Как сделать базу знаний с AI-поиском для команды разработки?
Свести документацию, ADR и решения в единое хранилище (на Obsidian-документах) и подключить AI-слой, который отвечает на вопросы по содержимому со ссылками на конкретные источники. Документы остаются обычными markdown-файлами — переносимыми и версионируемыми.
Типовой сценарий для команд разработки, где знания размазаны по чатам, тикетам и README — и новый участник не может найти, «почему так сделали». Кейс анонимизирован; конкретные цифры и названия заказчика не приводятся.
Контекст: знания теряются вместе с контекстом
Команда накапливала документацию годами: README в репозиториях, ADR в Confluence, решения в тредах Slack, онбординг-гайды в Google Docs. Формально документация была — но новый разработчик не мог ею воспользоваться.
Поиск по ключевым словам находил документы, где встречается термин, но не отвечал на вопрос «почему выбрали эту архитектуру» или «что пробовали до этого». Старшие разработчики тратили время на повторяющиеся объяснения. Архитектурные решения исчезали вместе с авторами.
Что внедрили
Единое хранилище на Obsidian-документах с AI-поиском поверх: документация, ADR, решения и контекстные заметки сведены в один vault. Поверх него подключён AI-слой, который строит ответы по содержимому и приводит ссылки на конкретные источники.
Стек подбирался под существующую инфраструктуру команды. Документы не мигрировали в облако вендора — хранилище развёрнуто там, где уже работает команда, данные не покидают контур.
Как работает AI-поиск по базе знаний
Документы остаются обычными markdown-файлами: хранятся локально, версионируются в Git, не привязаны к проприетарному формату. AI-слой строится поверх файлов и не меняет их структуру.
Когда разработчик задаёт вопрос, AI строит ответ по смыслу содержимого и указывает источники — конкретные заметки или ADR, из которых взят ответ. Решения фиксируются как факты, а не как эфемерная переписка. Синхронизация vault позволяет AI-агентам читать и обновлять файлы в реальном времени.
Результат
Новый разработчик получает ответы «как устроено и почему» из одного места — без необходимости расспрашивать команду о контексте каждого решения. Повторяющиеся вопросы снимаются self-service: ответ со ссылкой на источник доступен сразу.
Архитектурные решения перестают исчезать вместе с авторами. Онбординг ускоряется: новый участник самостоятельно находит ответы на вопросы, которые раньше требовали 30-минутного созвона с тимлидом.
Что масштабируем дальше
Следующий уровень — AI-агент, который не только отвечает на вопросы, но и сам пополняет базу знаний: фиксирует решения из code review, переносит контекст из тикетов в ADR, помечает устаревшие заметки. База знаний из статичного архива становится живым рабочим инструментом.
Подключение базы знаний к внешним инструментам через MCP открывает следующий сценарий: AI-агент в IDE читает контекст из vault при написании кода, не переключаясь в браузер. Подробнее о подходе — в статье Obsidian как корпоративная база знаний. Все типовые кейсы внедрения — в разделе кейсов, общий контекст — в разделе AI.
Частые вопросы
Как сделать базу знаний с AI-поиском для команды разработки?
Свести документацию, ADR и решения в единое хранилище на Obsidian-документах и подключить AI-слой, отвечающий по содержимому со ссылками на источник. Документы остаются обычными markdown-файлами — переносимыми и версионируемыми.
Почему поиск по ключевым словам не работает для базы знаний команды?
Ключевые слова находят документы с точными совпадениями, но не отвечают на вопрос «почему так сделали». ADR и архитектурные решения описывают контекст и мотивацию — их нужно понимать семантически. AI-поиск строит ответ по смыслу, а не по совпадению строк.
Можно ли сохранить Obsidian-документы переносимыми при добавлении AI?
Да. Obsidian-документы хранятся как обычные markdown-файлы — локально, с версионированием в Git, без привязки к проприетарному формату. AI-слой строится поверх файлов и не меняет их структуру.