Technikai megvalósítás · 09 · 6 perc

Céges tudástár Obsidiannal és Claude-dal

Hogyan csináljak céges tudásbázist, amit az AI olvas és használ?

Rekeszes falon kézzel írt cédulákat rézszínű zsinórok kötnek hálózattá, a szálak egy asztalon álló lapba futnak össze.
Technikai megvalósítás0/10

A céges tudástár legegyszerűbb működő formája egy rendezett mappa egyszerű szövegfájlokkal. A munkatársak az Obsidian jegyzetalkalmazásban olvassák és szerkesztik, a Claude Code pedig közvetlenül ugyanebben a mappában dolgozik. Nincs külön AI-adatbázis, és nincs két rendszer közötti másolgatás: ugyanazt a forrást használja ember és gép.

Mitől működik ez céges tudástárként?

Az Obsidian Markdown-fájlokkal dolgozik. A program a tudástárat vaultnak nevezi; ez valójában egy mappa a gépeden, amelyben minden jegyzet külön fájl. A jegyzetek összekapcsolhatók, az alkalmazás pedig áttekinthetően megmutatja a közöttük lévő kapcsolatokat. A licencfeltételeket az Obsidian hivatalos oldalán ellenőrizd.

A megoldás ereje viszont nem az Obsidianban van, hanem a fájlalapúságban, és ezt fontos érteni:

  • A fájlok a te gépeden vannak, bármikor átvihetők, semmilyen szolgáltatóhoz nincsenek láncolva.
  • A Markdown-formátumot ember és AI is közvetlenül olvassa. A Claude Code ilyen mappákon tud a legegyszerűbben dolgozni.
  • A CLAUDE.md, a kontextusfájlok és a tudásbázis így egyetlen rendszerben él, nem három helyen.

Az Obsidian ebben a felállásban a kényelmes emberi felület. A rendszer lelke a mappa.

Gyakorlati feladat

Egy céges tudástárat hozol létre a következő szerkezettel:

  • 00-alap/: a céges kontextus lecke négy fájlja (cég, emberek, folyamatok, stratégia)
  • tudasbazis/: az ügyfélszolgálati lecke kérdés-válasz anyaga
  • sablonok/: ajánlatsablon, levélsablonok, a rendszereid sablonszövegei
  • jegyzetek/: megbeszélésjegyzetek, döntések, dátum szerint
  • projektek/: futó ügyek, egy fájl egy ügy
  • kimenet/: ide dolgozik az AI, innen viszed tovább az anyagokat
  • CLAUDE.md a gyökérmappában: a tudástár használati szabályai

Itt találkoznak a korábbi leckékben elkészített anyagok. A tudástár ad fizikai helyet a céges AI-rendszer háttér- és tudásrétegének.

Hogyan építsd fel, lépésről lépésre

1. Telepítés és tudástár. Töltsd le az Obsidiant a hivatalos oldalról, és hozz létre egy új vaultot, például „cegnev-tudastar” néven. Ezzel létrejön a szükséges mappa a gépeden.

2. Szerkezet. Vedd fel a fenti mappákat. Ne találj ki húszat, ez a hat elég az induláshoz. A szerkezet akkor jó, ha egy új fájlról gondolkodás nélkül tudod, hova tartozik.

3. A meglévő anyagok beemelése. A kontextusfájljaid a 00-alap mappába, a tudásbázisod és a sablonjaid a helyükre. Ha ezek a leckék mentén készültek, ez másolás. Ha még nincsenek meg, a céges kontextus lecke az első teendő, nem ez.

4. CLAUDE.md a gyökérmappába. A fájl írja le, mire szolgál a tudástár, melyik mappában mi található, és milyen szabályokat kell betartani. Például: eredeti fájlt nem ír felül és nem töröl; minden új eredményt a kimenet mappába ment; a jegyzetek fájlneve dátummal kezdődik; magyarul dolgozik.

5. Claude Code hozzáadása. Nyisd meg a parancssort a tudástár mappájában, majd indítsd el a Claude Code-ot. Ezután már ilyen kéréseket adhatsz: „Mit döntöttünk a nyári árváltozásról? Keresd meg a jegyzetekben, és jelöld meg a forrást.” Vagy: „Rendezd a mai megbeszélés nyers jegyzetét a szokásos formára, mentsd a jegyzetek közé, a feladatokat pedig gyűjtsd ki külön.”

