Obsidian AI-tietojen hallintaohje

💡TL;DR

Notemd muuttaa LLM-voimaisen lukemisen kestävään tietoon: wiki-linkkit yhdistävät konsepttejä, konsepttipalat luovat palautettavan graafin, tutkimukset tuovat verkon sinun avaruksesiin, kääntöjä purkaa kielitilat, diagrammit tekevät strukturan näkyväksi, ja työprosessit yhdistävät kaikki yhdellä klikkilla. Tämä ohje kattaa koko prosessiketjun – toisinlaatuisista merkintöistä yhdistettyyn, visuaaliseen, monikieliseen tietojen basesiin.

Miksi AI-tietojen hallinta?

Perinteiset merkintät tuovat ainoastaan suorat tiedostot. Vaikka käytetään käsitsi wiki-linkkejä, enintään merkintät jäävät yhdistymättömiksi. Notemd käyttää LLM-ja automatisoimaan yhdistyskerroksen:

• LLM-t lukevat sinun sisällöksesi ja tunnistavat mikä on tärkeää – termit, metodit, henkilöt, teooriat
• Linkkit lisätään automaattisesti jokaisen konsepttin esiintymisen yhteydessä, eikä peidetä „katso myös“-osioon
• Konsepttipalat luodut erillistä, palautettavista tiedostoista
• Tutkimukset rikastavat merkintöjä verkkokäytöllisestä kontekstistä
• Diagrammit tekevät strukturan näkyväksi – mentykartat, virtauskaavat, datakaavat samasta sisällöstä

Tuloksena: tietografiikka, joka kasvaa jokaisen sinun käsiteltävän merkintän kanssa, ei vain siis, kun muistat lisätä linkkejä.

Koko prosessiketju

Jokainen vaihe on itsenäinen. Voit käyttää yhtä tai kaikkia. Kansainvälisimmin vaikutteellinen järjestys: Lisää linkkit → Konsepttipalat → Diagrammit.

---

1. Wiki-linkkit: Yhdistysten selkeä muotoilu

Wiki-linkkit ovat tietografiikan selkeä alustus. Notemd käyttää LLM-a täyttäkseen seuraavia tehoja:

1. Lue oma tiedon sisältö (jaka pitkät dokummentit osiin)
2. Tunnista keskeiset käsitteet — anna prioriteetti konkreettisiin, teknisille termineihin kuin yleisiin nimissä
3. Lisää [[wiki-links]] jokaisessa ilmennysessä
4. Ehdä sanojaan saman merkinnän ansiosta, jotta "ML" ja "Machine Learning" ei luoda erillisiä nodeja

Kun käyttää

• Jokainen tiedonnotto >100 sanaa — pienempiä nottoja on vähän käsiteitä
• Tutkimusartikkelit, tekniset dokumentit, keskustelunnotat — ne sisältävät paljon alueellisia terminejä
• Kun sisältö on stabilinen — älä töidä muodostuksia kertoja

Pääasetukset

Asetus	Suositeltu	Miksi
addLinksProvider	DeepSeek tai GPT-4o-mini	Hyvä täpsyys madalla hinnaalla
Sanojaan saman merkinnän ehdäminen	Aktiivinen	Ehdottaa duplikaattisten nodejen luomista
Yhteyspano	Paragrafi	Tarkkuuden ja hintan tasapaino

→ Wiki-Linkit – syvällinen tutkimus

---

2. Konseptitiedot: Palautettavat tieton nodit

Wiki-linkit yhdistävät ideita suoraan, mutta konseptitiedot tekevät jokaisen idean erikseen palautettavaksi. Jokainen konseptti saa oman .md-failin:

# Machine Learning

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

Extraktointiprosessi

LLM-kysymyksellä on korkea struktuuri:

• Normaloi yhteenmuotoon
• Ehdotetaan usean sanoisen konseptin käyttöä yksilöisiä sanoja vastaan ("Dielectric Relaxation", ei "Relaxation")
• Jätä pois viite- ja bibliografiakohdat
• Luo CONCEPT:-rivit deterministiselle analyysille

Konsepttejä poistetaan duplikaateista osien välillä käyttäen Set<string>. LLM-virheet yksittäisissä osissa ei estä toimintaa.

Palautuslinkit

Kun se on aktivoitu, jokainen konseptitiedosto tallentaa, mitä lähteetiedostoja se mainostavat. Obsidian:n omat palautuslinkitaulukot näyttävät myös vastaisia yhteyksiä.

