Obsidian ile Yapay Zekaya İkinci Beyin Kurmak

Bu yazıda, düz Markdown dosyalarından oluşan bir Obsidian kasasını yapay zekayla nasıl organize edebileceğini öğreneceksin. Amaç sadece güzel görünen bir not sistemi kurmak değil; kendi bilgilerini, projelerini, araştırmalarını ve fikirlerini yapay zekanın da kullanabileceği bağlantılı bir bilgi ağına dönüştürmek.

Aslında bu çok basit: Obsidian sana dosya tabanlı bir bilgi alanı verir, Markdown bu bilgileri sade metin olarak saklar, yapay zeka ise bu alanı senin yerine düzenler, ilişkilendirir ve büyütür.

İkinci Beyin Fikri Ne Anlama Geliyor?

“İkinci beyin” dediğimiz şey, zihnindeki bilgilerin dışarıda düzenli bir sistem olarak tutulmasıdır. Bunu şöyle hayal edebilirsin: Bir konuda düşündüğün, okuduğun, planladığın veya ürettiğin her şey küçük notlar halinde saklanır. Bu notlar birbirine bağlandıkça sadece arşiv değil, gezilebilir bir düşünce haritası oluşur.

Obsidian burada güçlü bir rol oynar çünkü notları kapalı bir veritabanında değil, düz Markdown dosyaları olarak saklar. Markdown, basit işaretlerle metni biçimlendirmeye yarayan hafif bir yazım formatıdır. Yani şöyle düşün: Bir başlık, liste, bağlantı veya vurgulu metin oluşturmak için karmaşık bir editöre ihtiyaç duymazsın; birkaç karakterle metnin yapısını belirlersin.

flowchart LR
    A["Kişisel Bilgiler"] --> D["Obsidian Kasası"]
    B["Projeler ve Fikirler"] --> D
    C["Araştırma Notları"] --> D
    D --> E["Markdown Dosyaları"]
    E --> F["Bağlantılı Bilgi Ağı"]
    F --> G["Graph View"]
    F --> H["Yapay Zeka İçin Bağlam"]

Bu diyagram, ikinci beyin sisteminin temel mantığını gösteriyor. Farklı kaynaklardan gelen bilgiler Obsidian kasasında Markdown dosyalarına dönüşür; dosyalar birbirine bağlandıkça hem görsel bir bilgi ağı hem de yapay zekaya verilebilecek düzenli bir bağlam ortaya çıkar.

Obsidian Neden Bu İş İçin Uygun?

Obsidian’ın en önemli tarafı, bilgiyi sana ait dosyalar halinde tutmasıdır. Notların .md uzantılı düz metin dosyalarıdır. Bu yüzden başka bir araca geçmek, klasörü Git ile takip etmek veya yapay zekaya kaynak olarak vermek kolaydır.

Bunu şöyle hayal edebilirsin: Bir uygulamanın içinde kilitli kalan notlar yerine, bilgisayarındaki normal klasörlerde duran küçük bilgi parçaları var. Obsidian bu parçaları güzel gösteriyor, aralarındaki bağlantıları çiziyor ve sana gezilebilir bir zihin haritası sunuyor.

Markdown tarafında da yapı oldukça nettir. Bir konu başlığı, alt başlık, liste veya bağlantı yazarken aslında hem insanın okuyabileceği hem de yapay zekanın kolayca anlayabileceği bir format üretmiş olursun. Bu yüzden Obsidian kasası, kişisel bilgi yönetimiyle yapay zeka kullanımının kesiştiği çok pratik bir alan haline gelir.

flowchart TD
    A["Markdown Notu"] --> B["Başlıklar"]
    A --> C["Listeler"]
    A --> D["İç Bağlantılar"]
    A --> E["Etiketler"]
    B --> F["Okunabilir Yapı"]
    C --> F
    D --> G["Notlar Arası İlişki"]
    E --> H["Kategorileştirme"]
    F --> I["Yapay Zeka Tarafından Kolay İşlenir"]
    G --> I
    H --> I

Bu diyagram, Markdown dosyasının neden yapay zeka dostu olduğunu anlatıyor. Notun içindeki başlıklar, bağlantılar ve etiketler hem insan için düzen sağlar hem de yapay zekanın içeriği anlamasını kolaylaştırır.

LLM Wiki Yaklaşımı: Not Defteri Değil, Bilgi Ağı

Andrej Karpathy’nin gündeme getirdiği LLM Wiki fikri, büyük dil modelleriyle kullanılabilecek kişisel veya tematik bilgi ağları kurmaya dayanır. Buradaki kritik nokta, her şeyi büyük ve karmaşık bir veritabanına taşımak zorunda olmamandır. Düz dosyalar yeterlidir.

