📌 جای این آموزش در نقشهٔ گراول این آموزش، ادامهٔ مستقیم «ساخت ابرمغز با Obsidian» است: فرض ما این است که یک والت با یادداشت‌های اتمیک و Properties دارید. اگر هنوز آن را ندیده‌اید، اول همان را کامل کنید. همچنین «دروازهٔ یک» به کلید OpenRouter نیاز دارد که در آموزش «کیف‌پول کریپتو و OpenRouter» از مسیر صعود گراول ساختیم — اگر آن کلید را دارید، اینجا فقط استفاده‌اش می‌کنیم.

نقشهٔ راه: سه دروازهٔ اتصال و مفهوم RAG

مرحله ۰ از ۸⏱️ ۱۰ دقیقه

مهم‌ترین حقیقتی که باید از همین اول بدانید: Obsidian هیچ هوش مصنوعی داخلی ندارد — و این عمدی است. تیم Obsidian به «مالکیت داده» متعهد است و تصمیم دربارهٔ اینکه یادداشت‌هایتان به کدام مدل برسد (یا نرسد) را کاملاً به خودتان سپرده. پس اتصال از سه «دروازه» ممکن است که هر کدام فلسفه، هزینه و سطح حریم خصوصی متفاوتی دارند:

دروازه	چیست؟	سختی	هزینه	داده کجا می‌رود؟
۱ — پلاگین درون Obsidian	Smart Connections (جست‌وجوی معنایی) + Copilot (چت با والت)	⭐⭐	رایگان تا چند دلار در ماه (کلید OpenRouter)	فقط بخش‌های مرتبط سؤالتان به سرویس ابری می‌رود
۲ — مدل محلی	Ollama: مدل زبانی روی خودِ کامپیوترتان	⭐⭐⭐	رایگان (فقط سخت‌افزار)	هیچ‌جا! صددرصد آفلاین
۳ — عامل بیرونی با MCP	Claude Desktop / Claude Code به‌عنوان «عامل» که والت را می‌خواند، می‌نویسد و سازمان‌دهی می‌کند	⭐⭐⭐⭐	اشتراک/کلید سرویس عامل	هر یادداشتی که عامل باز کند، به آن سرویس می‌رسد

مفهوم کلیدی: RAG — چرا هوش مصنوعی می‌تواند «یادداشت‌های شما» را بلد باشد؟

🧩 تشبیه ساده: مدل زبانی مثل یک استاد باهوش است که کتابخانهٔ شما را نخوانده. RAG^۱ یعنی: قبل از هر سؤال، یک «کتابدار تندخوان» چند برگهٔ مرتبط را از قفسه بیرون می‌کشد و جلوی استاد می‌گذارد؛ استاد بر اساس همان برگه‌ها جواب می‌دهد. کتابدار = جست‌وجوی معنایی روی والت شما؛ استاد = مدل زبانی.

❓ سؤال شما

←

🔎 جست‌وجوی معنایی
در Embedding یادداشت‌ها

←

📄 چند قطعهٔ مرتبط از والت

←

🤖 مدل زبانی

←

💬 پاسخ با ارجاع به یادداشت‌ها

یک قطعهٔ دیگر پازل: Embedding^۲. برای اینکه «کتابدار» بفهمد کدام یادداشت به سؤال شما ربط دارد (حتی اگر کلمه‌هایشان یکی نباشد)، هر یادداشت به یک «اثر انگشت عددیِ معنا» تبدیل می‌شود. یادداشت‌های هم‌معنا، اثر انگشت نزدیک دارند. خبر خوب: این تبدیل می‌تواند کاملاً محلی و رایگان انجام شود.

🏔️ نکتهٔ فوق‌پیشرفته — چرا والت شما «بهترین» دادهٔ ممکن برای RAG است؟ سیستم‌های RAG شرکتی میلیون‌ها دلار خرج می‌کنند تا اسناد آشفته را تکه‌تکه (Chunk) کنند. والتی که در آموزش قبل ساختید، از قبل بهینه است: یادداشت اتمیک = تکهٔ ایدئال (یک ایدهٔ کامل در هر واحد)، عنوان ادعایی = برچسب معنایی، و لینک‌ها = نقشهٔ ارتباط که بازیابی را دقیق‌تر می‌کنند. به زبان مهندسی: انضباط زتل‌کاستنِ شما، همان «مهندسی داده»ای است که دیگران بابتش پول می‌دهند. هر چه اتمی‌تر بنویسید، هوش مصنوعی‌تان باهوش‌تر جواب می‌دهد — این وابستگی مستقیم را همیشه به یاد داشته باشید.

📖 پانویس ۱ — RAG: مخفف Retrieval-Augmented Generation یعنی «تولیدِ تقویت‌شده با بازیابی»: اول اسناد مرتبط پیدا می‌شوند، بعد مدل با تکیه بر آن‌ها جواب می‌سازد.

📖 پانویس ۲ — Embedding (تعبیه‌سازی): تبدیل متن به فهرستی از اعداد، طوری که متن‌های هم‌معنا اعداد نزدیک به هم بگیرند. مثل مختصات GPS برای «معنا».

✅ ایست بازرسی می‌توانید با یک جمله بگویید RAG چه می‌کند و سه دروازهٔ اتصال از نظر «مقصد داده» چه فرقی دارند؟ اگر بله، ادامه بدهید.

