilingual)

→ LLM Tjänsteudbydere-overblik

---

Checkliste for at starte

1. Installér Notemd — Community Plugins (anbefales) eller manuelt
2. Konfigurér en tjenesteudbyder — DeepSeek (enkeltest), OpenAI, eller Ollama (gratis)
3. Behandle din første note — højreklik → "Process file (add links)"
4. Stil konceptmappen — Indstillinger → Notemd → Udskrift → Konceptmapp
5. Udtræk koncepter — køre "Udtræk koncepter" på samme note
6. Generer en diagram — køre "Generer diagram" for at visualisere forbindelserne
7. Skabe en workflow — koble de ovenstående til en en-klik-knapp

Anbefalede konfigurationer

Student (Budget)

Provider: DeepSeek (free tier available)
Concept extraction: DeepSeek
Research: DuckDuckGo (free) + DeepSeek
Diagrams: Off (or legacy Mermaid)
Workflows: addLinks | extractConcepts

Forsker (Kvalitet)

Provider: GPT-4o (primary)
Concept extraction: DeepSeek (cost savings)
Research: GPT-4o + Tavily
Diagrams: best-fit mode, GPT-4o
Workflows: research | addLinks | extractConcepts | generateDiagram

Privatliv i førstehand (Local Only)

Provider: Ollama (llama3 or qwen2.5:7b)
All tasks: Ollama
Research: DuckDuckGo (free, no API key)
Diagrams: legacy Mermaid mode

To-sproget (ZH + EN)

Primary: DeepSeek (Chinese queries)
Translation: Google Gemini Flash
Research: Tavily + DeepSeek (Chinese search context)
Language output: per-task (extractConceptsLanguage: zh-CN)

---

Almindelige mønster

Mønster: Behandle en forskningsartikel

1. Importér PDF-indhold (eller klippe inn)
2. Forskning — hente webkontekst om emnet
3. Tilføj links — identificer og lige til nøglekoncepter
4. Udtræk koncepter — skabe uafhængige notes
5. Generer diagram — visualisere artiklets struktur

Mønster: Daglig noteforbedring

1. Skriv daglig note
2. Føj links — forbinde dagens idéer med eksisterende koncepter
3. Konceptnoter opdateres automatisk med backlinks

Mønster: Litteraturoversigt

1. Skap et mapp med artikler/noter
2. Føj links i batch — bearbejde hele mappen
3. Fjern duplikate koncepter — rengør næstændig identiske noter
4. Generer diagram — mindmap over hele litteraturen

---

Notemd er open source (MIT) og virker med Obsidian 0.15.0+ på alle platforme. Installér nu eller se på GitHub.