6. Biztonsági mentés. Legyen külön, visszaállítható mentés a tudástárról, és próbáld ki a helyreállítást. A Git a rögzített verziókat őrzi meg; távoli másolathoz ezeket fel is kell küldeni a privát tárolóba. A felhőszinkron önmagában nem mentés, mert a törlést és a hibás módosítást is továbbíthatja. Jelszót és hozzáférési kulcsot ne tegyél a tudástárba.

7. Napi használat. A tudástár csak akkor marad értékes, ha folyamatosan használjátok. Két szokás elég az induláshoz: minden megbeszélés nyers jegyzete még aznap kerüljön a helyére, hetente pedig tegyél fel két-három kérdést a rendszernek a saját anyagaitokról. Amit nem talál meg, az valószínűleg hiányzik a tudástárból.

Miért éri meg?

A céges tudás gyakran emberek fejében, hosszú e-mail-váltásokban és szétszórt dokumentumokban marad. Ennek a költsége kereséskor, új munkatárs betanításakor és az AI használatakor válik láthatóvá. A tudástár egyetlen, kereshető helyre rendezi a döntéseket, a folyamatokat és a bevált válaszokat. Ettől az ajánlatkészítő, az ügyfélszolgálati segéd és a kimutatáskészítő rendszer is pontosabban dolgozik.

Mire figyelj

  • Szintezd, mi kerül bele. Folyamat, döntés, sablon, tudás: igen. Jelszó, kulcs, banki adat: soha. Ügyféladatból a munkához szükséges minimum, és ha a vaultot többen vagy külsős is látja, ezt a kört még szűkebbre vedd.
  • Egyetlen hiteles forrás. Döntsd el, mi él a tudástárban, és mi marad máshol (például a szerződések a Drive-on), majd írd bele ezt a CLAUDE.md-be. Ha ugyanaz az információ két helyen él, az egyik előbb-utóbb elavul.
  • A rendrakás is feladat. Negyedévente egy kör: elavult jegyzetek archiválása, duplikátumok összevonása. Kérheted a rendszertől is: „listázd, mi tűnik elavultnak”, a döntés a tiéd.

Gyakori kérdések

Miért nem Notion vagy Google Drive?

Mindkettő jó eszköz, és csapatfelületként sokszor kényelmesebb. A különbség a fájlalapúság: a helyi Markdown-mappán az AI közvetlenül, a leggyorsabban és a legmegbízhatóbban dolgozik. Nem vallásháború: a lényeg az, hogy a tudás sima, géppel jól olvasható formában, egy helyen éljen. Ha ezt Notionben tartod, ott is működik, csak a Claude Code-os közvetlen munka kényelmét adod fel.

Kötelező az Obsidian?

Nem. A mappa és a Markdown a lényeg, az Obsidian a kényelmes olvasó-szerkesztő felület hozzá. Enélkül is működik, csak embernek kevésbé barátságos.

Csapatban hogyan működik?

Két út: a Git-alapú változat, ahol mindenki a saját gépén dolgozik, és a változások összefésülődnek (ez a rendezettebb, de betanulást kér), vagy a közös szinkronmappa, egyszerű szabályokkal arról, ki mit szerkeszt. Kis csapatnak a második is elég.

Mi a különbség a tudástár és a RAG között?

Kis és közepes anyagmennyiségnél a közvetlen fájlolvasás egyszerűbb: a rendszer megnyitja a szükséges dokumentumot. A RAG akkor hasznos, amikor az anyag már túl nagy ehhez, és külön keresőréteg kell fölé. A RAG-ról szóló leckében bemutatott rendszernek ez a rendezett tudástár adhatja az alapanyagát.

Innen folytasd

A tudástár után a külső munkaeszközök csatlakoztatása következik. Az utolsó leckében az MCP segítségével biztonságos, először csak olvasási jogosultságú kapcsolatot állítasz be egy saját rendszeredhez.

Ha ezt a saját cégedben szeretnéd bevezetni, nézd meg a szolgáltatásokat, vagy kérj egy ingyenes AI-konzultációt.

Következő leckeMCP-alapok: így kösd össze az AI-t a saját eszközeiddel5 perc