پیش‌نیازها و آماده‌سازی

مرحله ۱ از ۸⏱️ ۱۰ دقیقه

والت Obsidian با حداقل ۱۵–۲۰ یادداشت واقعی (خروجی آموزش «ساخت ابرمغز»). با والت خالی، هیچ‌کدام از جادوهای این آموزش دیده نمی‌شود!
Obsidian به‌روز (نسخهٔ 1.13 یا جدیدتر): Settings → General → Check for updates.
برای دروازهٔ ۱: کلید API از OpenRouter — همان که در آموزش «کیف‌پول کریپتو و OpenRouter» گراول ساختیم. چند دلار اعتبار کافی است؛ OpenRouter مدل‌های رایگان هم دارد.
برای دروازهٔ ۲: کامپیوتری با حداقل ۸ گیگابایت RAM (با ۱۶ گیگابایت تجربه بهتر است).
برای دروازهٔ ۳: آشنایی مقدماتی با نصب برنامه و ویرایش یک فایل تنظیمات؛ اگر مسیر صعود گراول (داکر و OpenClaw) را رفته باشید، کاملاً آماده‌اید.

💡 نکته — لازم نیست هر سه دروازه را باز کنید این آموزش طوری چیده شده که هر دروازه مستقل است. پیشنهاد ما برای شروع: مرحلهٔ ۲ (حریم خصوصی) را حتماً بخوانید، بعد دروازهٔ ۱ را کامل راه بیندازید، و دروازه‌های ۲ و ۳ را وقتی نیازشان را «حس کردید» اضافه کنید.

✅ ایست بازرسی والت پرمحتوا دارید، Obsidian به‌روز است، و کلید OpenRouter (برای دروازهٔ ۱) در دسترس است.

قانون اساسی حریم خصوصی — قبل از هر اتصالی!

مرحله ۲ از ۸⏱️ ۱۵ دقیقه

والت شما شاید خصوصی‌ترین فایل زندگی‌تان باشد: افکار، مالی، سلامت، کار. قبل از باز کردن هر دروازه، این چهار قانون را اجرا کنید — نه بعدش:

قانون ۱ — نقشهٔ حساسیت بکشید

پوشه‌ای به نام 9-Private در والت بسازید.
هر یادداشتی که هرگز نباید به هیچ سرویس ابری برسد (مالی، پزشکی، اسرار کاری، اطلاعات دیگران) را به این پوشه منتقل کنید.
از این به بعد، در تنظیمات هر ابزار هوش مصنوعی، این پوشه را از فهرست‌سازی خارج می‌کنیم (در مراحل بعد نشان می‌دهیم دقیقاً کجا).

قانون ۲ — بدانید هر دروازه چه چیزی را کجا می‌فرستد

سناریو	چه داده‌ای خارج می‌شود؟
Smart Connections با تنظیم پیش‌فرض	هیچ — مدل Embedding محلی است و روی دستگاه شما اجرا می‌شود
Copilot در حالت چت ساده	فقط متن پیام شما + قطعه‌هایی از یادداشت‌ها که خودتان به گفتگو اضافه کرده‌اید
Copilot در حالت Vault QA (چت با کل والت)	قطعه‌های بازیابی‌شدهٔ مرتبط با هر سؤال — نه کل والت، ولی به‌مرور بخش زیادی از آن
Ollama (دروازهٔ ۲)	هیچ — همه‌چیز روی دستگاه شما
عامل MCP (دروازهٔ ۳)	هر فایلی که عامل باز کند؛ عملاً باید فرض کنید کل بخش مجاز والت در دسترس سرویس است

قانون ۳ — کلید API مثل رمز کارت بانکی است

کلید OpenRouter را هرگز داخل یادداشتی در والت ذخیره نکنید (به‌خصوص اگر والت را با Git یا سرویس ابری همگام می‌کنید!). جای درستش فقط داخل تنظیمات پلاگین است که خارج از دید همگام‌سازی‌های عمومی قرار دارد — و اگر روزی لو رفت، از پنل OpenRouter فوراً باطلش کنید و کلید نو بسازید.

قانون ۴ — داده‌های دیگران، دو برابر حساس

جلسهٔ کاری، پیام دوستان، اطلاعات مشتری… این‌ها «مال شما» نیستند که دربارهٔ ابری‌شدنشان تصمیم بگیرید. یا در 9-Private نگهشان دارید، یا فقط با دروازهٔ ۲ (آفلاین) پردازششان کنید.

⚠️ مواظب باش — «رایگان» یعنی بخوانید بعضی مدل‌های رایگان در سرویس‌های واسطه، در ازای رایگان‌بودن ممکن است اجازهٔ استفاده از داده‌ها برای آموزش را در شرایط استفاده‌شان داشته باشند. برای گفتگوهای عادی مشکلی نیست؛ برای محتوای حساس، قانون همیشگی: حساس = آفلاین یا هیچ.

✅ ایست بازرسی پوشهٔ 9-Private ساخته شده و پر شده، جدول «مقصد داده» را فهمیده‌اید، و می‌دانید کلید API کجا ذخیره می‌شود و کجا نه.