Deduplikointi

Notemd:n 4-vaiheinen duplikaatipoistointimekanismi havaitsee:

1. Täysin samanmukaiset – epätilastollinen nimelun vertailu
2. Monimuotojen muotoilu — "Models.md" vs "Model.md"
3. Symbolin normalisointi — "A-B.md" vs "A B.md"
4. Yksikössä olevien sanojen hallinta — "ML.md" merkitään, kun "Machine Learning.md" on olemassa

Avainasetukset

Asetus	Suositeltu	Miksi
conceptNoteFolder	concepts/ tai 🧠 concepts/	Pitoi avarakoti organisoituina
extractConceptsAddBacklink	Käytössä	Mahdollistaa vastaisen etsinnän
extractConceptsMinimalTemplate	Poissa	Täysin malli Linked From -tyyppillä
Tehtäökohdan môdeli	DeepSeek	Aiatekstrointi ei vaadi kalliita môlmejä
Syyneiden estö	Käytössä	Samat asetukset vaikuttavat niihin linkkeihin kuin ekstraktioon

→ Concept Notes deep dive

---

3. Tutkimus: Webin käyttö märkintäprosessissa

Notemd yhdistää webissä hakemisen sinun märkintäprosessisiin:

1. Hakukysymyksen luominen — sinun märkintän titeli tai valinta muuttuu hakukysymyksiksi
2. Webissä hakeminen — Tavily (soovitatulla tavalla, tarvitaan API-avain) tai DuckDuckGo (tilittu, ei tarvitse avaintia)
3. LLM - yhteenvetointi — hakutulokset yhdistetään kokonaisiksi relevanteiksi yhteenvetoiksi
4. Lisää märkintään — yhteenveto lisätään kursorin sijalle tai uudelle osalle

Kun käyttää

• Ennen uuden aiheen käsiteltämistä — saa esimerkiksi webissä tiedot ennen
• Kun concept note-ja tarvitsee täydentämistä — tutka ennen ja lisää linkkejä
• Kirjallisuuskäymisiin — tutka kokonaan märkintöjen kansio

Pääasetukset

Asetus	Soovitatulla tavalla	Miksi
researchProvider	GPT-4o tai Claude	Tutkimuksessa on tarpeen parempaa yhteenvetointia
Hakupalvelu	Tavily	Parhaa suosituksen laatuja, asettettavaa syvyyttä
maxResearchContentTokens	4000	Syvyyden ja kustannuksen välinen tasapaino

→ Research deep dive

---

4. Kääntö: kielen estojen poistaminen

Notemd kääntää merkintöjä käyttäen sinun asettamasi LLM – ei erillistä kääntöohjelmaa API. Tämä tarkoittaa:

• Ympäristökäskeiset kääntöjä – LLM ymmärkee koko dokumentin, ei vain lauseita
• Tekniset terminit – "gradient descent" jää "梯度下降"iksi, ei "坡度向下"iksi
• Pakettikääntö – kääntä koko merkintöjen kansio yhdellä toiminnalla
• Tehtäökohdan môdeli – käytä Gemini Flash-kääntöä (nopea, halpa, monikielinen)

Kielitukemus

Notemd itse tukee 21 UI kieltä. Kääntösihteentuki on asettettavaa tehtäkkökohtaisesti. Yleisimmät yhteydet: EN↔ZH, EN↔JA, EN↔KO, EN↔DE, EN↔FR, EN↔ES.

→ Translation deep dive

---

5. Diagrammit: struktuurin näkyvyyden luominen

Notemd-nin diagrammituotevalinta perustuu speciin: LLM tuottaa strukturoituun DiagramSpec JSON, jota sitten sovellukset kääntävät siirtymäsuuntaan. Tämä annaa usaldusväärisemän tuloksen kuin pyytäminen LLM tuottamaan raakaa Mermaid-syntaksia.

Tarkoituksen tunnistaminen

Notemd arvioi sisältöstä parhaan diagrammityypin:

• Numeroiden kanssa tabelit → data chart (Vega-Lite)
• Klient/tietokone-kielit → järjestysdiagrammi (Mermaid)
• Entiteetti/primäinen kieli → ER-diagrammi (Mermaid)
• Vaihe/prosessi → voolu-diagrammi (Mermaid)
• Kontseptikartan avainasemat → JSON Canvas (Obsidian kielisä)
• Vaikkaus → mieleenkarta (Mermaid)

Rendering Chain

Primäinen tarkoitus → varaus → varaus → HTML. Jos Mermaid-syntaksi ehtyy, se yrittää uudelleen yhdessä virhekontekstilla LLM:lle, sitten vaihtuu minimaaliseen diagrammiin.

