Suas notas. Uma wiki viva. Escreva no Obsidian — notas, PDFs, recortes da web. Cada entrada se conecta a uma rede que não para de crescer.
Perder ou fazer crescer?
Salva um artigo. Esquece onde. Pesquisa depois. Nada.
Escolha uma nota do seu vault. Ideias encontradas, páginas construídas, resumo pronto. Em segundos.
Liga duas notas à mão. Uma muda. A outra fica desatualizada. O link morre.
Os links se mantêm vivos. Quando novas informações contradizem as antigas, todas as páginas relacionadas se atualizam.
Um ano de notas. Só arquivos. Todo projeto começa do zero. Mesmas leituras. Mesmas conclusões.
Um ano constrói uma wiki. Cada nova pergunta se baseia em tudo que você coletou. Seu conhecimento cresce.
Uma nota. Um mundo de conexões.
Não são recursos. Uma nova relação com tudo que você lê.
Escolha uma nota do seu vault — Cmd+P → Ingest. A IA lê, extrai, constrói. Sem pastas. Sem tags. Sem trabalho.
Pergunte como a um amigo. Veja o raciocínio, e então responda com fontes que você pode abrir e verificar.
Cmd+P -> Multi-File Ingest abre uma fila ao vivo com um seletor de árvore de pastas. Selecione 5 ou 50 notas de uma vez — sem pasta de preparação.
Novos arquivos? Incluídos automaticamente. Contradições? Detectadas. Saúde? Verificada. Do seu jeito.
Análises aprofundadas sobre arquitetura, fluxos de trabalho e seleção de modelos.
Qwen3.5, Qwen3.6, Gemma 4, oMLX — which model runs your wiki well, on what hardware, with what tradeoffs. A practical guide to going fully offline without sacrificing usability.
Pick a PDF from anywhere in your vault. The plugin reads it through your LLM provider, transcribes it to Markdown verbatim, and feeds the result into the standard wiki extraction pipeline.
Four phases that turn a natural-language question into a wiki-grounded answer. Why this pipeline is fundamentally different from vanilla RAG, where it borrows, and where it diverges.
Obsidian é tudo que você precisa.
No Obsidian: Configurações → Plugins da comunidade → Procurar, busque por Karpathy LLM Wiki, clique em Instalar e depois Ativar.
Abrir página do pluginConfigurações → Karpathy LLM Wiki. Escolha seu LLM, insira a chave, teste, salve.
Cmd+P (ou Ctrl+P). Digite Ingest para adicionar uma nota, ou Multi-File Ingest para escolher várias de uma vez. Digite Query para perguntar.
Tudo o que vale saber, antes de começar.
Ao [[vincular]] notas manualmente, você captura conexões que já conhece. O plugin funciona de forma diferente: ele lê cada nota no seu vault, extrai as pessoas, conceitos e teorias nelas contidos e gera automaticamente páginas wiki que revelam links que você não havia notado — conexões entre artigos lidos com meses de diferença, temas entre pastas, insights enterrados em menções passageiras. Seus links manuais permanecem intactos; o plugin adiciona uma camada com IA que descobre o que você não sabia que existia.
O seu vault permanece exatamente como você o escreveu. O plugin apenas cria novas páginas wiki em suas próprias pastas — entities/, concepts/ e similares — sob a sua pasta wiki/. Se uma página gerada automaticamente estiver errada, simplesmente a delete e execute a ingestão novamente; ela será reconstruída do zero. Depois que você marca uma página como revisada, a IA nunca a reescreve, apenas acrescenta. Cada resposta conversacional também tem links de volta para as notas de origem, para que você possa verificar qualquer afirmação com um clique.
Obsidian v1.11.0+ (desktop: Windows, macOS, Linux) e uma chave de API LLM. Suporta: DeepSeek, Gemini, Claude, GPT, Kimi, GLM, MiniMax, OpenRouter ou qualquer endpoint personalizado. Modelos locais via Ollama ou LM Studio não precisam de chave.
Modelos de contexto longo recomendados — processam toda sua wiki em uma passada. Uma ingestão custa $0,05–$0,50. Custos vão para o provedor LLM; o plugin é gratuito e open source.