دروازهٔ ۱ (الف): Smart Connections — حس ششم والت

مرحله ۳ از ۸⏱️ ۱۵ دقیقه

اولین و بی‌دردسرترین قدم: پلاگین Smart Connections. کارش این است که هنگام نوشتنِ هر یادداشت، در پنل کناری «مرتبط‌ترین یادداشت‌های دیگر» را نشان بدهد — نه بر اساس کلمهٔ مشترک، بلکه بر اساس معنا. جادویش: مدل Embedding آن محلی است؛ بدون کلید API، بدون هزینه، بدون خروج داده.

🧩 چرا این «حس ششم» است؟ در آموزش قبل گفتیم Unlinked mentions فقط تکرارِ «نامِ» یادداشت را می‌بیند. Smart Connections یک پله بالاتر است: یادداشتی دربارهٔ «اهمال‌کاری» را به یادداشتی دربارهٔ «طراحی محیط» وصل می‌کند، حتی اگر هیچ کلمهٔ مشترکی نداشته باشند — چون معنایشان همسایه است. این یعنی موتور سرندیپیتی، خودکار شد.

به Settings → Community plugins → Browse بروید.
عبارت Smart Connections را جست‌وجو کنید (سازنده: Brian Petro).
Install و سپس Enable را بزنید.
بار اول، پلاگین شروع به ساخت اثر انگشت معناییِ همهٔ یادداشت‌ها می‌کند (چند دقیقه، بسته به حجم والت). بگذارید تمام شود.
حالا یک یادداشت باز کنید و پنل Smart Connections را در نوار کناری ببینید: فهرست یادداشت‌های مرتبط، مرتب‌شده بر اساس نزدیکی معنا.
🔐 اجرای قانون ۱ حریم خصوصی: در تنظیمات پلاگین، بخش الگوهای مستثنا (Exclusion) را پیدا کنید و پوشهٔ 9-Private را اضافه کنید تا اصلاً فهرست‌سازی نشود.

💡 نکته — بهترین زمان استفاده عادت طلایی: بعد از نوشتن هر نورون جدید، ۳۰ ثانیه به پنل Smart Connections نگاه کنید و بپرسید «کدام‌یک از این پیشنهادها واقعاً ربط دارد؟» — بعد لینک [[...]] واقعی بسازید. هوش مصنوعی پیشنهاد می‌دهد؛ سیناپس را شما می‌سازید. این تقسیم کار را در مرحلهٔ ۸ رسمی می‌کنیم.

🏔️ نکتهٔ فوق‌پیشرفته — پوشهٔ .smart-env و همگام‌سازی اثر انگشت‌های معنایی در پوشهٔ .smart-env داخل والت ذخیره می‌شوند. اگر با Git یا سرویس فایل همگام‌سازی می‌کنید، بهتر است این پوشه را از همگام‌سازی خارج کنید (در Git: یک خط .smart-env/ در فایل .gitignore) — چون حجیم است، مدام عوض می‌شود، و روی هر دستگاه قابل بازسازی است. قانون کلی مهندسی: «دادهٔ مشتق‌شدنی را همگام نکن؛ بازبسازش.»

✅ ایست بازرسی با باز کردن هر یادداشت، فهرست یادداشت‌های مرتبط معنایی را در پنل کناری می‌بینید و پوشهٔ خصوصی از فهرست‌سازی خارج شده است.

دروازهٔ ۱ (ب): Copilot + OpenRouter — چت با کل والت

مرحله ۴ از ۸⏱️ ۲۵ دقیقه

حالا نوبت گفت‌وگوی واقعی است. Copilot for Obsidian (سازنده: Logan Yang) پرکاربردترین پلاگین چت است: پنجرهٔ گفتگو در نوار کناری، امکان «چت با کل والت» (Vault QA) با ذکر منبع، و پشتیبانی از تقریباً هر ارائه‌دهنده‌ای — از جمله OpenRouter که برای ما ایده‌آل است چون با همان کیف‌پول کریپتویی شارژ می‌شود و ده‌ها مدل (از جمله مدل‌های رایگان) را یک‌جا دارد. هستهٔ پلاگین رایگان و متن‌باز است؛ نسخهٔ پولی Plus هم دارد که برای این آموزش لازمش نداریم.

گام اول: نصب و اتصال کلید

از Settings → Community plugins → Browse پلاگین Copilot را نصب و فعال کنید.
به تنظیمات پلاگین بروید: Settings → Copilot → Basic و روی Set Keys کلیک کنید.
در فهرست ارائه‌دهنده‌ها، کارت OpenRouter را پیدا کنید و کلید API خود را در آن بچسبانید؛ دکمهٔ تأیید (Verify) باید سبز شود.
در تب Model، مدل گفتگو را انتخاب کنید. پیشنهاد شروع: یک مدل ارزان و سریع (خانوادهٔ Flash/Mini)؛ بعداً برای کارهای سنگین، مدل قوی‌تر اضافه کنید — با دکمهٔ Add Custom Model هر مدل OpenRouter را با شناسه‌اش (مثلاً anthropic/claude-sonnet-4.6) اضافه می‌کنید.
پنجرهٔ چت را باز کنید: از پالت فرمان Ctrl + P فرمان Open Copilot Chat Window. یک سلام بدهید تا از برقراری اتصال مطمئن شوید.

