Claude + Obsidian "AI employee" — memoire persistante par vault Markdown¶
Resume¶
Article detaille de @sourfraser (1.6M vues, 13K bookmarks) decrivant un systeme complet pour transformer Claude en "employe IA" avec memoire persistante :
Architecture en 5 pieces : 1. Obsidian (gratuit) : vault Markdown structure — Memory file (onboarding doc), Client Roster, Action Tracker, Library de frameworks, Templates 2. Transcription calls → Google Drive : Fathom + Zapier, chaque call devient un fichier texte 3. Obsidian MCP : bridge open-source (Node) donnant a Claude un acces lecture/ecriture au vault 4. Claude Cowork + MCP connectors : Slack, Google Calendar, Gmail, Google Drive connectes 5. Custom instructions : "Before answering, always search the Obsidian vault for relevant notes"
Boucle de memoire automatique : chaque call transcrite est traitee par Claude qui extrait decisions, actions, contexte client, et ecrit dans les fichiers correspondants du vault. Le vault grandit chaque jour.
Claim : "Week 8, it's catching things you missed. Reminding you of commitments from calls you've forgotten."
Analyse critique¶
C'est le meilleur article grand public sur la memoire persistante LLM. Le pattern call → transcript → extraction → vault → context est bien documente, avec des exemples concrets (decision de shipping client retrouvee 2 jours apres dans le vault).
Forces : - Zero code — accessible a des non-devs - Composants gratuits ou peu chers (Obsidian, MCP open-source) - L'effet compose est reel : plus le vault grandit, plus Claude a de contexte pertinent - Conseil pratique solide : vault dans Google Drive pour sync multi-machines
Faiblesses : - Ne scale pas : le vault grandit lineairement. Semaine 8, combien de tokens ? Semaine 52 ? Le contexte Claude a une limite. Sans mecanisme de selection/eviction, le vault devient trop gros pour etre lu en entier - Pas de ranking : toutes les notes ont la meme importance. Pas de reuse score, pas de promotion, pas d'archivage automatique des notes obsoletes - Search naif : "search the Obsidian vault" repose sur la recherche textuelle ou la lecture exhaustive — pas d'embeddings, pas de recherche semantique - Pas de separation des roles : Claude lit, ecrit, et decide quoi retenir — pas de guardrail sur la qualite de ce qui est ecrit dans le vault
Comparaison avec ProbatioVault :
| @sourfraser (Obsidian) | ProbatioVault |
|---|---|
| Vault Markdown plat | FAISS + embeddings (recherche semantique) |
| Tout stocker | Selection par reuse_score + promotion/eviction |
| Lecture exhaustive du vault | k-NN top 5 pertinents injectes |
| Pas de lifecycle | Promotion story → domain → global, eviction 8 semaines |
| Zero code | Scripts Python (indexation, scoring, lifecycle) |
| Accessible a tous | Necessite infra (Ollama, FAISS, scripts) |
Pertinence ProbatioVault¶
Pas d'impact technique direct — le systeme ProbatioVault est plus avance sur tous les axes (recherche semantique, scoring, lifecycle, guardrails).
Valeur indirecte : - Valide l'approche "memoire persistante structuree" comme besoin reel (13K bookmarks = forte demande) - Le pattern "call transcript → extraction → knowledge base" est reutilisable pour de la discovery PO si ProbatioVault passe en mode multi-utilisateurs - L'article est un bon point de comparaison pour un thread X sur les learnings vivants (thread #10 potentiel) : "Voici ce que tout le monde fait. Voici pourquoi ca ne scale pas. Voici ce que j'ai fait a la place."