Context engineering: cum am transformat un vault Obsidian în creierul persistent al NeuroAI

La 1200 i.Hr., obsidianul tăia mai precis decât orice lamă de oțel fabricată vreodată. O margine naturală de trei nanometri, obținută prin răcirea magmei felsice fără cristalizare. Civilizații din Mezoamerica, Carpați și bazinul Mediteranean și-au construit economii pe capacitatea acestei roci de a secționa neclaritatea și de a lăsa contururi precise.

Paralela nu e întâmplătoare. În 2026, un produs software care poartă același nume face ceva asemănător cu informația: taie prin zgomotul platformelor cloud și restituie utilizatorului controlul asupra propriilor cunoștințe.

Asta e povestea — și pretextul. Articolul de față nu e despre Obsidian ca aplicație. E despre ce se întâmplă când combini un vault local de fișiere Markdown cu un agent AI care are permisiunea să le citească și să le scrie la fiecare sesiune.

Termenul tehnic pentru ce urmează să descriu este context engineering. În practică, înseamnă că un model AI nu pornește niciodată de la zero când lucrează pe afacerea mea. Știe ce am decis săptămâna trecută, ce obiecții primesc frecvent, ce postări am publicat, ce decizii sunt blocate și de ce. Nu pentru că îmi amintesc să îi spun. Pentru că are acces, în ordinea pe care o dictez, la un sistem de fișiere pe care îl mențin eu.

Acesta e primul articol dintr-o serie în care descriu cum am construit, pe propria firmă, un sistem pe care îl recomand clienților. Nu teoretic. Rulează azi, în fiecare sesiune.

De la rocă tăioasă la software: ce înseamnă 'obsidian' în 2026

Obsidian.md este o aplicație de management al cunoștințelor personale (PKM — Personal Knowledge Management). A fost lansată public în 2020 de Dynalist Inc., o companie canadiană, și a crescut organic, fără marketing agresiv, pe cont propriu.

Ce o face diferită de Notion, Evernote sau alte instrumente similare este un principiu apărat cu obstinație: local-first.

Fișierele tale sunt Markdown pur, stocate pe hard disk-ul tău, într-un format necriptat. Poți deschide vault-ul cu orice editor de text. Îl poți migra fără conversii. Supraviețuiește închiderii serviciului, schimbării de politici comerciale sau oricărei forme de vendor lock-in.

Pentru o firmă de consultanță care stochează informație confidențială despre clienți și procese, asta contează enorm. Nu doar pentru confidențialitate — pentru durabilitate. Ce construiești azi într-un vault Obsidian poți citi peste 30 de ani cu orice editor de text.

Funcțiile care diferențiază platforma sunt două: legăturile bidirecționale (dublele paranteze pătrate care creează conexiuni reciproce între fișiere) și Graph View — vizualizarea grafică a întregii rețele de conexiuni, care simulează topologia unei rețele neuro-sinaptice. Pentru prima dată, poți vedea cum e organizat contextul propriei afaceri.

Context engineering — disciplină nouă pentru era AI

Când deschizi o conversație nouă cu un model generic de AI, asistentul pornește de la zero. Nu știe ce faci. Trebuie să re-explici totul.

Pentru un utilizator ocazional, costul acesta e neglijabil. Pentru un consultant care lucrează cu același corpus de informație zilnic, se traduce în ore irosite pe săptămână.

Diferența dintre 'a folosi AI' și 'a lucra cu AI' nu e modelul. Este contextul.

Raționamentul e simplu: un model lingvistic mare este atât de bun cât contextul pe care îl primește. Dacă îi dai trei propoziții, îți răspunde cu un consens mediu extras din datele de antrenament. Dacă îi dai structura completă a afacerii tale, ultima decizie strategică și trei exemple concrete de output pe care le-ai aprobat, îți răspunde ca un colaborator informat.

Context engineering este practică prin care construiești infrastructura ce permite această a doua abordare. Nu e prompt engineering — nu manipulezi un singur mesaj. Construiești un sistem persistent la care modelul are acces la fiecare sesiune.

Pentru majoritatea profesiilor care operează pe bază de informație repetată — consultanță, avocatură, medicină, research —, diferența nu e academică. E operațională.