گام دوم: سه حالت کار Copilot

حالت	چه می‌کند	کِی استفاده کنیم
Chat	گفتگوی آزاد؛ فقط چیزی را می‌داند که خودتان به گفتگو بدهید	پرسش عمومی، بازنویسی متن انتخاب‌شده
افزودن زمینهٔ دستی	با نوشتن `[[` در خود پنجرهٔ چت، یادداشت‌های مشخص را ضمیمهٔ گفتگو می‌کنید	«این سه یادداشت را با هم مقایسه کن» — دقیق‌ترین و کم‌هزینه‌ترین حالت
Vault QA	همان RAG کامل: خودش قطعه‌های مرتبط را از کل والت پیدا می‌کند و با ذکر منبع جواب می‌دهد	«دربارهٔ X تا حالا چه نوشته‌ام؟» — وقتی نمی‌دانید جواب در کدام یادداشت است

برای Vault QA، ابتدا باید والت فهرست‌سازی (Index) شود: در تنظیمات Copilot، بخش مدل Embedding را بررسی کنید و از منوی حالت در پنجرهٔ چت، حالت Vault QA را انتخاب کنید؛ پلاگین خودش پیشنهاد ساخت فهرست را می‌دهد.
🔐 اجرای قانون ۱: در تنظیمات Copilot بخش QA / Exclusions پوشهٔ 9-Private را مستثنا کنید.
حالا بپرسید: «بر اساس یادداشت‌های من، مهم‌ترین ایده‌هایی که دربارهٔ [موضوع والتتان] نوشته‌ام چیست؟ با ذکر منبع.» — پاسخ باید به یادداشت‌های واقعی شما ارجاع بدهد.

🏔️ نکتهٔ فوق‌پیشرفته — اقتصاد توکن: چرا حالت دستی اغلب از Vault QA بهتر است؟ هر پیام به مدل ابری، بر اساس «توکن» (تقریباً هر ۳–۴ حرف یک توکن) هزینه دارد. Vault QA راحت است اما در هر سؤال، ده‌ها قطعه به مدل می‌فرستد. کاربران حرفه‌ای برای ۸۰٪ کارها از الگوی «زمینهٔ دستی» استفاده می‌کنند: اول با جست‌وجوی خود Obsidian یا Smart Connections، دو-سه یادداشتِ درست را پیدا می‌کنند، بعد فقط همان‌ها را با [[ ضمیمه می‌کنند. نتیجه: پاسخ دقیق‌تر (زمینهٔ تمیزتر = خطای کمتر)، هزینهٔ یک‌دهم، و نشت دادهٔ کمینه. Vault QA را برای «نمی‌دانم کجاست» نگه دارید.

✅ ایست بازرسی Copilot با کلید OpenRouter وصل است، یک گفتگوی ساده جواب گرفته، و در حالت Vault QA پاسخ با ارجاع به یادداشت‌های خودتان می‌دهد. حالا ابرمغز شما رسماً حرف می‌زند! 🎉

هنر پرامپت‌نویسی برای والت — دستور آشپزی‌های آماده

مرحله ۵ از ۸⏱️ ۱۵ دقیقه

کیفیت پاسخ هوش مصنوعی مستقیماً به کیفیت درخواست شما بستگی دارد. این پنج «دستور آشپزی» آزموده‌شده را در یادداشتی به نام پرامپت‌های والت ذخیره کنید تا همیشه دم دست باشند:

هدف	پرامپت (کپی کنید)
🧬 تبدیل خام به نورون	«این متن خام را به ۲ تا ۴ یادداشت اتمیک تبدیل کن. برای هر کدام: یک عنوان که ادعای کامل باشد، بدنهٔ ۳–۵ جمله‌ای، و پیشنهاد اینکه به کدام یادداشت‌های ضمیمه‌شده لینک بخورد. متن: [متن]»
🥊 وکیل مدافع شیطان	«یادداشت ضمیمه را بخوان و قوی‌ترین سه استدلال علیه ادعای اصلی آن را بنویس. بعد بگو برای هر کدام، چه شواهدی نظرم را عوض می‌کرد.»
🔍 کشف حفره	«با توجه به این یادداشت‌ها دربارهٔ [موضوع]، چه سؤال‌های مهمی هست که هنوز هیچ یادداشتی برایشان ندارم؟ فهرست کن.»
🌉 پل‌ساز	«این دو یادداشت ظاهراً بی‌ربط را بخوان: [[الف]] و [[ب]]. سه ارتباط غیرمنتظره ولی معنادار بینشان پیدا کن.»
📝 پیش‌نویس از دل والت	«فقط بر اساس یادداشت‌های ضمیمه (نه دانش عمومی خودت)، یک پیش‌نویس ۵۰۰ کلمه‌ای دربارهٔ [موضوع] بنویس و هر ادعا را به یادداشت منبعش ارجاع بده.»

💡 نکته — عبارت جادویی «فقط بر اساس یادداشت‌های من» مدل‌های زبانی عاشق این‌اند که دانش عمومی خودشان را قاطی کنند و گاهی چیزهایی «از خودشان بسازند» (توهم / Hallucination^۳). قید صریحِ «فقط بر اساس یادداشت‌های ضمیمه، و اگر جواب در آن‌ها نبود بگو نمی‌دانم» بهترین واکسن است.

📖 پانویس ۳ — توهم (Hallucination): وقتی مدل زبانی با اعتمادبه‌نفس کامل، اطلاعات نادرست یا ساختگی می‌دهد. با محدودکردن مدل به منابع مشخص و درخواست ارجاع، احتمالش به‌شدت کم می‌شود ولی هرگز صفر نمی‌شود — پس ادعاهای مهم را همیشه خودتان چک کنید.

