Семантический поиск в Obsidian: как находить заметки по смыслу, а не по словам

В этом материале я покажу, как настроить в Obsidian семантический поиск (поиск по смыслу, а не по точному совпадению слов) с помощью плагина Vault Audit AI, чтобы хранилище само подсказывало связанные заметки и отвечало на вопросы по вашим записям.

Плагин Vault Audit AI появился как набор команд для аудита хранилища через языковые модели, но вырос в полноценную систему: семантический индекс, поиск похожих заметок, обнаружение смысловых дубликатов и ответы на вопросы по содержимому ваших записей через RAG (retrieval-augmented generation, когда модель отвечает не из своей памяти, а по найденным фрагментам ваших заметок). Автор плагина, разработчик под ником zinverno, опубликовал проект на GitHub и в официальном каталоге Obsidian. Актуальная версия на момент публикации: 1.7.0.

Что понадобится?

• Obsidian любой актуальной версии с доступом к Community Plugins
• Плагин Vault Audit AI (ищется в каталоге Obsidian Community Plugins по названию «Vault Audit AI» или устанавливается вручную с GitHub)
• Доступ к LLM (языковой модели): облачная (OpenAI, Anthropic, другие совместимые API) или локальная через Ollama
• Embedding-модель: для семантического индекса нужна модель, которая превращает текст в числовой вектор. Работает как через облачные API, так и локально через Ollama
• Время: первичная индексация хранилища из 300 заметок занимает от нескольких минут до получаса в зависимости от модели и мощности компьютера

Как устроен семантический поиск внутри Obsidian?

Обычный поиск ищет точные слова. Семантический поиск работает иначе: каждый фрагмент заметки превращается в числовой вектор (набор чисел, описывающий смысл текста), и при запросе система сравнивает не буквы, а смысловую близость.

Vault Audit AI делает это в четыре этапа:

1. Разбивка заметок на фрагменты. Плагин не превращает заметку целиком в один вектор, иначе смыслы внутри длинного документа «размазываются». Вместо этого встроенный MarkdownChunker делит текст по заголовкам и абзацам, сохраняя логическую структуру
2. Создание эмбеддингов. Каждый фрагмент проходит через embedding-модель (эмбеддинг, числовое представление смысла текста) и превращается в вектор. Два фрагмента с похожим смыслом, но разными словами окажутся рядом в векторном пространстве
3. Хранение в локальном индексе. Все векторы остаются внутри Obsidian, в файле LocalVectorStore. Никакой отдельной базы данных или облачного хранилища не требуется
4. Поиск по запросу. Когда вы вводите вопрос, плагин превращает его в такой же вектор и находит ближайшие фрагменты заметок по косинусному сходству (математическая мера «похожести» двух векторов, чем ближе к единице, тем ближе смысл)

Пошаговая настройка от установки до первого запроса

1. Откройте Obsidian, перейдите в «Настройки» → «Плагины сообщества» → «Обзор» и найдите «Vault Audit AI». Нажмите «Установить», затем «Включить»
2. В настройках плагина укажите провайдера LLM. Если работаете с OpenAI, введите API-ключ. Если предпочитаете локальную модель, установите Ollama на свой компьютер, скачайте нужную модель и укажите адрес в настройках плагина (по умолчанию http://localhost:11434)
3. Выберите embedding-модель. Для русскоязычных заметок подойдут мультиязычные модели. Через Ollama можно использовать локальные embedding-модели, через API облачные
4. Запустите первичную индексацию хранилища. Плагин пройдёт по всем Markdown-файлам, разобьёт их на фрагменты и создаст эмбеддинги. Индекс сохранится локально
5. После индексации откройте команду семантического поиска (через палитру команд Obsidian) и введите запрос естественным языком:

как снизить количество выдуманных ответов модели

1. Плагин покажет список заметок, отсортированных по смысловой близости, даже если в них нет ни одного слова из вашего запроса
2. Для автоматической синхронизации включите опцию автоматического обновления индекса: при сохранении или создании заметки эмбеддинги пересчитываются без ручного запуска

как заставить модель меньше придумывать

Что ещё умеет плагин кроме поиска?

Vault Audit AI не ограничивается семантическим поиском. Из одного интерфейса доступны:

• Аудит хранилища через LLM. Плагин анализирует структуру Vault по схеме, похожей на MapReduce: разбивает заметки на группы, анализирует каждую, собирает результаты в единый отчёт. Находит orphan notes (заметки без единой ссылки), разросшиеся папки, заметки, которые просятся в общий MOC
• Поиск смысловых дубликатов. Отдельная от «Similar Notes» функция: ищет пары заметок, которые описывают одно и то же разными словами
• Ask your Vault. Режим RAG: вы задаёте вопрос, плагин находит релевантные фрагменты заметок и передаёт их языковой модели как контекст. Модель отвечает на основе ваших записей, а не из собственной «памяти»
• Пакетная обработка, flashcards, AI-преобразования. Генерация карточек для повторения, обработка выделенного текста, продолжение заметки через LLM
• Работа с облачными и локальными моделями. Одинаково поддерживает OpenAI API и Ollama, переключение в настройках

На данный момент проект покрыт 698 тестами, что для Obsidian-плагина необычно много и говорит о зрелости кодовой базы.

Что делать с этим прямо сейчас, по ролям?

Автору Дзена. Если вы ведёте канал и собираете идеи, черновики, исследования в Obsidian, семантический поиск решает конкретную боль: вы точно знаете, что «уже об этом писали», но не можете найти ту заметку. Поставьте плагин, проиндексируйте хранилище и перед написанием нового поста проверяйте через «Ask your Vault», что у вас уже есть по теме. Это не просто удобство, это защита от повторов и способ связывать старые идеи с новыми.

Маркетологу. Хранилище с результатами тестов, брифами, заметками по конкурентам разрастается быстро. Функция поиска дубликатов покажет, какие документы описывают одно и то же, а аудит хранилища сэкономит часы на ручную ревизию.

Предпринимателю в РФ и СНГ. Плагин работает полностью локально при связке с Ollama: данные не уходят на внешние серверы. Для тех, кому важна конфиденциальность или кто не готов платить за API, это принципиальный момент. Obsidian доступен бесплатно, Ollama тоже, единственное ограничение: нужен компьютер, способный запустить локальную модель.

Семантический поиск в Obsidian перестал быть экспериментом энтузиастов. Vault Audit AI собрал аудит, поиск по смыслу, обнаружение дубликатов и вопросы к хранилищу в одном плагине, который ставится за минуту и хранит всё локально. Если ваше хранилище перевалило за сотню заметок и вы ловите себя на том, что проще написать заново, чем найти старую запись, попробуйте проиндексировать Vault сегодня: разница между «искать по словам» и «искать по смыслу» становится очевидной с первого запроса.