Yapay Zeka Destekli Dijital Not Sistemi Kurulum Rehberi
Andrej Karpathy'nin LLM Wiki Sistem Mimarisini Kullanarak Kendi Not Sistemini Kurmak İsteyenler İçin Bir Rehber
“Hedeflerinize yükselmezsiniz, sistemlerinize düşersiniz.” - James Clear
2008’den bu yana Evernote kullanıyorum. Dijital bilgi/belge yönetim sistemim en büyük yatırımım. İzlediğim, okuduğum, deneyimlediğim her şeyi olabildiğince kayıt altında tutmaya çalışıyorum. Zaman içinde Apple Notes, Notion, Obsidian, Upnote ve Google Drive gibi birçok platformu denedim. Bu araçların hepsinin birbirine göre artıları ve eksileri var.
LLM modellerinin gelişmesiyle birlikte not sistemimi bir sonraki aşamaya getirmek için yeni yöntemler ararken Yapay Zeka endüstrisinin harika çocuklarından Andrej Karpathy’nin 3 hafta önce Github’da yayınladığı bir makale dikkatimi çekti. Obsidian ile LLM’i birleştirerek sürekli güncellenen bir Wiki modeliyle yeni bir bilgi mimarisi oluşturmuş. Klasik RAG yaklaşımlarından farklı olarak notlar birer wiki sayfasına dönüştürülüyor, indeksleniyor ve bağlama göre birbiriyle iletişim kuruyor. ChatGPT ya da Notebook LM gibi sistemlere doküman yükleyip soru sorduğunuzda sorduğunuz her soruda LLM, dokümanın tamamını yeniden okuyor. Bağlam penceresi sınırlı olduğu için bir süre sonra tutarsızlık başlıyor ve token maliyetleri artıyor.
Bu yazıda önce dijital not sistemleriyle ilgili yıllardır edindiğim deneyimlerin sonunda neyin önemli olduğuna kısaca değineceğim. Sonrasındaysa Karpathy’nin 3 hafta önce Github’da yayınladığı LLM Wiki modelinin adım adım kurulumunu anlatacağım. Bu tür yazılar ilginizi çekerse bültene abone olun ve bana bir mesaj atın.
Dijital not sistemleri 3 temel katmandan oluşur:
Bilgi Toplama: Farklı platformlardan ilginizi çeken bilgileri yakalamak. Bunun için hafif (hızlı çalışan), çoklu platform desteği olan (Android, iOS, MacOS, Windows v.b..), bulutta senkron çalışan ve uzun yıllar bilgi yükünüzü taşıyabilecek bir not sistemine sahip olmak önemli.
Bilgi İşleme: Yakaladığınız bilgileri “progressive summarization” gibi yaklaşımlarla notları katmanlara ayırarak eleyip notların içindeki cevheri çıkartmak. Bu kısmı çoğu insan atlıyor. Bilgi, eğer siz onu işleyemiyorsanız sizin değildir. Örneğin; bir kitaptan sevdiğiniz bir alıntıyı notlarınıza eklediğinizde bunu katmanlarına ayırıp altını çizip sizin için ne anlam ifade ettiğini ve neden önemli olduğunu bu nota eklemelisiniz. Aksi halde o not bir daha erişemeyeceğiniz, sisteminizi şişiren bir çöp olacak. Not sistemlerinde en çok mesaiyi burada yapıyorum. Burası düşünme ve bağlantı kurma alanı. Zihni de geliştiren düşüncelerinizle hemhal olduğunuz harika bir süreç.
Bilgi Endeksleme: P.A.R.A v.b. gibi metodlara bilgiyi klasörlere dağıtıp etiketleyerek ihtiyaç halinde notların erişilebilir hale gelmesini sağlamak. Yıllar içinde yüzlerce etiket koymak yerine notları temalara ve projelere göre ayırmaya başladım. Daha verimli oldu. Ancak LLM burayı çok iyi çözüyor.
Buraya kadar klasik not sistemim çalışıyor. Bu adımın sonrasına Karpathy’nin LLM wiki’si geliyor. Bu adımdan sonra artık benim olan yani işlenmiş notlarım için yeni bir macera başlıyor.
