Obsidian + Claude Code: AI Knowledge Base od zera

Twoja wiedza jest w 40 chatach, 200 bookmarkach, 15 dokumentach i glowie. AI nie widzi z tego nic. Za kazdym razem tlumaczysz mu od zera kim jestes, co robisz i jakich masz klientow. Ten guide to konczy. Postawisz system w jedno popoludnie. Wrzucasz artykul - AI czyta, streszcza, linkuje z tym co juz masz, zapisuje w twoim vaulcie. Pytasz pytanie - AI czyta wiki, daje ci odpowiedz z cytowaniami, zapisuje odpowiedz jako nowa notatka. Za miesiac masz wyspecjalizowanego agenta wytrenowanego na twojej wiedzy.

Dla kogo to jest

Trzy use case'y w ktorych to realnie zmienia gre: Jak jestes creatorem albo marketerem - to jest engine do researchu contentu. Wrzucasz competitor breakdowns, trendy z branzy, insighty o audience do raw/. Wiki wyciaga patterny i angle ktorych rekami bys nie znalazl. Idealne pod content ktory ma byc niegeneryczny. Jak jestes founderem albo consultantem - to jest drugi mozg do pracy z klientami, market researchu, competitive analysis. Kazdy raport ktory generujesz wraca do systemu. Po trzech miesiacach AI zna twoja domene lepiej niz wiekszosc ludzi ktorych bys zatrudnil. Jak robisz deep research albo prowadzisz biznes knowledge-heavy - to jest dokladnie to po co Karpathy to zbudowal. Dziesiatki papersow, AI tracking jak pomysly sie lacza, gdzie autorzy sie nie zgadzaja, jakie sa luki. Dziala tak samo dobrze dla R&D w firmie. Jak zadna z tych trzech sytuacji nie brzmi jak ty - ten guide prawdopodobnie ci sie nie przyda. Wroc do podstawowego setupu Obsidian + Claude Code z poprzedniej rolki. Knowledge graph to poziom wyzej, nie punkt startowy.

Jak to dziala (60 sekund)

Trzy warstwy:

1. Raw - folder z surowymi materialami. Artykuly, transcripty, notatki, PDFy. AI tylko czyta, nigdy nie rusza.
2. Wiki - folder ktory AI buduje i utrzymuje sam. Streszczenia, koncepty, polaczenia. Ty czytasz, AI pisze.
3. Schema - plik CLAUDE.md ktory mowi Claude'owi jak wiki ma wygladac. To jest roznica miedzy chaotycznym chatbotem a zdyscyplinowanym maintainerem. Trzy operacje:
4. Ingest - wrzucasz nowy material. AI go czyta, streszcza, update'uje istniejace strony, laczy z tym co juz masz, loguje w log.md.
5. Query - pytasz pytanie. AI czyta wiki/index.md, znajduje relevantne strony, syntezuje odpowiedz z cytowaniami. Dobre odpowiedzi zapisuja sie z powrotem do wiki.
6. Lint - raz w tygodniu zdrowotny checkup. AI znajduje contradictions, sieroty, broken linki, luki w wiedzy. I tyle. To caly system. Bez bazy danych, bez embeddings, bez vector store. Tylko foldery i pliki markdown. Claude robi cala robote, ty sourcujesz i pytasz.

Zanim zaczniesz

Potrzebujesz trzech rzeczy:

1. Obsidian - darmowa apka, twoj vault na dysku. Pobierz z obsidian.md.
2. Claude Code - CLI od Anthropic ktory czyta i pisze pliki. npm install -g @anthropic-ai/claude-code.
3. 10+ materialow - cokolwiek co chcesz miec w bazie. Zakladki z zeszlego tygodnia, artykuly, transkrypcje podcastow, notatki z ksiazek. Jesli nie masz jeszcze setupu Obsidian + Claude Code z CLAUDE.md, wroc najpierw do mojej poprzedniej rolki. Tam pokazuje jak to postawic od zera w 30 minut. Ten guide zaklada ze juz masz vault i agenta.

Krok 1: Struktura folderow (2 minuty)

Otworz Claude Code w katalogu twojego vaulta i wklej:

Zbuduj mi knowledge base structure w tym vaulcie.

Utworz nastepujace foldery:

knowledge/
├── raw/              # Source of truth - AI tylko czyta
├── wiki/             # AI pisze i utrzymuje
│   ├── index.md      # Master index
│   ├── log.md        # Activity log
│   ├── sources/      # Streszczenia surowych zrodel
│   ├── concepts/     # Techniki, frameworki, zasady
│   ├── entities/     # Ludzie, marki, narzedzia
│   └── syntheses/    # Cross-source insights
└── CLAUDE.md         # Schema (bedzie w kroku 2)

W index.md stworz strukture z sekcjami: Stats, Sources, Concepts, Entities, Syntheses, Recent activity.

