Obsidian Ghid de management al cunoștințelor cu AI

💡TL;DR

Notemd transformă citirea alimentată de LLM în cunoștințe persistente: legături wiki conectează conceptele, notele conceptuale creează un grafic recuperabil, cercetarea aduce web-ul în depozitul dumneavoastră, traducerea dărâmă barierele lingvistice, diagramele fac structura vizibilă, iar fluxurile de lucru le leagă toate cu un singur clic. Acest ghid acoperă întregul proces — de la notele brute până la o bază de cunoștințe conectată, vizuală și multilingvă.

De ce managementul cunoștințelor cu AI?

Notele tradiționale generează fișiere plane. Chiar și cu legături wiki manuale, majoritatea notelor rămân dezconectate. Notemd folosește LLM pentru a automatiza stratul de conectare:

• LLMs citesc conținutul dumneavoastră și identifică ce este important — termeni, metode, persoane, teorii
• Legăturile sunt inserate automat la fiecare apariție a unui concept, nu ascunse în „vezi și“
• Notele conceptuale sunt generate ca fișiere independente recuperabile
• Cercetarea îmbogățește notele cu context din web
• Diagramele fac structura vizibilă — hărți mentale, fluxare, grafice de date din același conținut

Rezultatul: un grafic de cunoștințe care crește cu fiecare notă pe care o procesați, nu doar atunci când vă amintiți să adăugați legături.

Pipelineul complet

Fiecare pas este independent. Se poate folosi unul sau toți. Secvența ce are cel mai mare impact: Adăugare de linkuri → Note conceptuale → Diagrame.

---

1. Linkuri wiki: Crearea de conexiuni explicite

Linkurile wiki reprezintă spatele unui graf de cunoștințe. Notemd folosește un LLM pentru a:

1. Citi conținutul notei (împărțit în bucăți pentru documentele lungi)
2. Identifica conceptele esențiale — priorizând termeni tehnici specifice față de nume generice
3. Inserează [[wiki-links]] la fiecare apariție
4. Suprimă sinonimele astfel încât „ML“ și „Machine Learning“ nu să creeze noduri separate

Când se folosește

• Fiecare notă cu peste 100 de cuvinte — notele mai scurte oferă puține concepte
• Articole de cercetare, documente tehnice, note de ședință — bogate în termeni specifice domeniuului
• După ce conținutul este stabil — nu procesați în mod repetat drafturile

Setări cheie

Setare	Recomandat	De ce
addLinksProvider	DeepSeek sau GPT-4o-mini	Precizie bună la un cost scăzut
Suprimarea sinonimilor	Activ	Previnde nodurile duplicate
Fenestra de context	Paragraf	Echilibrul între precizie și cost

→ Wiki-Links deep dive

---

2. Note conceptuale: Noduri de cunoaștere recuperabile

Legăturile Wikipedia conectează idei în linie, însă notele de concept fac ca fiecare idee să poată fi recuperată independent. Fiecare concept primește propriul său fișier .md:

# Machine Learning

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

Procesul de extracție

Promptul LLM este foarte structurat:

• Normalizați la formă singulară
• Preferați concepte cu mai multe cuvinte în loc de cuvinte singure ("Dielectric Relaxation" nu "Relaxation")
• Ignorați secțiunile de referințe/bibliografie
• Outputați ca linii CONCEPT: pentru o analiză deterministică

Conceptele sunt deduplicate între bucăți prin Set<string>. Erorile LLM din fiecare bucată nu opresc operația.

Backlinks

Când este activat, fiecare notă de concept urmărește care note sursă o menționează. Panoul nativ de backlinks al Obsidian arată și conexiunile inverse.