Notlarımın Merkezi Evernote’tan bir ekran görüntüsü. Tüm notlar işlenmek üzere önce Inbox klasöründe toplanıyor işlendikçe P.A.R.A klasör yapısına göre alt klasörlere dağılıyor.
Karpathy ‘nin LLM Wiki Modeli
Karpathy şunu gözlemledi:
“Son zamanlarda çok faydalı bulduğum bir şey: LLM’leri, araştırdığım konular için kişisel bilgi tabanları oluşturmak amacıyla kullanmak.”
Ama asıl vurucu olan açıklamayı şöyle özetleyebilirim:
Geleneksel yaklaşım: Sen notlar alırsın → AI’ya sorarsın → AI ham belgelerden cevap üretir → Oturum kapanınca bilgi unutulur.
Karpathy’nin yaklaşımı: AI notları alır → AI bilgiyi sentezler → AI wiki’yi inşa eder ve bakımını yapar → Sen yönlendir, analiz eder, düşünürsün.
Bu sistem üç katmanlı basit bir mimariye sahip.
LLM Wiki Nedir? Üç Katmanlı Mimari
Karpathy’nin tarif ettiği mimari şu üç katmandan oluşuyor:
Katman 1: Ham Kaynaklar (Raw Sources)
Makaleler, videolar, podcastler, PDF’ler — ne okur, ne izler, ne dinlerseniz. Bu katman değişmez. AI buraya dokunmaz, burası sizin editörlük alanınız. Buraya ham notlarınızı atıyorsunuz. Benim senaryomda ben buraya işlenmiş notlarımı yerleştiriyorum.
Katman 2: Wiki
AI’nın tamamen sahip olduğu, inşa ettiği ve bakımını yaptığı katman. Yapılandırılmış markdown dosyaları. Biri kişiler için (entities), biri kavramlar için (concepts), biri kaynak özetleri için (sources). Her sayfa birbirine wikilink’lerle bağlı.
Katman 3: Schema (CLAUDE.md)
AI’ya wiki’yi nasıl yönetmesi gerektiğini anlatan kural dosyası. Yeni kaynak geldiğinde ne yapacak? Hangi soruyu sorduğunda nereye bakacak? Çelişki bulduğunda ne yapacak? Her şey burada tanımlı.
Karpathy Markdown dosyalarıyla doğal olarak çalışabildiği için Obsidian adlı bir not tutma uygulamasını kullanıyor. Bu benim ana not tutma uygulamam değil ancak notları LLM ile işlemek için kullandığım alan burası.
Karpathy’nin güzel deyimiyle:
“Obsidian IDE’dir. LLM programcıdır. Wiki ise kod tabanıdır.”
Bana göre de “Obsidian Ofis, LLM çalışan, Wiki de kurumsal hafızadır. :)
Bu Yaklaşım Neden Önemli
Çoğumuz şu döngüde yaşıyoruz:
Harika bir makale okuyoruz → kaydediyoruz
Bir podcast dinliyoruz → not alıyoruz
Bir konferans izliyoruz → özetliyoruz
3 ay sonra: “Bu notu neden almışım ki?”
Bu döngünün adı bilgi çürümesi. Bilgi, bağlam olmadan çürür. Bağlamı korumak ise notlar arttıkça zorlaşıyor.
LLM Wiki bu sorunu farklı bir yerden çözüyor: Bakım yükünü insandan alıyor.
Siz okuyorsunuz, izliyorsunuz, deneyim yaşıyorsunuz. AI ise bunları birbirine bağlıyor, güncel tutuyor, çelişkileri işaretliyor, eksik bağlantıları kuruyor. Sistem zamanla büyüyor — sizin müdahaleniz olmadan.
Bu Tiago Forte’un P.A.R.A sistemiyle kurduğumuz bilgi mimarisinin bir sonraki evrimi. P.A.R.A size nereye koyacağınızı söyler. LLM Wiki size nasıl büyüyeceğini söyler.
Bunu Claude Code ile Nasıl Kurdum?
Gelin adım adım kuralım
Gereksinimler
Claude Code (Pro Plan — $20/ay, veya API’ye kredi yükleyerek kullandıkça öde metoduyla çalışabilirsiniz. Ben öyle yapıyorum ama yeni başlayanlar için aylık plan daha güvenli.)
Obsidian (ücretsiz, markdown tabanlı)
Güzel bir kahve demleyin 1 saat ayırın sürecin keyfini çıkarın.