LLM, yani büyük dil modeli, metin üzerinden bağlam kuran yapay zeka sistemidir. Yani şöyle düşün: Yapay zekaya dağınık paragraflar vermek yerine, başlıklandırılmış, bağlantılandırılmış ve klasörlenmiş bir bilgi alanı verirsen, yapay zeka o alanı çok daha iyi kullanır.

Obsidian kasası bu noktada bir tür “okunabilir bellek” gibi çalışır. Senin hakkında bilgiler, projelerin, araştırma alanların veya öğrenmek istediğin konular bu kasada saklanır. Yapay zeka da bu kasaya eriştiğinde önceki bağlamı dosyalardan okuyabilir, yeni bilgileri uygun yerlere ekleyebilir ve bağlantıları güncelleyebilir.

flowchart LR
    subgraph "İnsan Tarafı"
        A["Fikirler"]
        B["Notlar"]
        C["Kaynaklar"]
    end

    subgraph "Dosya Tabanlı Hafıza"
        D["Obsidian Vault"]
        E["Markdown"]
        F["Wiki Bağlantıları"]
    end

    subgraph "Yapay Zeka Tarafı"
        G["Claude Code"]
        H["Bağlam Okuma"]
        I["Yeni Not Üretme"]
        J["Bağlantı Kurma"]
    end

    A --> D
    B --> D
    C --> D
    D --> E
    E --> F
    F --> G
    G --> H
    H --> I
    I --> D
    G --> J
    J --> F

Bu diyagram, insanın ürettiği bilginin Obsidian kasasına girdiğini, Claude Code gibi bir yapay zeka aracının bu kasayı okuyup düzenleyebildiğini gösteriyor. Sistem tek yönlü değildir; yapay zeka sadece okumaz, doğru talimat verilirse kasayı büyütür.

Claude Code ile Kasa Oluşturma Mantığı

Claude Code burada bir editör gibi değil, dosya sistemi üzerinde çalışan bir yardımcı gibi düşünülebilir. Ona bir klasör seçtirirsin, ardından ne tür bir Obsidian kasası istediğini anlatırsın. Eğer elinde LLM Wiki fikrini tarif eden bir ana prompt varsa, bunu başlangıç talimatı olarak kullanabilirsin.

Prompt, yapay zekaya sadece “not yaz” demez. Ona notların nasıl ayrılacağını, klasörlerin nasıl kurulacağını, hangi bağlantıların oluşturulacağını ve kasanın hangi amaçla kullanılacağını anlatır. Mesela kişisel gelişim için hazırlanacak bir kasa daha çok alışkanlıklar, hedefler ve günlük notlar etrafında şekillenir; bir yazılım projesi için kurulacak bilgi ağı ise görevler, teknik kararlar, hata kayıtları ve sistem bileşenleri üzerine kurulur.

Burada önemli olan, yapay zekaya hedefi açık vermektir. “Benim için bir bilgi kasası oluştur” demek başlangıç olabilir ama yeterli değildir. Daha iyi sonuç için konu, kapsam, kullanım amacı, dil tercihi, klasör yapısı ve bağlantı yoğunluğu gibi ayrıntılar belirtilmelidir.

flowchart TD
    A(["Başla"]) --> B["Obsidian Kasası Oluştur"]
    B --> C["Klasörü Claude Code İçinde Aç"]
    C --> D["LLM Wiki Ana Talimatını Ver"]
    D --> E["Kişisel veya Tematik Hedefi Tanımla"]
    E --> F{"Eksik Bilgi Var mı?"}
    F -->|Evet| G["Yapay Zeka Netleştirici Soru Sorar"]
    G --> E
    F -->|Hayır| H["Klasör ve Not Yapısı Üretilir"]
    H --> I["Markdown Dosyaları Yazılır"]
    I --> J["Notlar Arası Bağlantılar Kurulur"]
    J --> K["Graph View İçinde Bilgi Ağı Görünür"]
    K --> L(["Kullanıma Hazır"])

Bu akış, sıfırdan bir Obsidian kasası kurarken izlenen süreci gösteriyor. Yapay zeka önce hedefi anlamalı, gerekirse soru sormalı, sonra klasörleri ve Markdown dosyalarını üretmelidir.

Kişisel Kasa ile Tematik Kasa Arasındaki Fark

Kişisel kasa, senin hayatın ve çalışmaların etrafında döner. Eğitim, iş, projeler, alışkanlıklar, ilgi alanları, hedefler ve karar kayıtları burada tutulabilir. Bunu şöyle hayal edebilirsin: Yapay zekanın seni tanımasını istediğin ama kontrollü biçimde paylaşabileceğin bir bilgi alanı.

