Karpathy LLM Wiki — Plugin Wiki IA pour Obsidian

Quand tu [[lies]] des notes manuellement, tu captes des connexions que tu connais déjà. Le plugin fonctionne différemment : il lit chaque note de ton coffre, extrait les personnes, concepts et théories qui y sont enfouis, puis génère automatiquement des pages wiki qui font apparaître des liens que tu n'avais pas remarqués — des connexions entre des articles lus à des mois d'intervalle, des thèmes à travers les dossiers, des idées enterrées dans des mentions anodines. Tes liens manuels restent intacts ; le plugin ajoute une couche pilotée par l'IA qui trouve ce que tu ne savais pas être là.

Votre coffre reste exactement comme vous l'avez écrit. Le plugin crée uniquement de nouvelles pages wiki dans ses propres dossiers — entities/, concepts/, etc. — sous votre dossier wiki/. Si une page générée automatiquement est erronée, supprime-la et relance l'ingestion ; elle sera reconstruite de zéro. Une fois que tu marques une page comme relue, l'IA ne la réécrit jamais, elle se contente d'ajouter du contenu. Chaque réponse conversationnelle renvoie également aux notes sources dont elle est issue, pour que tu puisses vérifier toute affirmation en un clic.

Obsidian v1.11.0+ (bureau: Windows, macOS, Linux) et une clé API LLM. Fournisseurs pris en charge: DeepSeek, Gemini, Claude, GPT, Kimi, GLM, MiniMax, OpenRouter ou tout endpoint personnalisé. Aucune clé requise pour les modèles locaux via Ollama ou LM Studio.

Modèles à long contexte recommandés — ils traitent tout votre wiki en une fois. Une ingestion coûte 0,05–0,50 $. Les coûts vont au fournisseur LLM ; le plugin est gratuit et open source.

Oui — et c'est exactement la philosophie de conception du plugin. Avec Ollama ou LM Studio, chaque octet reste sur votre machine : notes, entités extraites, pages wiki générées — jamais envoyés, jamais enregistrés, jamais touchés par un serveur externe. Le plugin a zéro télémétrie, pas de backend, pas de stockage et aucune collecte de données ; il n'établit jamais de connexion de sa propre initiative, pas même pour vérifier les mises à jour. Vous utilisez un fournisseur cloud ? Les données ne sont transmises que pendant l'ingestion ou la requête spécifique que vous déclenchez, jamais mises en cache à l'extérieur, jamais partagées. Cette architecture zéro exfiltration vous permet de l'utiliser en toute confiance avec des données de recherche, des dossiers clients, des journaux personnels ou tout document confidentiel. Les modèles cloud offrent de plus grandes fenêtres de contexte et un débit plus rapide pour le traitement par lots ; les modèles locaux vous donnent une souveraineté totale sur vos données au quotidien.

Tu as trouvé un bug ? Ouvre une issue sur GitHub. Une question ou une idée ? Lance une Discussion sur GitHub. Tu peux aussi trouver le plugin sur la page Obsidian Community Plugin et laisser un avis.

Oui — depuis la v1.25.0, les PDF sont une entrée de premier plan. Choisissez un PDF depuis n'importe où dans votre vault (Cmd+P → Ingest single source). Le plugin le fait lire par l'entrée de fichiers native de votre fournisseur LLM (Anthropic Claude, OpenAI GPT-4o et les variantes Bedrock gèrent les PDF nativement), le convertit en Markdown via un transcripteur verbatim de style OCR avec marqueurs anti-hallucination pour les figures et équations, et réintègre le pipeline d'ingestion Markdown habituel. Le Markdown converti est mis en cache par content-hash dans .obsidian/plugins/karpathywiki/pdf-cache/, donc une ré-ingestion est instantanée. Par défaut, votre coffre n'est pas modifié ; activez Write PDF Markdown to Vault dans les paramètres pour aussi écrire un fichier sidecar <basename>.pdf.md à côté du PDF source.

Oui — depuis la v1.24.0, le plugin prend en charge la sélection de modèle par tâche. Dans Paramètres → Wiki → Model Scope, passez de Unified (un seul modèle pour tout) à Per-Task, puis choisissez un modèle indépendant pour Ingest, Lint et Query. Une configuration courante : un modèle rapide et économique pour l'ingest (DeepSeek, MiniMax), un modèle puissant pour le lint (Claude, GPT-4o), et un modèle à long contexte pour la query. Test Connection teste chaque modèle configuré séquentiellement avec fail-fast — tant que tous les modèles par tâche ne réussissent pas, la connexion est considérée comme non saine.

Oui — si vous associez PDF Ingest à un modèle local via Ollama ou LM Studio, chaque PDF reste sur votre machine de bout en bout. La configuration recommandée sur Apple Silicon est oMLX + le backend Markitdown + le modèle Unlimited-OCR de Baidu open-source (3B total / 0,5B actif), connecté via un fournisseur Custom OpenAI-Compatible avec Force PDF Support activé. Les PDF ne quittent jamais votre coffre ; la conversion s'exécute localement ; le Markdown résultant passe par le même pipeline d'extraction d'entités, également en local.