✅ ایست بازرسی یادداشت «پرامپت‌های والت» را ساخته‌اید و حداقل دستور «تبدیل خام به نورون» را روی یک متن واقعی امتحان کرده‌اید.

دروازهٔ ۲: Ollama — هوش مصنوعی کاملاً آفلاین

مرحله ۶ از ۸⏱️ ۲۵ دقیقه

Ollama برنامه‌ای رایگان و متن‌باز است که مدل‌های زبانی را روی خودِ کامپیوتر شما اجرا می‌کند: بدون اینترنت، بدون کلید، بدون خروج حتی یک بایت. برای پردازش پوشهٔ 9-Private، برای وقت‌های قطعی اینترنت، و برای هر کسی که «حریم خصوصی مطلق» می‌خواهد، این دروازهٔ اصلی است.

🧩 انتظار واقع‌بینانه: مدل محلی روی یک لپ‌تاپ معمولی، از مدل‌های ابری بزرگ ضعیف‌تر است — مثل مقایسهٔ موتورسیکلت با هواپیما. اما برای خلاصه‌سازی، بازنویسی، پرسش‌وپاسخ روی چند یادداشت و تبدیل خام به نورون، کاملاً کافی است. و موتورسیکلتِ توی حیاطِ خودتان، به هواپیمای شرکتِ دیگران یک برتری دارد: همیشه و بی‌قیدوشرط مال شماست.

نصب و اجرای اولین مدل

به سایت رسمی https://ollama.com بروید و نسخهٔ ویندوز را دانلود و نصب کنید (اگر دانلود مستقیم مشکل داشت، صفحهٔ GitHub رسمی پروژه ollama/ollama همان فایل‌ها را دارد).
بعد از نصب، Ollama در پس‌زمینه اجرا می‌شود. برنامهٔ PowerShell را باز کنید (منوی استارت → تایپ powershell → Enter).
این فرمان را بنویسید و Enter بزنید تا یک مدل سبک و باکیفیت دانلود شود (چند گیگابایت — با اینترنت خوب انجامش دهید):
```
ollama pull llama3.2
```
تست کنید:
```
ollama run llama3.2
```
حالا می‌توانید همان‌جا در PowerShell با مدل حرف بزنید. با نوشتن /bye خارج شوید.

💡 نکته — کدام مدل برای کدام سخت‌افزار؟ قانون سرانگشتی: حجم دانلود مدل باید کمتر از نصف RAM شما باشد. ۸ گیگابایت RAM → مدل‌های ~۲ تا ۴ گیگابایتی (مثل llama3.2 یا qwen3:4b)؛ ۱۶ گیگابایت → مدل‌های ۷–۹ گیگابایتی که به‌مراتب باهوش‌ترند. فهرست کامل مدل‌ها در ollama.com/library است. برای فارسی، مدل‌های خانوادهٔ Qwen و Gemma معمولاً عملکرد بهتری دارند — چند مدل را امتحان کنید و بهترین را نگه دارید.

اتصال Ollama به Copilot

زیبایی ماجرا: Ollama یک «درگاه محلی» با قالب استاندارد باز می‌کند (http://localhost:11434) و Copilot بلد است با آن حرف بزند — یعنی همان پنجرهٔ چتی که ساختید، با یک تغییر کوچک آفلاین می‌شود:

در تنظیمات Copilot، تب Model، روی Add Custom Model کلیک کنید.
نام مدل را دقیقاً همان که دانلود کردید بنویسید: llama3.2 و ارائه‌دهنده را Ollama انتخاب کنید (آدرس پیش‌فرض همان localhost:11434 است).
مدل را اضافه کنید و در پنجرهٔ چت، از منوی انتخاب مدل، به llama3.2 سوئیچ کنید.
اینترنت را قطع کنید و یک سؤال بپرسید — جواب می‌گیرید. این لحظه را جشن بگیرید: یک هوش مصنوعی کاملاً شخصی دارید. 🎉

🏔️ نکتهٔ فوق‌پیشرفته — معماری دوسطحی حرفه‌ای‌ها کاربران جدی به یک مدل قانع نمی‌شوند؛ یک «سبد مدل» می‌سازند: مدل محلی برای کارهای حساس، پیش‌نویس سریع و حجم بالا (رایگان)، و مدل ابری قوی فقط برای استدلال سنگین و نوشته‌های نهایی. چون Copilot سوئیچ مدل را وسط گفتگو هم اجازه می‌دهد، این معماری عملاً یعنی: «۹۰٪ کار مجانی و خصوصی، ۱۰٪ کار با بهترین مغز دنیا.» ضمناً اگر خواستید Embedding هم محلی شود، مدل nomic-embed-text را با ollama pull بگیرید و در تنظیمات Embedding پلاگین انتخابش کنید — آن‌وقت حتی فهرست‌سازی Vault QA هم آفلاین می‌شود.

✅ ایست بازرسی فرمان ollama run llama3.2 در PowerShell جواب می‌دهد و همان مدل داخل Copilot به‌عنوان مدل سفارشی کار می‌کند — حتی بدون اینترنت.