Adım 1: Klasör Yapısını Kurun
Bilgisayarınızda bir ana klasör oluşturun. Ben bunu LLM Wiki adıyla kurdum. İçine şu alt klasörleri ekleyin:
LLM Wiki/
├── CLAUDE.md ← AI'nın anayasası (Adım 2'de yazacaksınız)
├── 01_Raw/ ← Ham kaynaklar (siz eklersiniz, AI dokunmaz)
│ └── assets/ ← Görsel ve ekler
├── 02_Wiki/ ← AI'nın sahip olduğu katman
│ ├── index.md ← İçerik kataloğu
│ ├── log.md ← Her işlemin kaydı
│ ├── overview.md ← Genel sentez
│ ├── entities/ ← Kişiler, şirketler, ürünler
│ ├── concepts/ ← Kavramlar, modeller, fikirler
│ ├── sources/ ← Her kaynak için bir özet sayfa
│ └── analysis/ ← Sorulardan doğan analizler
└── 03_Templates/ ← AI'nın şablonları (siz yazarsınız, AI okur)
Bu yapıyı terminalde şu komutla oluşturabilirsiniz:
mkdir -p "LLM Wiki"/{01_Raw/assets,02_Wiki/{entities,concepts,sources,analysis},03_Templates}
touch "LLM Wiki/02_Wiki"/{index.md,log.md,overview.md}
Adım 2: CLAUDE.md’yi Yazın — AI’ın Anayasası
Bu adım en kritik adım. CLAUDE.md, Claude’a wiki’yi nasıl yöneteceğini söyleyen kural dosyası. Claude Code bu klasörde çalışırken onu otomatik okuyacak.
Dosyaya şunları yazın:
# LLM Wiki — Agent Schema
Bu dosyayı her oturumda oku. Her işlem bu kurallara göre yapılır.
## Kimliğin
Sen bu wiki'nin bakıcısısın. Amacın: her yeni kaynak geldiğinde
bilgiyi sentezlemek, bağlantı kurmak ve wiki'yi büyütmek.
## 01_Raw — Okursun, asla yazmazsın
## 02_Wiki — Tamamen senin alanın
## Temel İşlemler
### INGEST (Kaynak Yutma)
Kullanıcı "ingest" dediğinde:
1. 01_Raw'daki kaynak dosyayı oku
2. 3-5 temel çıkarım tartış
3. sources/ altında özet sayfa yaz
4. İlgili entity ve concept sayfalarını güncelle/yarat
5. overview.md ve index.md'yi güncelle
6. log.md'ye giriş ekle
### QUERY (Sorgulama)
Kullanıcı soru sorduğunda:
1. index.md'yi tara, ilgili sayfaları bul
2. Sayfaları oku, kaynaklara atıfla cevap ver
3. "Bu cevabı wiki'ye kaydedeyim mi?" diye sor
### LINT (Sağlık Kontrolü)
Kullanıcı "lint" dediğinde:
- Çelişkileri bul
- Sahipsiz sayfaları (orphan) listele
- Eksik çapraz referansları göster
- Stub sayfaları tespit et
Bu sadece başlangıç şablonu. Zamanla kendi kurallarınızı ekleyeceksiniz.
Adım 3: İlk Kaynağı 01_Raw’a Ekleyin
Bir makaleyi, YouTube videosunun transkriptini, bir podcast özetini — herhangi bir şeyi markdown dosyası olarak 01_Raw/ klasörüne koyun.
Kaynak dosyanızı hazırlamanın birkaç yolu var:
A — Kendiniz yazın: Okuduğunuz şeyin notlarını markdown formatında kaydedin.
B — Claude Code ile çekin: Bir URL’yi direkt Claude Code’a verin:
Bu makaleyi çek ve 01_Raw/ klasörüne markdown olarak kaydet:
[URL]
C — YouTube videoları için: Video linkini Claude Code’a verin, transkripti çekip kaydetsin.
Ben Obsidian’ın ücretsiz Chrome eklentisini indirdim. İnternette beğendiğim makaleleri veya youtube videolarının scriptlerini tek tuşla Raw klaösrüme atabiliyorum.
Bunun için eklenti ayarlarından dosyaların kaydedileceği Raw klasörünü seçmeniz yeterli.