Tematik kasa ise belirli bir alanı öğrenmek veya organize etmek için kurulur. Yazılım mimarisi, yapay zeka araştırmaları, finans, tıp, felsefe veya dil öğrenimi gibi alanlarda kullanılabilir. Bu tür kasalarda kişiler, kavramlar, dönemler, olaylar, yerler ve kaynaklar birbirine bağlanır.

İki kasa tipi aynı teknolojiyi kullanır ama tasarım mantığı farklıdır. Kişisel kasada odak “ben kimim, ne yapıyorum, neyi takip ediyorum?” sorularıdır. Tematik kasada ise odak “bu alanın ana kavramları ne, aralarındaki ilişkiler nasıl?” sorusudur.

flowchart LR
    A["Obsidian Kasası"] --> B["Kişisel Kasa"]
    A --> C["Proje Kasası"]

    B --> D["Günlük Kayıtlar"]
    B --> E["Karar Notları"]
    B --> F["Öğrenme Hedefleri"]
    B --> G["Fikir Havuzu"]

    C --> H["Teknik Dokümanlar"]
    C --> I["Görevler"]
    C --> J["Toplantı Notları"]
    C --> K["Hata Kayıtları"]
    C --> L["Yol Haritası"]

    D --> M["Yapay Zekaya Kişisel Bağlam"]
    H --> N["Proje Bilgi Haritası"]

Bu diyagram, kişisel ve tematik kasaların aynı altyapıyı kullanmasına rağmen farklı bilgi türlerine odaklandığını gösteriyor. Birinde kişisel bağlam ağır basarken, diğerinde alan bilgisi ve kavram ilişkileri öne çıkar.

Graph View Neden Önemli?

Obsidian’ın Graph View özelliği, notlarının birbirine nasıl bağlandığını görsel olarak gösterir. Normalde klasörlerin içinde tek tek duran dosyalar, Graph View’de birbirine bağlı noktalar gibi görünür. Bu sayede sadece ne yazdığını değil, yazdıklarının birbirleriyle nasıl ilişkilendiğini de görmeye başlarsın.

Mesela bir girişim fikri üzerine çalıştığını düşün. Bir notta hedef kitleni anlatırsın, başka bir notta ürün fikrini geliştirirsin, başka bir yerde rakipleri, gelir modelini, pazarlama kanallarını ve yapılacak işleri tutarsın. Graph View bu parçaları yan yana koymak yerine aralarındaki bağlantıları gösterir. Böylece “bu fikir hangi müşteri problemiyle ilişkili?”, “bu özellik hangi iş hedefine hizmet ediyor?” gibi soruları daha rahat takip edebilirsin.

Graph View içinde renk grupları kullanarak farklı not türlerini ayırmak da mümkündür. Örneğin müşteri problemlerini bir renkle, ürün özelliklerini başka bir renkle, pazarlama fikirlerini ayrı bir renkle gösterebilirsin. Kasa büyüdükçe bu görsel ayrım, bilgi kalabalığı içinde yolunu bulmanı kolaylaştırır.

flowchart TD
    A["Graph View"] --> B["Notlar Arası Bağlantılar"]
    A --> C["Renk Grupları"]
    A --> D["Etiketler"]
    A --> E["Kümelenmeler"]

    B --> F["İlişkileri Görme"]
    C --> G["Kategori Ayrımı"]
    D --> H["Hızlı Filtreleme"]
    E --> I["Yoğun Bilgi Alanlarını Keşfetme"]

    F --> J["Daha İyi Öğrenme"]
    G --> J
    H --> J
    I --> J

Bu diyagram, Graph View’in sadece dekoratif bir özellik olmadığını gösteriyor. Bağlantılar, renkler ve etiketler birlikte kullanıldığında bilgi alanı daha okunabilir ve keşfedilebilir hale gelir.

Güvenlik ve Mahremiyet Tarafı

Bu sistem çok kullanışlı olsa da önemli bir sınırı var: Yapay zekaya verdiğin kasa, yapay zekanın okuyabileceği bir kaynağa dönüşür. Bu yüzden kişisel bilgi yönetimiyle gizli bilgi saklamayı birbirine karıştırmamak gerekir.

Şifreler, özel kimlik bilgileri, finansal erişim verileri, gizli belgeler veya başkalarının mahrem bilgileri böyle bir kasaya konmamalıdır. Bunu şöyle hayal edebilirsin: Obsidian dosyaları senin bilgisayarında duruyor olabilir ama onları Claude Code gibi bir araca açtığında, o araç içerikleri işlemek için okuyacaktır.