دروازهٔ ۳: MCP — عامل هوشمند داخل والت

مرحله ۷ از ۸⏱️ ۲۵ دقیقه

دو دروازهٔ قبلی، هوش مصنوعی را «داخل Obsidian» آوردند. دروازهٔ سوم برعکس است: والت شما را در اختیار یک عامل هوشمند^۴ بیرونی (مثل Claude Desktop یا Claude Code) می‌گذارد تا نه‌فقط جواب بدهد، بلکه کار کند: ده‌ها یادداشت را بخواند، یادداشت جدید بسازد، Properties را یکدست کند، و گزارش بنویسد. پل این اتصال، پروتکل MCP^۵ است — استاندارد بازی که «زبان مشترک ابزارها و مدل‌ها» شده است.

دو مسیر فنی — و انتخاب درست

مسیر	چطور کار می‌کند	قوت	ضعف
الف) Filesystem MCP	والت را همان‌که هست می‌بیند: یک پوشهٔ پر از فایل Markdown	ساده‌ترین راه‌اندازی؛ سریع حتی روی والت‌های چندهزار یادداشتی؛ به باز بودن Obsidian نیاز ندارد	از «دنیای درونی» Obsidian خبر ندارد (گراف، پلاگین‌ها…)
ب) Local REST API + mcp-obsidian	پلاگین Local REST API (سازنده: coddingtonbear) یک درگاه محلی امن روی خود Obsidian باز می‌کند و سرور `mcp-obsidian` آن را به زبان MCP ترجمه می‌کند	با «Obsidianِ در حال اجرا» حرف می‌زند؛ عملیات عمیق‌تر	راه‌اندازی چندمرحله‌ای؛ Obsidian باید باز باشد

توصیهٔ گراول: با مسیر الف شروع کنید. برای ۹۰٪ کارها (خواندن، جست‌وجو، نوشتن، ویرایش) کافی است و در پنج دقیقه راه می‌افتد. مسیر ب را وقتی بروید که محدودیتِ الف را «حس کردید».

راه‌اندازی مسیر الف با Claude Desktop

Claude Desktop را از سایت رسمی https://claude.ai/download نصب کنید و وارد حساب شوید.
در Claude Desktop به Settings → Developer → Edit Config بروید؛ فایل claude_desktop_config.json باز می‌شود.
این پیکربندی را در آن قرار دهید (مسیر والت را با مسیر واقعی خودتان عوض کنید — دقت کنید در JSON، بک‌اسلش ویندوز باید دوتایی نوشته شود):
```
{
  "mcpServers": {
    "obsidian-vault": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "C:\\Users\\YourName\\Documents\\Brain"
      ]
    }
  }
}
```
پیش‌نیاز فرمان بالا، Node.js است — اگر مسیر صعود گراول (ایستگاه ۱) را رفته باشید، از قبل نصب است. Claude Desktop را کاملاً ببندید و دوباره باز کنید.
در گفتگوی جدید، آیکون ابزارها باید سرور obsidian-vault را نشان بدهد. تست کنید: «فایل‌های پوشهٔ 2-Notes والت من را فهرست کن و بگو دربارهٔ چه موضوع‌هایی نوشته‌ام.» — Claude قبل از هر عمل، اجازه می‌گیرد.

⚠️ مواظب باش — سه قانون ایمنی عامل (۱) دسترسی حداقلی: اگر می‌خواهید عامل به 9-Private دسترسی نداشته باشد، به‌جای مسیر ریشهٔ والت، فقط پوشه‌های مجاز را در config معرفی کنید (می‌توانید چند مسیر پشت‌سرهم بدهید). (۲) بکاپ قبل از عملیات بزرگ: قبل از هر «والت را مرتب کن»، یک کپی ZIP بگیرید — یا حرفه‌ای‌تر: والت را با Git نسخه‌بندی کنید تا هر تغییر عامل قابل بازگشت باشد. (۳) اجازه‌ها را بخوانید: وقتی عامل درخواست «نوشتن/حذف» می‌دهد، عادت نکنید کورکورانه تأیید کنید.

🏔️ نکتهٔ فوق‌پیشرفته — والت به‌عنوان «حافظهٔ بلندمدت» عامل‌ها اینجا همان نقطه‌ای است که مسیر صعود گراول به هم گره می‌خورد: عامل‌هایی مثل OpenClaw و Claude Code می‌توانند والت شما را «حافظهٔ پایدار» خود کنند — نتیجهٔ تحقیق‌ها را به‌صورت نورون اتمیک با Properties درست بنویسند، پیش از هر کار، MOC مربوط را بخوانند، و گزارش روزانه را در Daily Note شما ثبت کنند. یک ترفند سطح‌بالا: در ریشهٔ والت یادداشتی به نام AGENT-RULES.md بسازید و قوانین والتتان را در آن بنویسید (قالب نورون، محل فایل‌ها، سبک عنوان‌ها) و در اولین پیام هر جلسه، از عامل بخواهید اول آن را بخواند — عملاً «آیین‌نامهٔ استخدام» عامل در ابرمغز شما.

📖 پانویس ۴ — عامل هوشمند (AI Agent): هوش مصنوعی‌ای که فقط «جواب نمی‌دهد» بلکه با ابزارها «عمل می‌کند»: فایل می‌خواند، می‌نویسد، جست‌وجو می‌کند و چندمرحله‌ای کار را پیش می‌برد.