Adım 4: Claude Code’u Başlatın
Bilgisayarınızda Terminali açın ve LLM Wiki klasörünüze gidin:
cd ~/Documents/"LLM Wiki"
claude
Claude Code açılacak ve CLAUDE.md’yi okuyacak. Artık sisteminiz hazır.
Adım 5: İlk Ingest’i Çalıştırın
Claude Code’a şunu yazın:
ingest
Claude şimdi sistematik olarak şunları yapacak:
01_Raw/klasöründeki kaynakları okuyacakSizinle 3-5 temel çıkarımı tartışacak (”Bu kaynaktan en önemli gördüğünüz şey nedir?”)
02_Wiki/sources/altında tarihli bir özet sayfa yazacakAdı geçen her kişi için
entities/altında sayfa yaratacakHer önemli kavram için
concepts/altında sayfa yaratacakindex.mdveoverview.md‘yi güncelleyeceklog.md‘ye giriş ekleyecek
Bir kaynak için bu işlem yaklaşık birkaç dakika sürebilir. Ama siz bu süre boyunca kahvenizi içiyorsunuz.
Adım 6: Lint ile Sağlık Kontrolü
Birkaç kaynak ekledikten sonra:
lint
Claude wiki’nizi tarayacak ve şunları raporlayacak:
Dangling links: Var olmayan sayfaya bağlantı kuran linkler
Orphan pages: Hiçbir yerden bağlanmayan sayfalar
Stub pages: Yeterli içerik olmayan sayfalar
Missing cross-refs: Olması gereken ama yapılmamış bağlantılar
Contradictions: Çelişen iddialar
Sonra hangilerini şimdi düzeltmesini istediğinizi sorucak.
Adım 7: Wiki’yi Sorgulayın
Artık bilgi tabanınız var. Ona notlarınızla ilgili sorular sorabilirsiniz. Aşağıda kendi senaryoma göre birkaç soru örneği verdim.
Skills ile agent.md arasındaki fark nedir? Örneklerle açıkla.
Prompt caching ve batch API'yi karşılaştır. Benim kullanım
durumuma hangisi uygun?
Bu konuları anlatan kaynaklardan ortak bir çerçeve çıkarabilir misin?
Claude index’i tarayacak, ilgili sayfaları okuyacak, kaynaklara atıfla cevap verecek. Sonrasında size şunu soracak: “Bu cevabı wiki’ye kaydedeyim mi?”
Evet deyin. Çünkü bu analizler de zamanla wiki’nin parçası oluyor.
Gerçek Hayatta Nasıl Görünüyor?
Benim sistemimde şu an 70 sayfa var.
34 kaynak sayfası: Karpathy’nin Git’inden Anthropic’in resmi dokümantasyonuna, YouTube videolarından araştırma makalelerine kadar geniş bir seçki.
15 entity sayfası: Anthropic, Claude Code, Clawdbot, Jeff Su, Ras Mic, Barry Zhang, Mahesh Murag gibi takip ettiğim isimler ve konular var.
18 konsept sayfası: Skills, context window, prompt caching, progressive disclosure, MCP, subagents, hooks, persona-based architecture vb…
En güzeli de bunların hepsi birbiriyle bağlantılı. [[skills]] sayfasına tıkladığınızda o kavramı işleyen 4 farklı kaynağa gidiyorsunuz. [[anthropic]] sayfasını açtığınızda bu şirketi hangi bağlamlarda ele aldığınızı görüyorsunuz.
Bu bir not defteri değil. Bu bir bilgi haritası.
Obsidian ile Görselleştirme
Obsidian’ı açın, LLM Wiki klasörünüzü vault olarak ekleyin. “Graph view”ı açın.
İşte o zaman notlar arasındaki bağlantıyıs görsel olarak da görebileceksiniz.
Sayfalar arasındaki bağlantılar görsel bir ağa dönüşüyor. Hangi kavramların merkezde olduğu, hangilerinin kenarda kaldığı, hangi kaynakların birden fazla kavramı beslediği — hepsi görünür oluyor.
Bu grafik aynı zamanda size neyin eksik olduğunu da gösteriyor. Kenarda kalan bir kavram sayfası mı var? O konuyu daha fazla araştırmanız gerekiyor. Bir kaynak sayfasına hiçbir kavram bağlanmamış mı? O kaynak yeterince işlenmemiş mi görebiliyorsunuz.
