Karpathy LLM Wiki — Plugin Wiki IA para Obsidian

Cuando [[enlazas]] notas manualmente, capturas conexiones que ya conoces. El plugin funciona de otra manera: lee cada nota en tu bóveda, extrae las personas, conceptos y teorías incrustados en ellas, y luego genera páginas wiki que revelan vínculos que no habías notado — conexiones entre artículos que leíste con meses de diferencia, temas a través de carpetas, ideas enterradas en menciones fugaces. Tus enlaces manuales permanecen intactos; el plugin añade una capa impulsada por IA que descubre lo que no sabías que estaba ahí.

Tu vault se queda exactamente como lo escribiste. El plugin solo crea nuevas páginas wiki en sus propias carpetas — entities/, concepts/ y similares — bajo tu carpeta wiki/. Si una página generada automáticamente es incorrecta, simplemente bórrala y vuelve a ejecutar la ingesta; se reconstruirá desde cero. Una vez que marcas una página como revisada, la IA nunca la reescribe, solo añade contenido. Cada respuesta conversacional también enlaza de vuelta a las notas de origen de las que proviene, para que puedas verificar cualquier afirmación con un clic.

Obsidian v1.11.0+ (escritorio: Windows, macOS, Linux) y una clave API de LLM. Soporta: DeepSeek, Gemini, Claude, GPT, Kimi, GLM, MiniMax, OpenRouter o cualquier endpoint personalizado. Sin clave para modelos locales via Ollama o LM Studio.

Modelos de contexto largo recomendados — procesan toda tu wiki en una pasada. Una ingesta cuesta $0.05–$0.50. Los costos van al proveedor LLM; el plugin es gratuito y open source.

Sí — y así es exactamente como está diseñado el plugin. Con Ollama o LM Studio, cada byte se queda en tu máquina: notas, entidades extraídas, páginas wiki generadas — nunca enviados, nunca registrados, nunca tocados por un servidor externo. El plugin tiene cero telemetría, sin backend, sin almacenamiento y sin recopilación de datos de ningún tipo; no realiza conexiones por sí mismo, ni siquiera para comprobar actualizaciones. ¿Usas un proveedor en la nube? Los datos se transmiten solo durante el ingest o la consulta específica que tú actives, sin cacheo externo ni compartición. Esta arquitectura de cero filtración significa que puedes usarlo con confianza para datos de investigación, registros de clientes, diarios personales o cualquier material confidencial. Los modelos en la nube ofrecen ventanas de contexto más grandes y mayor rendimiento para trabajo por lotes; los modelos locales te dan soberanía absoluta sobre tus datos en el uso diario.

Encontraste un error? Abre un issue en GitHub. Tienes una pregunta o idea? Inicia una Discusión en GitHub. También puedes encontrar el plugin en la página de Obsidian Community Plugin y dejar una reseña.

Sí — desde v1.25.0, los PDF son una entrada de primera clase. Elige un PDF desde cualquier lugar de tu vault (Cmd+P → Ingest single source). El plugin lo lee a través de la entrada de archivos nativa de tu proveedor LLM (Anthropic Claude, OpenAI GPT-4o y las variantes de Bedrock manejan PDF de forma nativa), lo convierte a Markdown mediante un transcriptor palabra por palabra de estilo OCR con marcadores anti-alucinación para figuras y ecuaciones, y vuelve al pipeline de ingesta regular de Markdown. El Markdown convertido se almacena en caché por hash de contenido en .obsidian/plugins/karpathywiki/pdf-cache/, así que reingerirlo es instantáneo. Por defecto tu bóveda no se modifica; activa Write PDF Markdown to Vault en los ajustes para escribir también un archivo auxiliar <basename>.pdf.md junto al PDF de origen.

Sí — desde v1.24.0, el plugin admite selección de modelo por tarea. En Ajustes → Wiki → Model Scope, cambia de Unified (un modelo para todo) a Per-Task y elige un modelo independiente para Ingest, Lint y Query. Un patrón habitual: un modelo barato y rápido para ingest (DeepSeek, MiniMax), un modelo potente para lint (Claude, GPT-4o) y un modelo de contexto largo para query. Test Connection prueba cada modelo configurado secuencialmente con fail-fast — hasta que todos los modelos por tarea pasen, la conexión se considera no saludable.

Sí — si combinas la ingesta de PDF con un modelo local mediante Ollama o LM Studio, cada PDF se queda en tu máquina de extremo a extremo. La configuración recomendada en Apple Silicon es oMLX + el backend Markitdown + el modelo Unlimited-OCR de código abierto de Baidu (3B totales / 0,5B activos), conectado mediante un proveedor Custom OpenAI-Compatible con Force PDF Support activado. Los PDF nunca salen de tu bóveda; la conversión se ejecuta localmente; el Markdown resultante pasa por el mismo pipeline de extracción de entidades, también en el dispositivo.