Vault Audit AI: два индекса, семантический поиск и RAG в Obsidian
Автор создал AI‑аудит заметок в Obsidian с двумя индексами, семантическим поиском, выявлением похожих нот и RAG‑поиском по собственному хранилищу, прошедший 700 тестов.
Что было сделано
В статье на Habr AI автор делится опытом построения Vault Audit AI – системы, которая автоматически анализирует и упорядочивает заметки в Obsidian. Изначально планировалось лишь простое аудирование, но в процессе разработки получилась полноценная платформа с двумя независимыми индексами:
- Semantic Index – хранит векторные представления каждой заметки, позволяя выполнять поиск по смыслу, находить Similar Notes и выявлять semantic duplicates.
- RAG Index – поддерживает Retrieval‑Augmented Generation, то есть генерирует ответы на запросы, используя контент из собственного хранилища.
Ключевые особенности
- 700+ автоматических тестов покрывали сценарии индексации, обновления и запросов, однако в реальном Obsidian‑vault возникли неожиданные edge‑cases, о чём подробно рассказывается в статье.
- Интеграция с Obsidian API и использование LangChain (не упомянуто явно, но типично для подобных проектов) позволили построить гибкую пайплайн‑архитектуру.
- Система умеет выделять дублирующие фрагменты, предлагать их объединение и генерировать контекстные ответы, что ускоряет процесс ревью больших наборов заметок.
Почему это важно
С ростом личных knowledge‑base, такие инструменты становятся критичными для поддержания порядка и извлечения полезной информации без ручного перебора. Автор делится ошибками, которые встретились в продакшене, и советами, как их избежать.
Для разработчиков AI‑помощников и студентов, работающих с личными базами знаний, Vault Audit AI демонстрирует, как быстро превратить простой скрипт в масштабируемый сервис. Семантический поиск и RAG открывают возможности автоматической навигации по огромным vault‑ам, но реальный опыт показывает, что покрытие тестами не гарантирует отсутствие сюрпризов в продакшене – важна тщательная валидация на живых данных.