Arhitectura unui vault pentru consultanță

Vault-ul pe care îl folosesc pentru NeuroAI conține peste 50 de fișiere Markdown organizate în aproximativ 12 directoare. Structura urmează trei principii.

1. Numerotare prefix pentru ordine de lectură

Fișierele la nivelul rădăcină au prefix numeric (00-, 01-, 02-) care indică ordinea cognitivă, nu cea alfabetică: cine ești → ce faci → ce ai de făcut → cu ce infrastructură → cum comunici. Agentul citește în ordinea asta și ajunge la un model mental complet al afacerii în două minute.

2. Map of Content (MOC) ca punct de intrare

Conceptul vine de la Nick Milo și metoda 'Linking Your Thinking'. Un fișier index la rădăcină funcționează ca hartă a vault-ului: listează celelalte fișiere, explică ordinea de lectură, indică când să citești ce. Agentul AI nu trebuie să ghicească structura. O citește.

3. Separare semantică prin directoare specializate

Sub rădăcină trăiesc șapte categorii care rezolvă fiecare o problemă operațională distinctă:

Taxonomia nu e un exercițiu de acuratețe semantică. Fiecare director există pentru că a rezolvat o problemă concretă. Un consultant va avea altă taxonomie. Un avocat va avea dosare pe tip de cauză. Un dezvoltator va avea proiecte pe tehnologie.

Stack-ul tehnic: Obsidian + Claude Code + plugin-uri esențiale

Obsidian-ul singur nu vorbește cu niciun AI. Pentru ca un agent să aibă acces la vault, ai nevoie de un strat de conectare.

Combinația pe care o folosesc: Obsidian + Claude Code. Claude Code e interfața-terminal a modelului Claude de la Anthropic. Rulează local, poate citi și scrie fișiere direct pe disk. Nu e nevoie de API custom între Claude și vault — Claude Code operează pe fișierele tale ca orice alt program.

Plugin-uri Obsidian esențiale pentru integrare AI

• Local REST API — transformă Obsidian într-un mic server local pe care agenții AI îl pot interoga prin protocol standard (Model Context Protocol, open-source, adoptat de Anthropic, Google, OpenAI și alții). Util când agentul nu are acces direct la disk, sau când vrei separarea între straturi.
• Dataview — transformă fișiere Markdown cu metadata YAML în baze de date interogabile. Scrii interogări SQL-like pe vault-ul tău. AI-ul citește rezultatele ca pe un tabel curat.
• Templater — generează structură consistentă pentru fișiere noi. Combinat cu Dataview, e motorul de automatizare al vault-ului.
• Omnisearch — căutare hibridă (fuzzy + semantic). Când agentul caută 'ce am decis despre pricing la ghiduri', Omnisearch returnează rezultate relevante chiar dacă cuvintele exacte nu apar împreună.
• Smart Connections — plugin care generează embeddings pentru toate notițele și sugerează conexiuni latente. Util când agentul are nevoie să găsească relații între fișiere pe baza semnificației, nu a cuvintelor.

Sincronizare între dispozitive — două opțiuni curate

1. Obsidian Sync (oficial, 4–8 USD/lună) — criptare end-to-end AES-256, sync selectiv, istoric 12 luni. Ușor de configurat. Recomandat dacă nu ești confortabil cu Git.
2. Git prin plugin Obsidian Git (gratuit) — folosești vault-ul ca repository privat. Control complet asupra versiunilor, diffs pe text simplu, branch-uri pentru experimente. Recomandat pentru profil tehnic.

Personal folosesc Git. Vault-ul e un repository privat cu istoric complet al fiecărei decizii. Dacă într-un an vreau să văd exact ce am scris despre o temă pe 10 aprilie 2026, e o comandă distanță. Pentru utilizatori non-tehnici, Obsidian Sync rămâne alegerea pragmatică.

Protocolul sesiune-cu-sesiune: memoria persistentă a agentului

Protocolul între mine și agent nu se ține în cap. Nu emit prompt-uri ad-hoc la fiecare sesiune. E scris într-un fișier de instrucțiuni la rădăcina vault-ului, pe care Claude Code îl citește automat la pornire.