📖 پانویس ۵ — MCP: مخفف Model Context Protocol؛ پروتکل باز (معرفی‌شده توسط Anthropic) که مثل «درگاه USB» عمل می‌کند: هر ابزاری که MCP بدهد، به هر مدلی که MCP بفهمد وصل می‌شود — بدون کد اختصاصی برای هر جفت.

✅ ایست بازرسی Claude Desktop والت شما را می‌بیند، فهرست فایل‌ها را می‌خواند، و با اجازهٔ شما یادداشت تستی می‌سازد. سه قانون ایمنی عامل را هم اجرا کرده‌اید (دسترسی حداقلی + بکاپ + بازخوانی اجازه‌ها).

حکمرانی: قانون اساسی همکاری انسان و ماشین

مرحله ۸ از ۸⏱️ ۱۰ دقیقه

خطر واقعی اتصال هوش مصنوعی به ابرمغز، فنی نیست؛ فرهنگی است: والتی که آرام‌آرام از متن‌های ماشینیِ نخوانده پر شود، دیگر «مغز شما» نیست — انبار خروجی یک ماشین است. این پنج اصل را به‌عنوان قانون اساسی والتتان بپذیرید:

اصل جوانه: هر متنی که هوش مصنوعی تولید کرد، در بدو ورود status: seed می‌گیرد و یک Property جدید: ai_generated: true. فقط بعد از بازخوانی، بازنویسی و تأیید خودتان است که حق ارتقا به evergreen را دارد. (یک Base با فیلتر ai_generated is true بسازید تا صف بازبینی همیشه جلوی چشمتان باشد.)
اصل سیناپس انسانی: ماشین «پیشنهاد» لینک می‌دهد؛ تصمیم اتصال با شماست. لینکی که نفهمیده تأیید شود، دانش نیست، آلودگی گراف است.
اصل تفکر اول: برای مسائل مهم، اول ۱۰ دقیقه خودتان فکر کنید و خام‌نویسی کنید، بعد از ماشین کمک بگیرید. مغز دوم قرار بود مغز اول را آزاد کند، نه بازنشسته.
اصل راستی‌آزمایی: هر «واقعیت» مهمی که ماشین گفت (عدد، تاریخ، نقل‌قول)، قبل از دائمی‌شدن باید از منبع مستقل چک شود — توهم هرگز صفر نمی‌شود.
اصل بازگشت‌پذیری: هیچ عملیات ماشینیِ گسترده روی والت، بدون بکاپ/نسخه‌بندی قبلش. (Git بهترین دوست شماست.)

🏔️ نکتهٔ فوق‌پیشرفته — سنجهٔ سلامت: نسبت خواندن به تولید هر ماه از خودتان بپرسید: «چند درصد از متن‌های ماشینیِ این ماه را واقعاً خواندم و بازنویسی کردم؟» اگر زیر ۷۰٪ است، تولید را کم کنید، نه بازبینی را بیشتر. والت کوچکِ فهمیده، از والت بزرگِ نفهمیده هزار برابر ارزشمندتر است — این همان «توهم جمع‌آوری» آموزش قبل است که حالا با موتور ماشینی، هزار برابر خطرناک‌تر شده.

✅ ایست بازرسی نهایی Property جدید ai_generated را به قالب نورون اضافه کرده‌اید، Base «صف بازبینی» ساخته شده، و پنج اصل را می‌توانید از حفظ بگویید. حالا شما نه فقط یک ابرمغز، بلکه یک ابرمغزِ خودآموز با حکمرانی سالم دارید. 🏔️

🔧

رفع اشکال — ۶ مشکل رایج

⏱️ مراجعه در صورت نیاز

۱) کلید OpenRouter در Copilot تأیید نمی‌شود چک‌لیست: (۱) کلید را کامل و بدون فاصلهٔ اضافی چسبانده‌اید؟ (۲) حساب OpenRouter اعتبار دارد؟ (پنل Credits را ببینید)؛ (۳) کلید را در کارت «OpenRouter» گذاشته‌اید نه OpenAI؛ (۴) اگر خطای شبکه می‌گیرید، اتصال اینترنت/فیلترشکن را عوض کنید و دوباره Verify بزنید.

۲) Vault QA جواب‌های بی‌ربط می‌دهد یا می‌گوید چیزی پیدا نکرد علت رایج: فهرست‌سازی ناقص یا قدیمی.
درمان: از پالت فرمان، فرمان بازسازی فهرست Copilot (Force reindex vault یا مشابه آن) را اجرا کنید و صبر کنید تمام شود. اگر مدل Embedding را عوض کرده‌اید، بازسازی الزامی است — اثر انگشت‌های دو مدل با هم قابل مقایسه نیستند.

۳) Ollama نصب شده ولی Copilot به آن وصل نمی‌شود چک‌لیست: (۱) در PowerShell فرمان ollama list مدل را نشان می‌دهد؟ (۲) نام مدل در Copilot حرف‌به‌حرف با خروجی همان فرمان یکی است؟ (۳) Ollama در حال اجراست؟ (آیکونش در کنار ساعت ویندوز)؛ (۴) اگر خطای CORS دیدید، در تنظیمات مدل سفارشی Copilot گزینهٔ CORS را فعال کنید.