W log.md dodaj naglowek "# Activity Log" i nic wiecej. Log ma byc append-only, chronologiczny, format wpisu:
## [YYYY-MM-DD] {action} | {description}
(actions: ingest, query, lint, explore, brief)

Frontmatter dla index.md:

type: moc
tags: [knowledge, hub]
created: YYYY-MM-DD
updated: YYYY-MM-DD


Pokaz mi strukture po wykonaniu.

Claude postawi ci cala strukture w 30 sekund. Sprawdz czy wszystko jest.

Krok 2: Schema (3 minuty)

To jest krok ktory wszyscy pomijaja. Nie pomijaj. Schema to plik ktory mowi Claude'owi jak ma operowac na twoim knowledge base. To jest roznica miedzy zwyklym folderem z notatkami a systemem. Bez tego pliku masz AI ktory zgaduje. Z tym pliku masz AI ktory wie dokladnie co robic i jak. Wklej to do knowledge/CLAUDE.md (stworz plik jesli nie istnieje):

# Knowledge Base Schema

## Identity
To jest personal knowledge base. AI (Claude) utrzymuje cala strukture.
Czlowiek sourcuje materialy i pyta pytania. AI robi reszte.

## Architecture
- `raw/` - immutable source documents. NIGDY nie modyfikuj.
- `wiki/` - AI-maintained wiki. AI ma pelna kontrole.
- `wiki/index.md` - master index, update po kazdym ingescie.
- `wiki/log.md` - activity log, append-only, format:
  `## [YYYY-MM-DD] {action} | {description}`

## Wiki Rules

1. **Jeden source = wiele notatek.** Z artykulu wyciagnij source summary
   + wszystkie techniki jako concepts + wszystkie osoby/marki jako entities.
   Jeden ingest powinien dotknac 5-15 plikow.

2. **Minimum 3 wikilinki per notatka.** Zero sierot. Jak linkujesz do
   [[concept]] a plik nie istnieje - stworz stub (1 linia definicji + link do zrodla).

3. **Kazdy fakt cytuje zrodlo.** Format: `[Source: [[source-slug]]]` inline
   w zdaniu. Wikilinki w See Also nie wystarczaja - chodzi o traceability.

4. **Flag contradictions.** Jak nowe zrodlo mowi cos przeciwnego niz istniejaca
   notatka, dodaj blok:
   > CONTRADICTION: [stary claim z [[old-source]]] vs [nowy claim z [[new-source]]]

5. **Frontmatter obowiazkowy.** Kazda notatka ma: type, tags, created, updated, status.

6. **Zero em-dashes.** Uzywaj minusow lub przeredaguj zdanie.

## Ingest Workflow
1. Przeczytaj cale zrodlo
2. Przedyskutuj kluczowe takeaways z userem
3. Stworz source summary w wiki/sources/
4. Stworz/update concepts w wiki/concepts/
5. Stworz/update entities w wiki/entities/
6. Update wiki/index.md (dodaj nowe strony, update stats)
7. Flag contradictions jesli sa
8. Append do wiki/log.md: `## [YYYY-MM-DD] ingest | {slug}`

## Query Workflow
1. Przeczytaj wiki/index.md
2. Przeczytaj relevantne strony
3. Syntezuj odpowiedz z cytowaniami `[Source: [[page]]]`
4. Jesli odpowiedz jest wartosciowa, zapisz jako wiki/syntheses/{slug}.md
5. Update wiki/index.md i wiki/log.md

## Lint Workflow
1. Znajdz sieroty (notatki z <3 wikilinkami)
2. Znajdz broken links
3. Znajdz duplikaty concepts/entities
4. Znajdz contradictions miedzy stronami
5. Znajdz stale notatki (updated >60 dni przy status: active)
6. Znajdz em-dashes
7. Output: wiki/lint-report-YYYY-MM-DD.md z severity: HIGH / MEDIUM / LOW

To jest manual dla Claude'a. Od teraz kazdy ingest, query, lint idzie dokladnie tak jak chcesz, bez powtarzania zasad.

Krok 3: Skille (the killer move)

Zamiast kopiowac prompty za kazdym razem, kaze Claude'owi stworzyc skille - permanentne komendy w .claude/skills/ ktore wywolujesz jednym slowem. Claude Code auto-loaduje skille z folderu .claude/skills/{name}/skill.md. Raz je stworzysz, potem uzywasz do konca zycia. Zero copy-paste, zero zapominania. Wklej to:

Stworz mi 5 skilli w .claude/skills/ dla mojego knowledge base.

