🌐 O que é um Grafo de Conhecimento
Um grafo de conhecimento é uma estrutura matemática onde nós representam conceitos e arestas representam relacionamentos. Diferente de pastas hierárquicas, um grafo permite que uma nota pertença a múltiplos contextos simultaneamente.
🔗 Grafo de Conhecimento vs. Hierarquia de Pastas
Cada arquivo `.md` é um nó. Representa um conceito, projeto, pessoa ou ideia atômica.
Os `[[wikilinks]]` são as arestas. Criam relacionamentos bidirecionais automaticamente.
O grafo revela clusters de conhecimento que você não planejou — conexões que emergem naturalmente.
🔗 Backlinks: Conexões Bidirecionais
O backlink é o superpoder do grafo de conhecimento. Quando você escreve `[[Python LLM]]` em uma nota sobre Machine Learning, o Obsidian automaticamente registra que ML.md aponta para Python LLM.md — e Python LLM.md sabe que ML.md existe.
↔ Como Backlinks Funcionam
- →Você nunca precisa lembrar "onde coloquei isso" — o grafo sabe quem aponta para quem
- →Conceitos orFãos (sem links) ficam visíveis — sinal de que precisam ser conectados
- →O LLM pode navegar o grafo via backlinks para entender contexto completo
⚛️ Pensamento Atômico
A regra de ouro: uma nota = uma ideia. Notas atômicas são pequenas, focadas e reutilizáveis. Elas se conectam como Legos — combinações infinitas a partir de blocos simples.
⚡ Atômico vs. Monolítico
Tente nomear a nota com uma frase curta. Se o título precisa de "e" (ex: "ML e Python e APIs"), divida em 3 notas. Se o título cabe em 3-5 palavras, está atômica.
👁️ Obsidian Graph View
O Graph View do Obsidian renderiza seu vault como um grafo interativo em tempo real. Você pode ver clusters de conhecimento, notas isoladas (órfãs) e hubs centrais.
📊 Simulação do Graph View do Obsidian
Notas com muitas conexões são seus conceitos mais importantes. São pontos de partida para exploração.
Notas sem links são conhecimento perdido. O grafo os torna visíveis para que você os conecte.
🏷️ YAML Frontmatter e Metadata
Cada nota pode ter um cabeçalho YAML com metadata estruturado. Esse metadata é o que permite filtrar, agrupar e buscar notas no Dataview e é lido pelo LLM para entender contexto rapidamente.
📋 Estrutura de Frontmatter Recomendada
---
title: Python para LLMs
tags: [python, llm, ferramentas]
created: 2024-01-15
updated: 2024-03-20
status: active # active | draft | archived
confidence: high # high | medium | low
related:
- [[machine-learning]]
- [[agentes-ia]]
---O LLM lê `status` e `confidence` para saber se a informação é confiável. `updated` indica se está desatualizado.
O plugin Dataview cria tabelas dinâmicas consultando tags e campos — como SQL nas suas notas.
🚀 Serendipidade Planejada
A maior vantagem do grafo de conhecimento é revelar conexões que você não planejou. Quando você escreve sobre projeto X e percebe que ele usa o mesmo princípio de projeto Y que você estudou há meses — isso é serendipidade planejada.