Obsidian + LLM без копипаста: открытый MCP-сервер связал заметки с нейросетью за 15 минут

Зачем это нужно и откуда взялось?

Автор проекта хранит в Obsidian рабочие заметки, черновики статей, техническую документацию и планы проектов. При работе в Cursor или ChatGPT вся эта база для модели не существовала: приходилось вручную вспоминать, где лежит файл, копировать фрагмент и вставлять в LLM-клиент. Несколько раз в день.

Вместо очередного плагина внутри Obsidian он написал внешний MCP-сервер. MCP (Model Context Protocol, протокол контекста модели) позволяет LLM-клиенту подключать внешние инструменты по единому стандарту: один сервер, любые клиенты. Сервер работает напрямую с файловой системой, потому что хранилище Obsidian это обычная папка с Markdown-файлами. Сам Obsidian при этом не обязан быть запущен.

Репозиторий проекта открыт: github.com/tenqz/obsidian-agent.

Что понадобится

• Obsidian с локальным хранилищем (vault) на вашем компьютере
• Docker и Docker Compose для запуска сервера в контейнере
• LLM-клиент с поддержкой MCP: Cursor, Claude Desktop, ChatGPT с MCP-плагином или любой совместимый
• Python 3 (если хотите запускать без Docker)
• Примерное время на настройку: 15 минут при установленном Docker, до 30 минут с нуля

Шесть инструментов, которые получает модель

Сервер предоставляет LLM-клиенту ровно шесть команд:

• vault_ls показать содержимое папки
• vault_read прочитать конкретный Markdown-файл
• vault_write создать или перезаписать заметку
• vault_glob найти файлы по шаблону имени (glob-паттерн, маска вроде *.md или projects/**/*.md)
• vault_tree получить дерево всего хранилища
• vault_search полнотекстовый поиск по всем Markdown-файлам

Набор сознательно минимальный. Как поясняет автор, если дать модели двадцать похожих методов, она начинает выбирать непредсказуемо. Шесть понятных операций дают стабильное поведение.

Пошаговая инструкция

1. Клонируйте репозиторий проекта:

git clone https://github.com/tenqz/obsidian-agent.git
cd obsidian-agent

1. Укажите путь к вашему vault в файле docker-compose.yml. Замените путь к папке на свой:

volumes:
  - /путь/к/вашему/obsidian-vault:/vault:ro

Флаг :ro означает «только чтение». Если хотите, чтобы модель могла создавать и редактировать заметки, уберите :ro.

1. Выберите режим подключения. Их два:
2. stdio для локальных клиентов (Cursor, Claude Desktop). Клиент сам запускает контейнер и общается через стандартный ввод-вывод. Отдельный порт открывать не нужно.

3. SSE (Server-Sent Events, потоковые события от сервера) для сетевого доступа. Подходит для ChatGPT MCP или удалённого подключения. Сервер слушает на указанном порту.

4. Запустите контейнер:

docker compose up -d

1. Подключите MCP-сервер в вашем LLM-клиенте. В настройках клиента добавьте новый MCP-инструмент и укажите параметры подключения (адрес и порт для SSE или команду запуска для stdio). Конкретные поля зависят от клиента.

2. Проверьте связь: задайте модели вопрос, который требует содержимого ваших заметок, например: «Покажи структуру моего vault» или «Найди всё, что я писал про архитектуру проекта X».

Посмотри мои заметки в папке projects, найди всё, что я писал про архитектуру бэкенда, и собери короткое резюме на один экран.

Что с этого прямо сейчас, по ролям?

Автору Дзена. Если вы ведёте базу идей, заготовок и черновиков в Obsidian, теперь можно просить нейросеть найти релевантные наброски, собрать план из разрозненных заметок и даже создать черновик, не выходя из LLM-клиента. Связка Obsidian и LLM (obsidian llm) через MCP превращает папку с файлами в личного ассистента с памятью.

Маркетологу. Контент-планы, брифы, результаты исследований, всё это можно хранить в одном vault и дёргать контекст прямо во время работы с нейросетью. Больше не нужно держать десять вкладок, чтобы собрать фактуру.

Предпринимателю в РФ и СНГ. Проект открытый, работает локально, данные не покидают ваш компьютер. Это важно, если в заметках коммерческая информация. Из доступных в РФ LLM-клиентов с поддержкой MCP пока удобнее всего Cursor. Для моделей без MCP-поддержки придётся ждать обновлений или использовать промежуточные обёртки.

Проект решает конкретную боль: ваша личная база знаний наконец становится видимой для нейросети, а не лежит мёртвым грузом в соседнем окне. Если вы давно хотели, чтобы ИИ работал с вашим контекстом, а не с абстрактным «средним интернетом», пятнадцать минут на настройку Docker-контейнера того стоят.

По материалам Habr AI