Dla kazdego skilla stworz folder i plik skill.md z frontmatter YAML:

name: {skill-name}
description: {kiedy uzywac + trigger phrases}


Skille:

1. .claude/skills/kb-ingest/skill.md
   - Name: kb-ingest
   - Description: "Ingest source into knowledge base. Triggers: 'ingest [file]',
     'ingest [url]', 'wrzuc do knowledge base', 'dodaj zrodlo'"
   - Content: Przeczytaj knowledge/CLAUDE.md i wykonaj Ingest Workflow
     dla zrodla ktore user poda (sciezka do pliku w raw/, URL, albo wklejony tekst).
     Postepuj dokladnie wedlug 8 krokow z Ingest Workflow. Na koncu podsumuj
     ile plikow stworzyles, ile update'owales, jakie connections znalazles.

2. .claude/skills/kb-query/skill.md
   - Name: kb-query
   - Description: "Query knowledge base and synthesize answer. Triggers:
     'query [question]', 'zapytaj knowledge base', 'co wiem o'"
   - Content: Przeczytaj knowledge/CLAUDE.md i knowledge/wiki/index.md.
     Wykonaj Query Workflow dla pytania usera. Wazne: po dobrej odpowiedzi
     ZAWSZE zaproponuj zapisanie jej jako synthesis page w wiki/syntheses/.
     To jest compounding loop - pytania staja sie notatkami.

3. .claude/skills/kb-lint/skill.md
   - Name: kb-lint
   - Description: "Health check on knowledge base. Triggers: 'lint knowledge base',
     'kb health', 'sprawdz wiki', 'lint kb'"
   - Content: Przeczytaj knowledge/CLAUDE.md i wykonaj Lint Workflow.
     Output zapisz do wiki/lint-report-YYYY-MM-DD.md z severity HIGH/MEDIUM/LOW.
     Nie naprawiaj sam - pokaz mi liste problemow i zdecyduje co robic.

4. .claude/skills/kb-explore/skill.md
   - Name: kb-explore
   - Description: "Find unexplored connections in knowledge base. Triggers:
     'explore kb', 'znajdz polaczenia', 'co ciekawego w wiki'"
   - Content: Przeczytaj wiki/index.md i zidentyfikuj 5 najbardziej
     interesujacych NIEZBADANYCH polaczen miedzy istniejacymi stronami.
     Dla kazdego polaczenia powiedz: jakie insighty moze ujawnic,
     jakie nowe zrodlo pomogloby je potwierdzic, i czy warto zrobic
     synthesis page. To jest skill do odkrywania patternow ktorych
     sam bys nie zauwazyl.

5. .claude/skills/kb-brief/skill.md
   - Name: kb-brief
   - Description: "Write executive briefing from knowledge base. Triggers:
     'brief on [topic]', 'napisz briefing', 'executive summary o'"
   - Content: Na podstawie zawartosci wiki/ napisz briefing 500 slow
     o temacie ktory user poda. Struktura: current state, key tensions,
     open questions, recommended next steps. Cytuj zrodla przez
     [Source: [[page]]]. Uzywaj TYLKO zawartosci wiki, nie wymyslaj.
     Jesli nie ma wystarczajaco danych w wiki, powiedz wprost i zaproponuj
     jakie zrodla nalezy dodac.

Po stworzeniu, pokaz mi liste skilli i przetestuj czy Claude Code je widzi.

Claude stworzy ci 5 skilli. Od teraz odpalasz:

• ingest artykul.md - wrzuca source do wiki
• query jak robic dobry hook - pyta wiki, syntezuje odpowiedz
• lint knowledge base - zdrowotny check
• explore kb - znajduje unexplored connections
• brief on pricing strategy - executive summary z cytowaniami Piec slow zamiast pieciu promptow. Arsenal ktory u mnie dziala codziennie.

Krok 4: Pierwszy ingest (10 minut)

Wybierz pierwszy material. Moze byc artykul z zakladek, transcript z podcastu, notatka z ksiazki. Cokolwiek ci siedzi.

Opcja A: Artykul z internetu

Zainstaluj Obsidian Web Clipper (darmowa extension). Klikasz na dowolnym artykule, Clipper zapisuje go jako czysty markdown prosto do knowledge/raw/. Jeden klik.

Opcja B: Wlasny plik

Skopiuj dowolny plik markdown / PDF / transcript do knowledge/raw/.