Deduplare

Motorul de deduplicare în 4 pași al Notemd detectează:

1. Coincidențe exacte — comparație fără a se lua în considerare majusculele și minusculele numelui fișier
2. Forme plurielle — "Models.md" vs "Model.md"
3. Normalizare a simbolurilor — "A-B.md" vs "A B.md"
4. Conținut într-un singur cuvânt — "ML.md" este marcat atunci când există "Machine Learning.md"

Setări cheie

Setare	Recomandat	De ce
conceptNoteFolder	concepts/ sau 🧠 concepts/	Păstrează vault-ul organizat
extractConceptsAddBacklink	Activ	Permite căutare inversă
extractConceptsMinimalTemplate	Inactiv	Model complet cu Linked From
Model pe sarcină	DeepSeek	Extracția de concepte nu necesită modele costisitoare
Suprimarea sinonimilor	Activ	Aceeași setare afectează atât linkarea cât și extracția

→ Concept Notes deep dive

---

3. Cercetare: Integrarea Web-ului

Notemd integrează căutarea pe Web în fluxul dumneavoastră de lucru de note-tare:

1. Construcția interogării — titlul sau selecția notei devine o interogare de căutare
2. Căutarea pe Web — Tavily (recomandat, cheie API necesară) sau DuckDuckGo (gratuit, fără cheie)
3. Sumarizarea LLM — rezultatele căutării sunt condenseate într-un rezumat relevant
4. Adăugare în nota — rezumatul este adăugat la poziția cursorului sau ca o secțiune nouă

Când să fi se folosit

• Înainte de a procesa un subiect nou — obțineți mai întâi contextul web
• Când o notă conceptuală necesită îmbogățire — cercetați apoi adăugați linkuri
• Pentru revizuii literare — efectuați cercetări în lot pe un folder de note

Setări cheie

Setare	Recomandate	De ce
researchProvider	GPT-4o sau Claude	Cercetările necesită o rezumare de calitate mai ridicată
Serviciu de căutare	Tavily	Relevanță mai bună, adâncime configurabilă
maxResearchContentTokens	4000	Echilibru între adâncime și cost

→ Research deep dive

---

4. Traducere: Înfrângerea barierelor lingvistice

Notemd traduce notele folosind LLM configurat de tine — nu este o soluție de traducere dedicată API. Acest lucru înseamnă:

• Traduceri conștiente de context — LLM înțelege întregul document, nu doar propoziția câte propoziție
• Gestionarea termenilor tehnici — „gradient descent“ rămâne „梯度下降“, nu „坡度向下"
• Suport pentru loturi — tradu un întreg folder de note într-o singură operație
• Model specific pentru fiecare sarcină — folosește Gemini Flash pentru traducere (rapid, ieftin, multilingvist)

Suport lingvistic

Notemd însuși suportă 21 de limbaje UI. Limba țintă a traduceriilor poate fi configurată pentru fiecare sarcină. Perechi comune: EN↔ZH, EN↔JA, EN↔KO, EN↔DE, EN↔FR, EN↔ES.

→ Analiză detaliată a traducerii

---

5. Diagrame: Făcând structura vizibilă

Pipeline-ul de diagrame al Notemd este bazat pe specificații: LLM generează un DiagramSpec JSON structurat, apoi adapterii îl traduc în formatul țintă. Acest lucru oferă rezultate mai fiabile decât a solicita de la LLM sintaxa brută Mermaid.

Detectarea intenției

Notemd inferă cel mai bun tip de diagramă din conținut:

• Tabele cu numere → grafic de date (Vega-Lite)
• Vocabularul client/server → diagramă de secvență (Mermaid)
• Entitate/cheie principală → diagramă ER (Mermaid)
• Pas/flux de proces → fluxogramă (Mermaid)
• Cuvinte cheie ale hărții conceptuale → JSON Canvas (Obsidian nativ)
• Valoare implicită → hartă mentală (Mermaid)

Lanțul de renderizare

Țintă principală → fallback → fallback → HTML. Dacă sintaxa Mermaid eșuează, se încerce din nou o dată cu contextul erorii către LLM, apoi se recurge la o diagramă minimală.