Avainasetukset

Asetus	Suositeltu	Miksi
enableExperimentalDiagramPipeline	Käytössä	Parhaa laadua spec-first -menetelmällä
experimentalDiagramCompatibilityMode	best-fit	Kielisä tarkoitus ideo perusteella
summarizeToMermaidProvider	GPT-4o tai Claude	Diagrammin spec-ihmiset vaativat ruumillista syystäksentelyä
autoMermaidFixAfterGenerate	Käytössä	Pystyy automaattisesti löytämään LLM-syntektipäivät
Sisäisen tieteen laajentaminen	Aktivoitu domainti-tyyppiseen käyttöön	Parantaa täydellisyttä vault-taihteen kanssa

→ Diagrammit syvällisemmin

---

6. Työprosessit: Yhden painutuksen automatisointi

Työprosessit yhdistävät useat tehtävät yhteiseen vasempan puoleen olevaan painikkeeseen. DSL-muoto on:

task1 | task2 | task3

Esimerkki: addLinks | extractConcepts | generateDiagram — töidäte notea toisessa muodossa olevasta tekstistä täysin yhdistetyksi, visuaaliseksi tieton nodeksi yhden painutuksen kanssa.

Suositeltu työprosessi

Työprosessi	Ahelma	Käytöskenttä
Koko prosessi	addLinks | extractConcepts | generateDiagram	Uusi note
Alkuperäinen tutkimus	research | addLinks	Tuntemattomat aiheet
Polyglot	translate | addLinks	Monikieliset notit
Käytä vain diagrammaa	generateDiagram	Nopea visualisointi

→ Workflows deep dive

---

7. LLM tarjoajat: 36 valintaa pilvistä paikalliseen

Notemd toetaa 36 tarjoajaa 4 transporttyypin kautta. Pääryhmät:

• Rahvusvahainen pilvi: OpenAI, Anthropic, Google, Mistral, xAI
• Hiinan pilvi: DeepSeek, Qwen, Doubao, Moonshot, GLM, Baidu, SiliconFlow
• Gateway-tarjoajat: OpenRouter, GitHub Models, Hugging Face, Vercel
• Paikallinen: Ollama, LMStudio, OVMS — ei API-tyyppiä, tiedot eivät lähe sinun laitteestasi

Yksittäisten tehtävien mallestrategia

Kostohyökkäysvaltaisimpi asettelu käyttää halvia mallia yksinkertaisille tehtäville ja voimakkaia mallia monimutkaisille:

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 tarjoajien yleenvaade

---

Alustuskontrollolista

1. Asenna Notemd — Community Plugins (soovitatulla tavalla) tai käsitsi
2. Konfiguroi tarjoaja — DeepSeek (helpompi), OpenAI, tai Ollama (tilaittu)
3. Täydennä sinun ensimmäinen tiedosto — oikeasta painikosta → "Process file (add links)"
4. Set concept-kansio — Asetukset → Notemd → Tulostus → Concept-kansio
5. Extract concepts — käynnistä „Extract concepts“ samalla tiedonnotolla
6. Generate a diagram — käynnistä „Generate diagram“ yhteyksien visualisoimiseen
7. Create a workflow — yhdistä yllä olevat toimet yhdelle painamiskertaiselle painikkeelle

Suositeltu konfigurointi

Student (Budget)

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

Researcher (Quality)

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

Privacy-First (Local Only)

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

Bilingual (ZH + EN)

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

---

Common Patterns

Pattern: Process a Research Paper

1. Import PDF content (or paste)
2. Research — saa web-päivänäkymän aiheesta
3. Add Links — tunnistaa ja yhdistää tärkeitä konsepttejä
4. Extract Concepts — luoda erilliset tiedonnot
5. Generate Diagram — visualisoi paperin rakennus

Pattern: Daily Note Enrichment

1. Kirjoita päivännotto
2. Lisä linkkejä — yhdistää tänään käytetyt ideat olemassa oleviin konsepttiin
3. Konsepttipäivännotot päivitetään automaattisesti taaslinkkien avulla

Malli: Kirjallisuuskeskustelu

1. Luo kausta artikkeleiden/tietojen kanssa
2. Lisä linkkejä kokonaan — käsittele koko kausta
3. Ehdottompaa konseptteja — poista läheisesti samanlaiset tiedot
4. Luo diagramma — mielikaartti koko kirjallisuudesta

---

Notemd on avoimen lähtekoodin (MIT) ohjelmisto ja toimii Obsidian 0.15.0+ kaikilla platfommissa. Asenna nyt tai katso GitHubilla.