Deployer un LLM Wiki en 5 minutes avec Claude Code + Obsidian

Les chats IA classiques oublient tout entre deux conversations. Le LLM Wiki fait l inverse: il capitalise chaque nouvelle source, cree des relations explicites et garde une base de connaissance exploitable dans le temps.

La methode vient d Andrej Karpathy (ex-Tesla, ex-OpenAI) qui l a publiee dans un gist GitHub. Plutot que du RAG classique ou le LLM redecrouvre la connaissance a chaque question, le LLM Wiki construit un artefact persistant et cumulatif.

Ce que vous allez construire

En 5 a 10 minutes, vous obtenez:

un dossier raw/ pour deposer les sources (immutables, jamais modifiees par le LLM)
un dossier wiki/ genere et maintenu par le LLM
un index.md pour naviguer (lu en premier a chaque query)
un log.md pour tracer les ingestions (append-only, parseable)
des pages reliees par backlinks (entites, concepts, sources, analyses)

Pourquoi cette methode est un game changer

Pas de vector DB a deployer
Pas de pipeline d embeddings a maintenir
Fichiers markdown lisibles, versionnables, branchables avec git
Navigation rapide via les liens et Obsidian Graph View
Reutilisable dans d autres agents (assistant exec, copilote contenu, Q&A)
La connaissance se compile une fois et reste a jour — pas re-derivee a chaque query

Architecture en 3 couches

Schema de deploiement LLM Wiki

my-wiki-vault/
  CLAUDE.md          ← le schema: dit au LLM comment operer le wiki
  raw/               ← sources immutables (articles, transcripts, PDFs)
  wiki/
    index.md         ← catalogue content-oriented, mis a jour a chaque ingest
    log.md           ← journal chronologique append-only
    concepts/
    entities/
    sources/
    analysis/

Les 3 couches:

raw/ — vos sources curees, immuables. Le LLM lit mais ne modifie jamais.
wiki/ — genere et maintenu par le LLM. Il cree les pages, les met a jour, gere les cross-references.
CLAUDE.md (schema) — le fichier de configuration cle. Definit la structure, les conventions, et les workflows d ingestion/query/lint.

Deployment pas a pas

1) Creer le vault Obsidian

Creer un nouveau vault, puis ouvrir ce dossier dans VS Code + Claude Code.

2) Configurer le schema CLAUDE.md

Le CLAUDE.md est la piece maitresse. Il transforme Claude Code d un chatbot generique en mainteneur de wiki discipline. Template de base a copier-coller directement dans votre agent:

Tu es maintenant mon agent LLM Wiki.

Architecture:
- raw/ : sources immuables que tu lis mais ne modifies jamais
- wiki/ : tu crees et maintiens toutes les pages
- wiki/index.md : catalogue de toutes les pages (mise a jour a chaque ingest)
- wiki/log.md : journal append-only (format: ## [YYYY-MM-DD] operation | titre)

Operations disponibles:
- INGEST: lire une source, extraire les infos cles, creer/mettre a jour 10-15 pages wiki, maj index + log
- QUERY: lire index.md, identifier les pages pertinentes, synthetiser une reponse avec citations
- LINT: verifier contradictions, pages orphelines, liens manquants, claims obsoles

Conventions:
- Chaque page wiki commence par un frontmatter YAML (tags, date, source_count)
- Les backlinks sont explicites: [[NomDePage]]
- Les contradictions sont marquees avec leur source et date
- Les bonnes reponses sont filees en retour dans le wiki comme nouvelles pages

3) Ingest une premiere source

Ajouter une source dans raw/ (article, transcript, notes), puis lancer:

J ai ajoute une source dans raw/. Ingest avec un niveau de detail eleve,
cree les pages necessaires, relie-les, et mets a jour index.md + log.md.

Un seul ingest peut toucher 10 a 15 pages wiki. Restez implique: lisez les summaries, guidez le LLM sur ce qu il faut emphasiser.

4) Verifier le graphe

Ouvrir Graph View dans Obsidian pour identifier hubs et noeuds orphelins.

5) Linter le wiki periodiquement

Demandez au LLM de faire un health-check:

Lance un lint complet: cherche les contradictions entre pages, les claims obsoles,
les pages orphelines sans inbound links, les concepts mentionnes sans leur propre page,
et les cross-references manquantes. Propose aussi de nouvelles questions a investiguer.

6) Brancher le wiki a un autre agent

Dans le CLAUDE.md d un assistant, indiquer le chemin du wiki et la regle de lecture: index d abord, puis pages ciblees.

Tips & configurations Obsidian

Obsidian Web Clipper — extension browser qui convertit des articles web en markdown. Ideal pour alimenter raw/ rapidement sans copier-coller.
Telecharger les images en local — dans Settings → Files and links, definir un "Attachment folder path" (ex: raw/assets/). Binder un raccourci sur "Download attachments for current file". Le LLM peut alors voir et referencer les images directement.
Graph View — la meilleure facon de visualiser la structure: hubs, orphelins, clusters thematiques.
Marp — plugin Obsidian pour generer des slides en markdown. Le LLM peut creer des presentations directement depuis le wiki.
Dataview — plugin qui requete les frontmatters YAML. Si le LLM ajoute des metadonnees (tags, dates, source_count), Dataview genere des tables dynamiques.
qmd — moteur de recherche local pour markdown avec BM25/vector + LLM re-ranking. Utile quand le wiki grossit au-dela de quelques centaines de pages et que l index seul ne suffit plus.
Git — le wiki est juste un repo de fichiers markdown. Historique, branches, collaboration: tout gratuit.

Comparatif rapide: LLM Wiki vs RAG classique

Critere	LLM Wiki (Markdown)	RAG classique
Infra	Tres legere	Plus lourde
Setup	Tres rapide	Plus long
Maintenance	Index + liens + lint	Re-embedding + pipeline
Cout fixe	Faible	Plus eleve
Scalabilite massive	Limitee	Meilleure

Regle simple: jusqu a quelques centaines de documents bien structures, le LLM Wiki donne souvent le meilleur ratio vitesse/valeur.

Source

Ce pattern vient du gist d Andrej Karpathy (ex-Tesla, ex-OpenAI): LLM Wiki — gist.github.com/karpathy. Document intentionnellement abstrait, concu pour etre partage directement avec votre agent LLM afin de co-construire votre implementation specifique.

Conclusion

Le LLM Wiki est une methode concrete pour transformer de la connaissance dispersee en systeme cumulatif. Vous pouvez le deployer aujourd hui en quelques minutes, puis le connecter a vos workflows business pour reduire les tokens et augmenter la qualite des reponses.

Pour passer en mode execution, recuperez le hub operationnel ici: Notion AI French Touch 1000 Skills.