Obsidian và AI Tool Calling: Ghi chú tự hành động

Tuần trước, mình quyết định xóa toàn bộ các plugin AI bên thứ ba khỏi Obsidian. Tự kiểm soát luồng dữ liệu mang lại cảm giác an toàn và mạnh mẽ hơn rất nhiều.

Bản chất của việc tích hợp này

Obsidian lưu trữ kiến thức dưới dạng các file markdown cục bộ. Khi bạn kết nối nó với một mô hình AI thông qua Tool Calling, AI có thể chủ động gọi các hàm hệ thống để đọc nội dung file, tìm kiếm thư mục và ghi chép lại thông tin.

Nếu bạn đang có một vault Obsidian hơn 5000 file, và mỗi lần tìm kiếm một đoạn code cũ bạn phải mở từng file ra đọc, đây là lúc hệ thống này thể hiện giá trị. AI sẽ tự động phân tích ngữ cảnh, tìm file liên quan và tổng hợp lại cho bạn chỉ trong vài giây. Cơ chế cốt lõi của việc này đã được mình phân tích chi tiết trong bài AI Tool Calling: Khi AI thực sự làm việc.

Kinh nghiệm từ dự án thực tế

Kiến thức mình chia sẻ ở đây dựa trên quá trình vận hành thật.

Kiến trúc hoán đổi linh hoạt

Mình tự viết một agent layer nhỏ cho dự án onmee. Điểm mấu chốt là một provider factory cho phép hoán đổi nhanh chóng giữa Claude, Gemini và OpenAI. Mình luôn kèm theo một provider deterministic để chạy test không tốn API call, mọi thứ được đặt gọn gàng trong thư mục agent/providers/ của repo. Cách làm này giúp giảm thiểu chi phí đáng kể khi kiểm tra logic.

Tích hợp giao thức mở rộng

Ngoài việc thao tác trên file markdown, mình dùng Claude Code nối với các MCP server như Slack, Figma và Shopify trong công việc hàng ngày. Điều này chứng minh phần tool calling mình nói hoàn toàn từ trải nghiệm vận hành thật chứ không phải đọc docs rồi làm theo. Bạn có thể xem thêm trên tài liệu Tool Use của Anthropic để hiểu các giao thức này được thiết kế chặt chẽ ra sao.

Điểm yếu của các plugin có sẵn

Hầu hết mọi người sẽ không đồng ý với điều này, nhưng mình nghĩ việc dùng các plugin AI có sẵn cho Obsidian là một bước lùi về mặt kiểm soát.

Sự phụ thuộc không đáng có

Các plugin thường tạo ra một hộp đen. Bạn không biết chính xác prompt hệ thống đằng sau là gì, và thường bị khóa vào một vài model nhất định. Việc tự xây dựng hệ thống như trong Claude Sonnet 4.5 + Obsidian: Hệ thống tự vận hành giúp bạn làm chủ hoàn toàn cách AI xử lý dữ liệu cá nhân của mình.

Bảng so sánh phương pháp

Tiêu chí	Custom Agent (Tự code)	Obsidian Plugin (Có sẵn)	Ghi chú
Kiểm soát prompt	Hoàn toàn	Bị giới hạn	Agent cho phép tinh chỉnh sâu
Chi phí	Trả theo API thực tế	Trả phí hàng tháng	Chạy test có thể dùng provider riêng
Tích hợp MCP	Dễ dàng	Khó khăn	Plugin ít hỗ trợ giao thức ngoài

Cách thiết lập luồng công việc

Bạn chỉ cần vài bước cơ bản để tạo một agent giao tiếp với Obsidian.

1. Tạo một thư mục chứa mã nguồn Python bên ngoài vault của bạn.
2. Định nghĩa rõ ràng các hàm cơ bản như read_markdown, write_markdown, và search_vault.
3. Dùng các công cụ lập trình hiện đại như Cursor hoặc Windsurf để viết phần kết nối API nhanh hơn. Bạn có thể tải môi trường này từ trang chủ Cursor để tiết kiệm thời gian gõ code nền tảng.
4. Thiết lập kịch bản để script tự động quét một file Inbox.md cụ thể, đọc lệnh từ đó và thực thi.

Câu hỏi thường gặp

Chạy agent riêng có tốn tài nguyên máy không?

Một đoạn mã Python chạy ngầm tiêu tốn rất ít RAM. Bạn có thể để nó chạy cả ngày mà không ảnh hưởng đến hiệu năng của máy tính.

Lựa chọn model nào là tốt nhất?

Claude Sonnet 4.6 hiện đang xử lý Tool Calling cực kỳ ổn định, đặc biệt là khi làm việc với mã nguồn. GPT-5.2 cũng là một lựa chọn mạnh nếu bạn cần phân tích các luồng logic dài.

Việc này có an toàn cho dữ liệu cá nhân không?

Dữ liệu của bạn chỉ được gửi đi khi bạn chủ động kích hoạt một lệnh cụ thể. Tự viết script đồng nghĩa với việc bạn biết chính xác dòng chữ nào đang được truyền qua API.

Kết luận

Việc ghi chú sẽ trở nên vô nghĩa nếu những dòng chữ đó mãi nằm yên trong ổ cứng. Tự xây dựng một agent layer kết nối AI với Obsidian biến kho lưu trữ của mình thành một công cụ thực thi thực thụ. Nó đòi hỏi một chút thời gian thiết lập ban đầu, nhưng sự tự do và hiệu quả mang lại là hoàn toàn xứng đáng.