Claude Codeで知識を整理する！調べごとや勉強をする際に使えるナレッジ構築の仕組みについて解説してみた
概要
にゃんたが、カーパシーの LLM 知識ベース構想を Claude Codeで実践する手順を解説する。調べたいトピックの記事を集め、AI で要約・構造化し、質問しながら自分専用の wiki を育てる。データ収集・コンパイル・質問・保守の4段階で、Obsidianの Web クリッパーやスキル(/ingest, /query, /lint)を使う。本リポジトリ(yt-recall)自体がこのパターンの実装にあたる。
要点
- カーパシーが X に投稿して注目された「個人の知識ベース構築」を、にゃんたが自分の解釈を交えて Claude Code で再現する
- 全体は4段階: ①データ収集 → ②コンパイル(要約・エンティティ抽出・グラフ化) → ③質問(Q&A を wiki に還元) → ④保守(整合性チェック)
- 収集には Obsidianの Web クリッパーが便利。ネット記事を即ローカルの
rawフォルダに取り込める - カーパシー本人が共有した作り方を Claude Code に渡し、スキルとして定義させて wiki システムを生成する
- 100記事・約40万トークン程度なら RAG を組まずロングコンテキストと検索で足りる(long-context-over-rag)
- 使うほど質問と回答が蓄積し、興味関心に沿ってパーソナライズされる
構造化サマリ
カーパシーの知識ベース構想
カーパシー(OpenAI 共同設立者の一人とされる)が、最近のトークン消費の多くがコード操作でなく「知識の操作」に費やされていると X に投稿し注目された。調べたいトピックごとに自分専用の wiki を作る発想で、データ取り込み・Obsidian・Q&A システムなどの要素から成る。にゃんたはこれを誰でも分かる形に噛み砕く。
4段階のワークフロー
- データ収集: 論文・記事・コードをローカルに集める。Obsidian の Web クリッパーで記事を
rawフォルダへ直接保存する設定が便利 - コンパイル: 生データを AI で要約し、エンティティ(グラフのノード=概念)を抽出してリンクのグラフを作る。
/ingestでrawの記事を取り込み index を生成する - 質問(クエリ):
/query --saveで wiki に質問し、回答を concepts ページとして固定化する。質問するほど知識が蓄積する - 保守(リント):
/lint --fixでリンク切れなど整合性をチェック・修正する。定期実行に向く
Obsidian とグラフビュー
Obsidianは無料の高機能メモ帳アプリで、Vault(保管庫)フォルダを開くとドキュメントを見やすく確認できる。グラフビューはノート間リンクを可視化する。にゃんたは実用性に留保を付けつつ、概念ごとにページ化すると新しい学習で関係性が見えて有用だと述べる。
RAG を組まない理由
文書を参照させる一般手段は RAG だが、ベクトル DB や埋め込みの管理が要る。100記事・約40万トークン程度なら Claude Code のエージェント検索と約100万トークンのコンテキストで十分という(long-context-over-rag)。トークン消費は大きく、上位プラン(Max 20x)や軽量モデル・他エージェントが代替に挙がる。
パーソナライズ
質問の履歴がログとして残るため、「ログを参照して私が興味ありそうなことを調べて」と指示すると興味に沿った情報収集ができる。にゃんたはコーディング以外に YouTube 制作やメール対応にも応用していると述べる(続編が 2JOLh8vtJS0)。
登場エンティティ・コンセプト
- カーパシー — 知識ベース構想の発信源
- Claude Code — wiki を生成・運用する中心ツール
- にゃんた — 解説者
- Obsidian — 収集と閲覧に使うノートアプリ
- llm-wiki-pattern — カーパシー流の LLM 知識ベース設計
- long-context-over-rag — RAG を省くロングコンテキスト運用