Yapay zekâ asistanlarının ve otonom yazılım modellerinin iş akışlarımıza dahil olduğu bu dönemde, sistemlerin gerçek katma değeri modellerin kendisinden ziyade onlara beslediğimiz kişisel ve kurumsal bağlamda (context) gizlidir. Kişisel notlarımızı sadece saklanan statik yazılar olmaktan çıkarıp otonom ajanların kararlar alırken kullanabileceği dinamik bir hafıza layer'ına dönüştürmek, yapay zekâ entegrasyonlarının en kritik basamağıdır. Bu yazıda, Obsidian altyapısını kullanarak yapay zekâ modelleri için kararlı bir "ikinci beyin" (Second Brain) sistemini nasıl kurguladığımı ve bu yapının teknik bileşenlerini paylaşıyorum.
Vektörel Arama ve İkinci Beyin Kavramı
Geleneksel not tutma sistemleri, klasör yapıları ve etiketlere dayanır. İnsan beyni bu yapıyı yönetmekte zorlanmasa da, yapay zekâ tarayıcıları ve LLM'ler için binlerce dağınık not dosyasını tek tek okumak bağlam penceresini (context window) şişirir ve maliyetleri katlar. Çözüm, notlarımızı vektörel veri tabanlarında semantik olarak indekslemek ve ajanların sadece ilgili göreve yönelik bilgileri cımbızla çekmesini sağlamaktır. Bu sistemde, tekrarlanabilir işler için kodlanmış anasayfa üzerindeki yetenek nesnelerini (skill artifacts) kullanıyoruz. Bir not neyin doğru olduğunu öğretirken, bir yetenek ajana o an ne yapması gerektiğini dikte eder. Geoffrey Litt'in "butler's book" (kahya defteri) olarak tanımladığı bu model, kişisel verileri izole araçların bulut sunucularına teslim etmek yerine lokal ve denetlenebilir bir markdown deposu üzerinde kurgulamamızı sağlar.
Karpathy'nin LLM Wiki Reçetesi ve Mimarisi
Andrej Karpathy'nin son dönemde popülerleştirdiği "LLM Wiki" reçetesi, temiz ve otonom bir ikinci beyin için mükemmel bir yapı sunar. Bu mimaride sistem üç temel klasör ayrımına dayanır: (1) raw/ klasörü; makaleler, toplantı dökümleri ve PDF'ler gibi değiştirilemez ham veri kaynaklarını tutar. (2) wiki/ klasörü; ajanlar tarafından işlenmiş, kavramsal olarak özetlenmiş ve birbiriyle ilişkilendirilmiş markdown notlarını barındırır. (3) CLAUDE.md veya AGENTS.md; ajanın bu klasörlerde nasıl arama yapacağını, hangi kurallara uyacağını belirten operasyonel sistem sözleşmesidir. Ajan, ham klasöre yeni bir kaynak eklendiğinde bunu otomatik olarak algılar, kavramsal çıkarımları yapar ve wiki layer'ındaki ilgili notlarla bağ kurar. Bu sayede, ikinci beyin bir ödev olmaktan çıkıp arka planda kendi kendini güncelleyen yaşayan bir bilgi ağına dönüşür. Bu otonom güncelleme mantığını kurarken en kritik nokta, veri kirliliğini engellemek için kurduğumuz doğrulama kapılarıdır.
Silo Yapısı ve Ajanların Bilgiye Hızlı Erişimi
Matt Diggity'nin arama motorları için önerdiği silo link inşası stratejisi, aslında otonom yapay zekâ tarayıcıları için de birebir geçerlidir. Ajanların veya Googlebot'un sitenizde kaybolmaması için, oluşturulan her sayfa doğrudan kendi ana kategorisine ve o kategorideki diğer benzer yazılara iç linklerle bağlanmalıdır. Örneğin, ikinci beyin sisteminde bağlam yönetimi üzerine yazdığım bu makaleden, LLM bellek yönetiminin detaylarını incelediğim Context Mühendisliği rehberine doğal köprüler kuruyorum. Bu iç linkleme yapısı, botların ve yapay zekâ modellerinin konu derinliğini (topical authority) çok daha rahat anlamlandırmasını sağlar. Bilgiyi tekil dosyalar yerine birbiriyle haberleşen düğümler halinde sunarak hem GEO (Generative Engine Optimization) görünürlüğümüzü maksimize ediyor hem de ajanların bağlam pencerelerini en verimli şekilde kullanmalarına zemin hazırlıyoruz.