Conține:

• Cine sunt eu și ce fac
• Structura vault-ului (cu ordinea de lectură)
• Ce să verifice la start (stare curentă, jurnal recent, to-do)
• Ce stil de răspuns prefer (direct, fără emoji, concis)
• Ce să evite (mituri AI, promisiuni vagi, cifre inventate)
• Cum să lase un sumar scurt în jurnal la finalul sesiunii

Convenția fișierului de instrucțiuni variază între agenți (Claude Code îl caută sub un nume fix; Cursor are .cursorrules; ChatGPT are custom instructions), dar paradigma e identică: o singură sursă de adevăr pentru cum colaborezi cu AI-ul pe proiectul asta.

Protocolul de start

1. Agentul citește fișierul de instrucțiuni și harta vault-ului
2. Citește fișierele-cheie (stare, business, to-do, infrastructură)
3. Confirmă într-o propoziție ce a înțeles și propune o acțiune

Protocolul de final

1. Agentul rezumă ce s-a făcut în sesiune
2. Actualizează fișierul de stare curentă cu ce s-a schimbat
3. Bifează sau adaugă task-uri în fișierul de to-do
4. Lasă un sumar scurt (un paragraf, nu log detaliat) în jurnal

Cinci lecții din trei săptămâni

Vault-ul NeuroAI a trecut prin mai multe iterații înainte să ajungă la forma actuală. Ce am învățat pe drum:

1. Markdown bate absolut documentele frumoase

LLM-urile parsează Markdown cu acuratețe mare pentru că delimitatorii structurali (titluri, liste, linkuri) reduc ambiguitatea. Un PDF scanat sau un document Word cu formatare complexă forțează modelul să ghicească ce e conținut și ce e decorație. În Markdown, separarea e explicită. Sacrifici design pentru signal-to-noise — și câștigi.

2. Citește la început, scrie la final

Regula non-negociabilă. Fără citirea automată la start, vault-ul devine ficțiune — există, dar agentul nu-l folosește. Fără scrierea automată la final, munca sesiunii se pierde. Ambii pași trebuie menționați explicit în fișierul de instrucțiuni.

3. Structura bate lungimea

Un vault cu 50+ fișiere scurte bate un document de 50+ pagini. Nu pentru că scurtul e în sine mai bun, ci pentru că agentul găsește exact secțiunea de care are nevoie fără să parcurgă context irelevant. Granularitatea e avantaj, nu fragmentare.

4. Operațiunile directe pe fișiere bat API-urile HTTP pentru volume mari

Am încercat la un moment dat să trec totul prin Local REST API. Pentru citire punctuală funcționează perfect. Pentru refactorizări în care agentul editează 10 fișiere simultan, devine un bottleneck. Soluția pragmatică: Claude Code scrie direct pe disk prin tools native; API-ul rămâne pentru interogări și integrări cu alți agenți.

5. Un vault fără infrastructură de recuperare e o bază de date moartă

Degeaba ai 100 de fișiere dacă agentul nu știe cum să găsească ce îi trebuie. Soluția e stratul de retrieval — Omnisearch pentru căutare text, Smart Connections pentru căutare semantică, Dataview pentru interogări structurate. Fără astea, vault-ul e un sertar de notițe — impresionant ca volum, inutil ca instrument.

Întrebări frecvente

Ce urmează

Context engineering nu e un hack pentru early adopters. E infrastructura pe care se va construi următorii cinci ani de adopție AI în firme care vor funcționa cu adevărat. Diferența dintre firmele care obțin valoare reală din AI și cele care rămân blocate în faza de pilot se face aici — la nivelul infrastructurii de context, nu la nivelul modelului ales.

Într-un articol viitor voi intra în detaliile concrete ale fișierului de instrucțiuni — ce conține, cum îl structurezi pentru un agent, ce anti-pattern-uri să eviți. Pentru o anteprevere a capacităților Claude ca partener de construcție, am scris recent despre design system-ul NeuroAI construit cu Claude Design — un caz concret de colaborare AI-uman pe un deliverable tehnic.

În context mai larg: în aprilie 2026 am publicat pe LinkedIn manifestul privind ultima poziție a României în UE la adopția AI — 3,1%, conform rapoartelor EY România. Context engineering e instrumentul prin care firmele pot schimba statistica asta — nu prin modelul folosit, ci prin fundația pe care îl așează.