Sim — e é exatamente assim que o plugin é projetado. Com Ollama ou LM Studio, cada byte fica na sua máquina: notas, entidades extraídas, páginas wiki geradas — nunca enviados, nunca registrados, nunca tocados por qualquer servidor externo. O plugin tem telemetria zero, sem backend, sem armazenamento e sem coleta de dados de nenhum tipo; ele não faz conexões por conta própria, nem mesmo para verificar atualizações. Usa um provedor na nuvem? Os dados são transmitidos apenas durante o ingest ou consulta específica que você disparar, nunca armazenados em cache externamente, nunca compartilhados. Essa arquitetura de zero exfiltração significa que você pode usá-lo com confiança para dados de pesquisa, registros de clientes, diários pessoais ou qualquer material confidencial. Modelos em nuvem oferecem janelas de contexto maiores e maior throughput para trabalho em lote; modelos locais proporcionam soberania absoluta dos seus dados no uso diário.
Encontrou um bug? Abra uma issue no GitHub. Tem uma pergunta ou ideia? Inicie uma Discussão no GitHub. Você também pode encontrar o plugin na página do Obsidian Community Plugin e deixar uma avaliação.
Sim — desde a v1.25.0, PDFs são uma entrada de primeira classe. Escolha um PDF de qualquer lugar do seu vault (Cmd+P → Ingest single source). O plugin lê pela entrada nativa de arquivos do seu provedor de LLM (Anthropic Claude, OpenAI GPT-4o e variantes Bedrock tratam PDFs nativamente), converte para Markdown via um transcritor verbatim estilo OCR com marcadores anti-alucinação para figuras e equações, e retorna ao pipeline regular de ingestão de Markdown. O Markdown convertido fica em cache por hash de conteúdo em .obsidian/plugins/karpathywiki/pdf-cache/, então reingerir é instantâneo. Por padrão, o seu vault não é modificado; ative Write PDF Markdown to Vault nas configurações para também gravar um sidecar <basename>.pdf.md ao lado do PDF de origem.
Sim — desde a v1.24.0, o plugin suporta seleção de modelo por tarefa. Em Configurações → Wiki → Model Scope, mude de Unified (um modelo para tudo) para Per-Task e escolha um modelo independente para Ingest, Lint e Query. Um padrão comum: um modelo barato e rápido para ingest (DeepSeek, MiniMax), um modelo forte para lint (Claude, GPT-4o) e um modelo de contexto longo para query. Test Connection testa cada modelo configurado em sequência, com fail-fast — até que todos os modelos por tarefa passem, a conexão é considerada não saudável.
Sim — se você combinar PDF Ingest com um modelo local via Ollama ou LM Studio, cada PDF permanece na sua máquina de ponta a ponta. A configuração recomendada em Apple Silicon é oMLX + backend Markitdown + o modelo Unlimited-OCR de código aberto da Baidu (3B no total / 0,5B ativo), conectado por meio de um provedor Custom OpenAI-Compatible com Force PDF Support ativado. Os PDFs nunca saem do seu vault; a conversão roda localmente; o Markdown resultante segue para o mesmo pipeline de extração de entidades, também no dispositivo.
Não é uma ilha. Cada ferramenta que você ama, agora melhor.
Ver links
A wiki dá significado ao seu grafo. Páginas centrais, clusters, órfãos. Exploração, não decoração.
Salvar artigos
Salve o clip em qualquer lugar do seu vault. Rode Cmd+P → Ingest from folder. A IA extrai, conecta, atualiza. Um clip vira 10+ páginas wiki.
Consultar dados
A IA adiciona estrutura. Tags, datas, categorias. Tabelas vazias viram dashboards vivos.
Rastrear versões
Veja seu conhecimento evoluir. Cada commit conta a história de como você cresceu.
Criar slides
Pergunte: "Resuma minha pesquisa para uma apresentação de 10 minutos." A wiki monta os slides a partir do seu conhecimento.
Canvas visual
A IA cria mapas conceituais, linhas do tempo, árvores de decisão a partir do seu conhecimento. Adeus, canvas em branco.
Doze provedores, nuvem ou local. Mude quando quiser — sem amarras.
Doze provedores a um clique no menu. Não gostou? Troque para o próximo — sua wiki nem percebe.
Sem backend. Sem rastreamento. Sem armazenamento. Suas notas só vão para a IA que você escolher — ou ficam totalmente na sua máquina com um modelo local.
O plugin é gratuito. Uma ingestão completa sai por US$ 0,05–0,50 no seu provedor de LLM — escolha um modelo econômico e você nem vai notar.
Nuvem ou local — use quem você confia.
Modelos de contexto longo leem toda a sua wiki numa única passagem — a imagem completa, não fragmentos isolados. Ollama e LM Studio rodam totalmente no dispositivo — sem upload, sem chave de API.
Código aberto. Movido pela comunidade. Só Obsidian.
Adicionar ao Obsidian