Bu Sistemi Kimlere Öneriyorum
İçerik üreticileri: Haftalarca araştırıp yazdığınız içerikler, bir sonraki içeriğinizin ham maddesi olsun. Wiki büyüdükçe fikir akışınız kolaylaşır. Benim genel kullanım önceliğim bu.
Girişimciler: Sektörünüzle ilgili her şeyi — trendler, rakipler, metodolojiler — tek bir yerde, birbirine bağlı tutun. Ekip üyelerinizle paylaşın.
Araştırmacılar: Onlarca makale okuyorsunuz ama bunları sentezlemekte zorlanıyorsunuz. LLM Wiki sizin için sentezi yapıyor.
Öğrenciler: Ders notlarından kaynaklara, her şeyi AI ile organize edin. Sınav zamanı “ingest ettiğim her şeyi özetle” demeniz yeterli.
Bu Sistemi Bilgisayar Kullanabilen Herkes Kurabilir
Teknik bilgi gerekmiyor. Claude Code’u terminal üzerinden kullanabiliyorsanız yeterli.
Düzeni mükemmel tutma baskısı yok. AI lint (doküman kontrolü) yapıyor. AI çapraz referansları kuruyor.
Sistemi tasarlamanız gerekmiyor. CLAUDE.md şablonunu bu yazıdan kopyalayın, zamanla ihtiyacınıza göre özelleştirin.
Bu Modelin En Büyük Vaadi
Karpathy’nin bu fikri köklü bir felsefi dönüşümü temsil ediyor.
Yapay zekayla çalışmanın iki modeli var:
Model 1 — Asistan modu: Bir soru sorarsınız, AI cevap verir, oturum kapanır, her şey sıfırlanır. ChatGPT’yi açık uçlu sorular için bu şekilde kullanıyorsunuz.
Model 2 — Ajan modu: AI bilgiyi biriktirir, sentezler, bakımını yapar. Her yeni kaynak eski bilgiyi güçlendirir. Sistem zamanla daha akıllı hale gelir.
LLM Wiki ikinci modun somut bir uygulaması. Ve farkı zamanla katlanarak hissediyorsunuz.
İlk hafta: 10 kaynak, 50 sayfa. Güzel başlangıç.
İkinci ay: 50 kaynak, 200 sayfa. Artık “bu konuyu araştırayım” yerine “wiki’me sor” diyorsunuz.
Altıncı ay: Yıllar önce okuduğunuz bir makaleyle bugün izlediğiniz bir video arasında bağlantı kuruluyor. İşte o an — o sistemi kurmanın karşılığını aldığınız an.
Başlamak İçin Tek Şey
Şu an yapabileceğiniz en küçük adım şu:
01_Raw/ klasörünü oluşturun. İçine son okuduğunuz şeyin notlarını koyun.
Sistem buradan büyüyecek.
Karpathy’nin fark ettiği şeyi ben de fark ettim: Bilgiyi biriktirmenin maliyeti düşüyor. Ama biriktirilen bilgiden anlam çıkarmanın maliyeti de aynı oranda düşüyor — eğer doğru mimariye yatırım yapıyorsanız.
Canlı Online Eğitime Davet: 4 Mayıs’ta Sistematik AI Online Eğitimim başlıyor. 4 günde toplam 8 saatte sıfırdan Claude Code ile agentlarımızı kuruyoruz. Sonra bu agentlar bizim için bir şirket kuracak. İlk önce ben yapacağım, sonra siz yapacaksınız ben size rehberlik edeceğim. Sürecin verimli geçmesi için kontenjan sınırlı. Kayıt ve detaylar için: www.yapayzekaegitimleri.com adresini ziyaret edin.





Hocam yıllardır obsidian kullanıyorum. Benim sistemim de para sistemi üzerine kurulu ama bunu yapay zeka ile kolaylaştırmak bence düşünce tembelliğine sevk eder diye düşünüyorum. Denemek için bunun benzerini yaptım ama sonra kullanmaktan vazgeçtim. Kaynaklardan bir fikir üretmek veya proje üretmek aşaması zihni diri tutan kısım. Bağlantılar oluşturmayı, bağlam kurmayı bence makinaya bırakmamak lazım.