Opcja C: Wklejony tekst

Paste tekst bezposrednio do Claude Code (bez zapisywania do pliku). Potem wklej:

ingest knowledge/raw/{twoj-plik.md}

Albo:

ingest [WKLEJONY TEKST]

Claude przeczyta zrodlo, przedyskutuje z toba kluczowe takeaways, pokaze plan plikow do stworzenia/updatu, poczeka na OK, i zrobi cala robote. Po wszystkim dostaniesz podsumowanie: ile plikow stworzone, ile update'owane, jakie connections znalezione. Pro tip: zacznij od artykulu z twojej branzy ktory juz znasz. Dzieki temu zweryfikujesz czy Claude dobrze ekstrakuje insighty i dobrze je kategoryzuje. Jak cos jest zle, poprawisz w CLAUDE.md i wiesz co sie dzieje.

Krok 5: Pierwsze query (the payoff moment)

Tutaj dzieje sie magia. Masz juz 5-10 zrodel w vaulcie. Pora zobaczyc co system potrafi. Najprostsze query:

query jakie sa najwazniejsze insighty z mojego knowledge base
o [TWOJA DOMENA]?

Ale to sa query ktore wyciagaja z systemu najwiecej wartosci. Takich pytan nie zadasz ChatGPT bo on nie zna twojej wiedzy. Twoj knowledge base zna.

Znajdowanie luk

query jakie sa 3 najwieksze luki w mojej bazie wiedzy
o [TWOJA DOMENA]? Co powinienem dalej sourcowac zeby je wypelnic?

AI widzi czego NIE MA w twojej wiedzy. Poda ci liste rzeczy do researchu ktorej sam bys nie wygenerowal bo nie widzisz wlasnych blind spots.

Znajdowanie contradictions

query ktore zrodla w mojej wiki nie zgadzaja sie ze soba
i dokladnie w czym? Pokaz mi tensions i niech zdecyduje kto ma racje.

Drobna roznica zdan miedzy dwoma autorami ktorej sam bys nie zauwazyl. Knowledge base je wychwytuje.

Odkrywanie polaczen

explore kb

Jedno slowo. Claude znajduje 5 najbardziej interesujacych unexplored polaczen miedzy tematami w vaulcie i proponuje co z nimi zrobic. To jest moment kiedy system daje ci insighty ktore wyprzedzaja twoje myslenie.

Executive briefing

brief on [TEMAT]

500 slow briefingu uzywajac TYLKO zawartosci twojej wiki. Z cytowaniami. Przydatne jak potrzebujesz szybko sprzedac pomysl klientowi albo napisac propozycje - masz gotowa wersje opara na tym co wiesz, nie na tym co AI zgaduje.

Pod konkretny deliverable

query buduje landing page dla [KLIENT]. Temat: [OPIS].
Znajdz w knowledge base wszystkie concepts ktore moge uzyc,
zrodla z najlepszymi przykladami, entities (tworcy, marki)
z ktorych moge sie uczyc, i zaproponuj strukture deliverable
opierajaca sie TYLKO na zawartosci vaulta. Cytuj zrodla.

Claude przestaje generowac generyczny content. Zaczyna generowac content oparty na twojej wiedzy. O twoich klientach. Z twoim smakiem.

Po kazdej wartosciowej odpowiedzi Claude zaproponuje zapisanie jej jako synthesis page. Mowisz tak. Odpowiedz laduje jako nowa notatka w wiki/syntheses/, linkujaca do wszystkich zrodel ktore uzyla. To jest compounding loop. Pytanie staje sie odpowiedzia, odpowiedz staje sie notatka, notatka zasila nastepna odpowiedz. Bez tego twoje query znikaja w historii chatu. Z tym wiki staje sie gestsza z kazdym pytaniem. Po trzech miesiacach masz 30-50 syntheses pages z twoich wlasnych pytan. To jest druga warstwa wiedzy ponad surowymi zrodlami.

Krok 6: Lint (raz w tygodniu)

Graph gnije jak za nim nie pilnujesz. Raz w tygodniu odpal:

lint knowledge base

Claude sprawdzi sieroty, broken linki, duplikaty, contradictions, stale notatki. Zapisze raport w wiki/lint-report-YYYY-MM-DD.md z severity levels (HIGH, MEDIUM, LOW). Ty przegladasz, decydujesz co naprawic, dajesz Claude'owi OK. Zajmuje 5 minut. Graph zostaje zdrowy.