Setări cheie

Setare	Recomandat	De ce
enableExperimentalDiagramPipeline	Activ	Calitate mai bună prin specificații în primul rând
experimentalDiagramCompatibilityMode	best-fit	Țintă nativă pentru fiecare intenție
summarizeToMermaidProvider	GPT-4o sau Claude	Specificațiile diagramelor necesită raționament spațial
autoMermaidFixAfterGenerate	Activat	Prinde automat erorile de sintaxă LLM
Amplificare a cunoștințelor locale	Activat pentru domenii specifice	Îmbunătățește precizia cu contextul vault

→ Diagrams deep dive

---

6. Fluxuri de lucru: Automatizare cu un clic

Fluxurile de lucru leagă mai multe sarcini într-un singur buton din bara laterală. Formatul DSL este:

task1 | task2 | task3

Exemplu: addLinks | extractConcepts | generateDiagram — procesează o notă din text brut într-un nod de cunoaștere vizual, complet conectat, cu doar un clic.

Fluxuri de lucru recomandate

Flux de lucru	Lanț	Caz de utilizare
Procesul complet	addLinks | extractConcepts | generateDiagram	Note noi
Cercetare întâi	research | addLinks	Subiecte necunoscute
Polyglot	translate | addLinks	Note multilingve
Doar diagramă	generateDiagram	Vizualizare rapidă

→ Analiză aflușată a fluxurilor de lucru

---

7. LLM Furnizori: 36 opțiuni, de la cloud la local

Notemd suportă 36 de furnizori în 4 tipuri de transport. Grupuri de chei:

• Cloud internațional: OpenAI, Anthropic, Google, Mistral, xAI
• Cloud China: DeepSeek, Qwen, Doubao, Moonshot, GLM, Baidu, SiliconFlow
• Gateways: OpenRouter, GitHub Models, Hugging Face, Vercel
• Local: Ollama, LMStudio, OVMS — fără cheie API, nu există date care părăsesc mașina dumneavoastră

Strategia modelului pe sarcină

Cea mai eficientă configurare folosește modele ieftine pentru sarcini simple și modele puternice pentru cele complexe:

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 Prezentare generală a furnizorilor

---

Lista de verificare pentru începere

1. Instalați Notemd — Community Plugins (recomandat) sau manual
2. Configurați un furnizor — DeepSeek (cel mai ușor), OpenAI, sau Ollama (gratuit)
3. Procesați prima nota — clic dreapta → „Process file (add links)“
4. Setează folderul concept — Setări → Notemd → Rezultat → Folderul Concept
5. Extrage concepte — rulează „Extract concepts” pe aceeași notă
6. Generează un diagram — rulează „Generate diagram” pentru a vizualiza conexiunile
7. Creează un flux de lucru — conectează cele de mai sus într-un buton cu un clic

Configurații recomandate

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)

---

Patternuri comune

Pattern: Procesarea unei lucrări de cercetare

1. Importează conținutul PDF (sau lipiți-l)
2. Cercetare — obține contextul web despre subiect
3. Adăugare de linkuri — identificare și legare a conceptelor cheie
4. Extragere de concepte — creare de note independente
5. Generare diagramă — vizualizare a structurii lucrării

Model: Îmbogățire zilnică a notei

1. Scrie nota zilnică
2. Adăugare de linkuri — conectează ideile de astăzi cu conceptele existente
3. Notele de concept se actualizează automat cu backlink-uri

Model: Revizuire literară

1. Creează un folder cu lucrări/noti
2. Adăugare în lot a linkurilor — procesare a întregului folder
3. Deduplare a conceptelor — curățare a notele aproape duplicate
4. Generare diagramă — hartă mentală a întregii literaturi

---

Notemd este cu sursă deschisă (MIT) și funcționează cu Obsidian 0.15.0+ pe toate platformele. Instala acum sau vizualizează pe GitHub.