Daha sağlıklı yaklaşım şudur: Yapay zekanın bilmesini istediğin bağlamı kasaya koy, bilmemesi gereken şeyleri ise ayrı ve güvenli sistemlerde tut. İkinci beyin, parola kasası değildir; çalışma belleği, öğrenme alanı ve düşünce haritasıdır.

flowchart TD
    A["Bilgi Eklemek İstiyorsun"] --> B{"Yapay Zeka Bunu Okuyabilir mi?"}
    B -->|Evet| C["Obsidian Kasasına Eklenebilir"]
    B -->|Hayır| D["Kasaya Eklenmemeli"]

    C --> E{"Bilgi Kullanışlı Bağlam mı?"}
    E -->|Evet| F["Not Olarak Düzenle"]
    E -->|Hayır| G["Arşivleme Gerekli mi Değerlendir"]

    D --> H["Şifre Yöneticisi veya Güvenli Depolama Kullan"]

Bu karar ağacı, hangi bilgilerin Obsidian kasasına konulabileceğini düşünmek için basit bir kontrol sağlar. Ana ölçüt, yapay zekanın bu bilgiyi okumasında sakınca olup olmadığıdır.

İyi Bir Prompt Nasıl Kurulur?

Bu sistemin ne kadar iyi çalışacağı, yapay zekaya verdiğin talimatın netliğine bağlıdır. Sadece “bana bir Obsidian kasası hazırla” dersen, ortaya genel başlıklar ve çok yüzeysel bir yapı çıkabilir. Daha kullanışlı bir sonuç için kasanın ne amaçla kurulacağını, hangi konuları kapsayacağını, notların nasıl bağlanacağını ve hangi dilde yazılacağını açıkça belirtmek gerekir.

Mesela bir girişim fikri için kasa oluşturuyorsan, yapay zekaya sadece “startup kasası hazırla” demek yerine daha net bir çerçeve vermelisin. Hedef kitle, müşteri problemleri, ürün özellikleri, rakip analizi, pazarlama kanalları, gelir modeli ve yapılacak işler gibi başlıkların ayrı ayrı tutulmasını isteyebilirsin. Böylece yapay zeka sadece not üretmez; iş fikrinin farklı parçalarını birbirine bağlayan bir bilgi sistemi kurar.

Teknik terim olarak buna bilgi mimarisi diyebiliriz. Yani şöyle düşün: Bir binayı yapmadan önce odaların nerede olacağını, hangi kapıların birbirine açılacağını ve insanların içeride nasıl dolaşacağını planlarsın. Obsidian kasasında da aynı mantık geçerlidir; önce bilginin hangi alanlara ayrılacağını ve bu alanların birbirine nasıl bağlanacağını tasarlarsın.

flowchart LR
    A["İyi Prompt"] --> B["Konu"]
    A --> C["Kapsam"]
    A --> D["Kullanım Amacı"]
    A --> E["Dil ve Üslup"]
    A --> F["Klasör Yapısı"]
    A --> G["Bağlantı Kuralları"]

    B --> H["Daha İsabetli Kasa"]
    C --> H
    D --> H
    E --> H
    F --> H
    G --> H

Bu diyagram, iyi bir promptun hangi parçaları içermesi gerektiğini gösteriyor. Yapay zekanın kaliteli bir Obsidian kasası üretmesi için sadece konuyu değil, yapının nasıl çalışacağını da bilmesi gerekir.

Özet

Obsidian, Markdown ve Claude Code birlikte kullanıldığında kişisel veya tematik bir bilgi ağı kurmak oldukça pratik hale gelir. Obsidian dosya tabanlı ve taşınabilir bir not sistemi sağlar; Markdown bu notları sade, okunabilir ve yapay zeka dostu hale getirir; Claude Code ise klasörleri, dosyaları ve bağlantıları senin talimatlarına göre oluşturabilir. Buradaki asıl güç, bilgiyi sadece saklamakta değil, ilişkili ve tekrar kullanılabilir hale getirmektedir. Doğru promptla kurulan bir kasa, hem senin düşünme alanın hem de yapay zekanın başvurabileceği düzenli bir bağlam kaynağı olabilir.

Bu yazı Claude Code + Obsidian ile Kendi İkinci Beynimi Kurdum (Adım Adım) videosundan ilham alınarak yazılmıştır.

Kaynakça:

• https://www.youtube.com/watch?v=dMNZ6-0p3S8&t=74s