Batch ingest (pro move)

Jak masz 10 bookmarkow na raz, nie rob ingestu dziesiec razy. Wrzuc wszystko do raw/ i jedna komenda:

ingest wszystkie nowe pliki w raw/

Przed rozpoczeciem, zrob batch analysis:
- Czy jakies zrodla dotycza tego samego tematu?
- Czy jakies techniki pojawiaja sie w wielu zrodlach jednoczesnie?
- Czy warto utworzyc synteze dla powtarzajacego sie patternu?

Potem rob ingesty jeden po drugim z cross-references.
Jak concept pojawia sie w 3+ zrodlach, stworz dla niego synthesis page.

Dziesiec zrodel naraz to inny poziom wgladu niz dziesiec pojedynczych ingestow. System widzi patterny ktorych pojedynczo nie widzi.

Gdzie to nie dziala (honest)

Kazdy system ma limit. Lepiej wiedziec teraz niz zlapac na twarz za tydzien. Context window ma sufit. 200K tokenow to okolo 150K slow. Przy 500 source pages Claude nie wczytuje wszystkiego - czyta przez index i robi selekcje. Rozwiazanie: trzymaj index.md curated, nie pozwol mu rosnac bez ograniczen. Koszt nie jest zero. Jeden ingest ktory dotyka 10-15 plikow to okolo $0.50-2 na Opusie. 50 zrodel to $25-100 za setup. Rozwiazanie: Sonnet do prostych updateow, Opus tylko do waznej analizy. Halucynacje nie znikaja. Wiki wyglada autorytatywnie wiec czlowiek mniej weryfikuje. Rozwiazanie: krytyczne claims (liczby, cytaty, daty) cytuj inline z [Source: [[page]]]. Raz na miesiac spot-check losowe notatki vs raw source. Error compounds. Jedna bledna notatka zasila zle syntheses, zle syntheses daja zle query answers, zle answers prowadza do zlych decyzji. Dlatego lint raz w tygodniu, nie raz na miesiac. I dlatego git init w Kroku 1 - jak cos pojdzie nie tak, cofasz. Nie skaluje sie do 10,000 zrodel. Index-file approach dziala do ~200-300 sources. Powyzej potrzebujesz prawdziwego search (qmd, embeddings). Ten guide jest dla personal i small team, nie enterprise. Znasz te limity - mozesz z nimi zyc. Nie znasz - zlapiesz na slepo.

Podsumowanie

Cala operacja w tabeli:

• Wrzucasz zrodla przez ingest
• Pytasz przez query (odpowiedzi zapisuja sie same jako syntheses)
• Odkrywasz przez explore (unexplored connections)
• Piszesz briefs przez brief (500 slow z cytowaniami)
• Sprzatasz przez lint raz w tygodniu Za miesiac masz wyspecjalizowanego agenta wytrenowanego na twojej wiedzy. Nie chatbota. Twojego agenta. Takiego ktory zna twoja branze lepiej niz jakikolwiek generic AI. I tyle. Dziala.

Co dalej

Jak juz masz dzialajacy knowledge graph, dwie rzeczy ktore warto dorzucic pozniej: Automatyzacje ingestu. Zamiast kopiowac URL i odpalac ingest, stworz skrypt ktory pobiera video przez yt-dlp, transkrybuje przez faster-whisper, wysyla do Claude'a po analizie, tworzy wszystkie pliki jednym kliknieciem. To juz nie jest lead magnet, to dedykowane narzedzie. Ale warto wiedziec ze sie da. Cross-client syntheses. Jak masz kilku klientow i dla kazdego zbierasz osobny knowledge, po kilku miesiacach zauwazysz ze te same techniki pojawiaja sie u roznych. Wtedy tworzysz syntheses ktore cytuja prace z 3-4 klientow jednoczesnie. To jest moment kiedy twoja baza przestaje byc "ja swiadczacy usluge" a zaczyna byc "studio z wlasnym IP". Obie rzeczy sa bardziej zaawansowane niz ten guide. Ale to jest kierunek w ktory to idzie. Jak chcesz zobaczyc oryginalny pattern Karpathy'ego szukaj "karpathy llm wiki gist" na GitHubie. 8K+ gwiazdek, 100K bookmarkow. Moja wersja to jego 3-layer pattern + skills-based execution pod konkretny workflow z Claude Code.

Potrzebujesz pomocy? Jestem Lukasz (luki.zip). wprowadzam ai do biznesów Jesli masz pytania o ten guide, chcesz pomoc z setupem, albo szukasz kogos kto postawi ci to od A do Z dla twojego biznesu - napisz.

lukasz.glica07@gmail.com

Odpisuje na kazdego maila. Po prostu napisz co potrzebujesz.