Karpathys bibliotekar-mønster slår gjennom i Obsidian

Karpathys bibliotekar-mønster slår gjennom i Obsidian

Andrej Karpathys gist fra april, der han beskriver en LLM som en "forskningsbibliotekar" — som samler, luker ut og kobler sammen Markdown-notater til en stadig voksende wiki — har gitt opphav til et lite økosystem. Flere åpen kildekode-prosjekter, med til sammen rundt 255 000 GitHub-stjerner, implementerer nå operasjoner for innlasting, spørring, luking og "graf-ifisering" som gjør om notater, kodebaser og PDF-er til søkbare kunnskapsgrafer inne i Obsidian [4][5].

Arkitekturen dropper bevisst tradisjonell RAG til fordel for et levende, selvvedlikeholdende dokumentbibliotek som løser opp motsigelser og flagger utdatert informasjon automatisk, slik VentureBeat beskrev i sin artikkel [4]. Brukere gjør i praksis Obsidian om til en LLM-drevet IDE for personlig kunnskapsforvaltning.

X-tråder fra kontoer som @Mr_Buzzoni og @birmeya gikk viralt med oversikter over de over syv prosjektene som inngår, og kommentarfeltene roste det som den mest praktiske "second brain"-automatiseringen bygget direkte på Karpathys opprinnelige mønster hittil [6]. Det er et sterkt signal om at markedet vil ha vedvarende, selvkorrigerende kunnskapsbaser — ikke bare bedre søk.

Superhuman kjøper Fathom for å satse på agentbasert arbeid

Superhuman kjøpte den YC-støttede notatappen Fathom 14. september, og tok dermed inn et selskap som hadde hentet over 30 millioner dollar og var verdsatt til 94 millioner dollar i 2024, inn i sin produktivitetsplattform [7][8]. Fathom bidrar med AI-drevet møtefangst, sammendrag, oppgavepunkter og botfri transkribering — og, avgjørende nok, et søkbart arkiv av møtekontekst [9].

Den egentlige hensikten er agentbasert: Superhuman Gos AI-agenter kan nå søke i tidligere møter sammen med e-post, dokumenter, kalender og databaser, slik at de kan utarbeide oppdateringer eller planlegge oppfølging basert på hva som faktisk ble sagt i en samtale for flere uker siden [7]. Fathom-teamet blir med for å videreutvikle dette.

I produktivitetsmiljøer tolkes dette som en bekreftelse på at møtetranskripsjoner er i ferd med å bli infrastruktur, ikke bare en praktisk funksjon — det rå materialet agenter trenger for å handle på dine vegne. Oppkjøpet fikk ros for å "gjøre talt kunnskap om til handlingsrettet produktivitet", et uttrykk som i økende grad oppsummerer hele kategorien.

Sveits' jernbane viser at kunnskapsgrafer fungerer i infrastrukturskala

Borte fra all støyen rundt forbruker-AI har Sveriges... korreksjon: Sveits' statsbaner (SBB) i det stille kjørt OriginTrails desentraliserte kunnskapsgraf siden 2021 for togsporing og prediktivt vedlikehold — inkludert IoT-overvåket hjulslitasje — på tvers av over ti sveisepartnere og EU-standardiseringsorganer [10][11]. Løsningen kombinerer symbolsk grafstruktur med LLM-drevne spørringer på naturlig språk, slik at ingeniører kan stille spørsmål i vanlig tekst om vedlikeholdshistorikk eller delers opprinnelse og få verifiserbare svar.

Dette er en nyttig påminnelse om at kunnskapsgrafer ikke er en 2026-AI-trend — de er et velprøvd mønster for data fra mange parter med høy innsats, som både må være søkbare og pålitelige. OriginTrails case-studie fikk solid engasjement på X som et sjeldent eksempel på bedriftsklar, verifiserbar grafinfrastruktur som har kjørt stillferdig i produksjon i fem år [12].

Hva dette betyr for dine møter

Tre av dagens fire globale saker peker mot samme gap: verktøy kappes om å gjøre ustrukturert tale og tekst om til strukturert, hentbar kunnskap — og om å gjøre den kunnskapen handlingsrettet, ikke bare arkiverbar. Granolas utvidelse av diktering, Karpathys bibliotekar-mønster-prosjekter og Superhumans Fathom-oppkjøp jager alle, på hver sin måte, den samme gevinsten — et system som husker alt du sier og gjør, organiserer det uten manuell innsats fra deg, og lar en AI handle på det senere.

SBB-caset er den edrue motvekten: kunnskapsgrafer gir bare verdi når de er nøyaktige, sammenkoblede og pålitelige på tvers av mange bidragsytere — ikke bare imponerende store. Det er nøyaktig den disiplinen møteintelligens-verktøy trenger etter hvert som de skalerer fra "fin transkripsjon" til "sannhetskilde en agent kan handle ut fra". En dikteringsfunksjon eller en notatapp er bare så nyttig som grafen som kobler den til alt annet du har sagt og bestemt.

Dette er helt i Proudfrogs farvann — talergjenkjente transkripsjoner som mater en ekte kunnskapsgraf, ikke bare en søkbar haug med sammendrag. Når konkurrentene skrur diktering og oppkjøp på toppen av møtenotater, vil ikke differensieringen ligge i selve fangsten; den vil ligge i om systemet ditt klarer å løse opp motsigelser, finne frem riktig kontekst et halvt år senere, og la deg — eller dine agenter — faktisk stole på det som hentes frem.

Hovedpoeng: Kappløpet om møteintelligens er i ferd med å gå fra "fang opp alt" til "koble sammen og stol på alt" — og det er et kunnskapsgraf-problem, ikke et transkripsjonsproblem.

Sources

1. https://www.granola.ai/voice-typing
2. https://techcrunch.com/2026/10/29/granola-crunches-up-a-dictation-feature-to-compete-with-wispr/
3. https://www.granola.ai/blog/granola-free-trial-get-started
4. https://venturebeat.com/data/karpathy-shares-llm-knowledge-base-architecture-that-bypasses-rag-with-an?ref=implicator.ai
5. https://pypi.org/project/obsidian-wiki/
6. https://x.com/Mr_Buzzoni/status/2114262687022510215
7. https://techcrunch.com/2026/09/14/superhuman-acquires-yc-backed-notetaker-fathom-as-productivity-platforms-push-for-agentic-work/
8. https://blog.superhuman.com/superhuman-acquires-fathom/
9. https://www.fathom.ai/superhuman
10. https://www.gs1.org/system/files/gs1_use-case_rail_origintrail.pdf
11. https://docs.origintrail.io/getting-started/readme.md
12. https://x.com/origin_trail/status/2034645076337479829