۴) مدل محلی خیلی کند است یا کامپیوتر هنگ می‌کند درمان: مدل سبک‌تری بگیرید (نصف RAM قانون طلاست)، برنامه‌های سنگین دیگر را ببندید، و پاسخ‌های طولانی نخواهید. اگر لپ‌تاپ ضعیف است، دروازهٔ ۲ را رها کنید — دروازهٔ ۱ با مدل‌های رایگان OpenRouter جایگزین منطقی است.

۵) Claude Desktop سرور MCP را نشان نمی‌دهد چک‌لیست: (۱) JSON را با یک بررسی‌کنندهٔ آنلاین یا دقت چشمی چک کنید — یک ویرگول جاافتاده کل config را می‌شکند؛ (۲) بک‌اسلش‌های مسیر ویندوز دوتایی‌اند؟ (C:\\Users\\...)؛ (۳) Node.js نصب است؟ (در PowerShell: node --version)؛ (۴) Claude Desktop را «کاملاً» بسته‌اید (از System Tray هم خارج شده) و دوباره باز کرده‌اید؟

۶) عامل، یادداشتی را خراب/بازنویسی کرده درمان فوری: پلاگین هسته‌ای File recovery خود Obsidian عکس‌های لحظه‌ای دارد: پالت فرمان → Open saved snapshots و نسخهٔ قبلی را برگردانید. اگر Git دارید، git checkout فایل را برمی‌گرداند. و درس ماجرا: اصل ۵ حکمرانی (بازگشت‌پذیری) را از این به بعد جدی بگیرید.

📖

واژه‌نامه

RAG: تولیدِ تقویت‌شده با بازیابی: اول قطعه‌های مرتبط از والت پیدا می‌شوند، بعد مدل بر اساس آن‌ها جواب می‌سازد.
Embedding — تعبیه‌سازی: اثر انگشت عددیِ معنا؛ متن‌های هم‌معنا اعداد نزدیک می‌گیرند و همین، جست‌وجوی معنایی را ممکن می‌کند.
Vault QA: حالت «چت با کل والت» در Copilot: پرسش‌وپاسخ با ارجاع به یادداشت‌های خودتان.
Token — توکن: واحد شمارش متن برای مدل‌ها (تقریباً ۳–۴ حرف)؛ مبنای هزینهٔ سرویس‌های ابری.
Hallucination — توهم: تولید اطلاعات نادرست با اعتمادبه‌نفس توسط مدل؛ با ارجاع اجباری به منابع کم می‌شود، صفر نمی‌شود.
Ollama: برنامهٔ رایگان اجرای مدل‌های زبانی روی کامپیوتر شخصی؛ درگاه محلی استاندارد localhost:11434.
Local LLM — مدل محلی: مدل زبانی که کاملاً روی دستگاه شما اجرا می‌شود؛ حریم خصوصی مطلق، توان کمتر از غول‌های ابری.
MCP: پروتکل باز اتصال مدل‌ها به ابزارها؛ «درگاه USB» دنیای هوش مصنوعی.
MCP Server: برنامهٔ کوچکی که یک منبع (مثل والت شما) را به زبان MCP عرضه می‌کند.
AI Agent — عامل هوشمند: مدلی که با ابزارها «عمل می‌کند»: می‌خواند، می‌نویسد، جست‌وجو می‌کند و کار چندمرحله‌ای انجام می‌دهد.
Local REST API: پلاگین اجتماعی که یک درگاه وب محلی و رمزدار روی Obsidianِ در حال اجرا باز می‌کند؛ زیربنای مسیر پیشرفتهٔ MCP.
OpenRouter: درگاه واحد دسترسی به ده‌ها مدل هوش مصنوعی با یک کلید؛ قابل شارژ با رمزارز (آموزش ایستگاه ۳ مسیر صعود گراول).
CORS: سازوکار امنیتی مرورگرها که گاهی مانع تماس پلاگین با درگاه‌های محلی می‌شود؛ در تنظیمات مدل سفارشی قابل عبور است.

🎉 تمام شد! حالا تو بلدی…

🗺️ سه دروازهٔ اتصال والت به هوش مصنوعی را با تفاوت حریم خصوصی‌شان توضیح بدهی
🔐 با نقشهٔ حساسیت و پوشهٔ خصوصی، داده‌هایت را پیش از هر اتصالی مصون کنی
🧲 با Smart Connections، یادداشت‌های هم‌معنا را بدون هیچ کلیدی و کاملاً محلی کشف کنی
💬 با Copilot و کلید OpenRouter، با کل والتت گفتگو کنی — با ارجاع به منبع
🖥️ با Ollama یک هوش مصنوعی صددرصد آفلاین و شخصی راه بیندازی
🤖 با MCP، والتت را حافظهٔ بلندمدت عامل‌های هوشمند کنی — با دسترسی حداقلی و بازگشت‌پذیر
⚖️ با پنج اصل حکمرانی، نگذاری ابرمغزت به انبار متن ماشینی تبدیل شود

⛰️ مرحلهٔ بعدی پیشنهادی: حالا که والتت هم «مغز» دارد هم «زبان»، وقت اتوماسیون کامل است: در آموزش‌های مسیر صعود گراول (داکر + n8n و OpenClaw) یاد می‌گیری جریان‌های کاری بسازی که خودکار به همین ابرمغز غذا برسانند — مثلاً پیام‌های تلگرام یا مقاله‌های وب، خودشان نورون شوند.

✍️ طراحی و تدوین: Mehdi Rezghi — مهدی رزقی