
ノート・エージェント・長文脈モデルを一つの輪にする「知識スタック」の設計
【発端】チャットは忘れ、ノートは古びる。その間をつなぐ設計
最近、Mr. Buzzoni(@polydao)さんの記事「Karpathy-Style Knowledge Stack: Why I Put Hermes, MiniMax M3 and Obsidian at the Core」を読みました。
面白いのは、ツールの紹介で終わらず、役割分担の設計として書かれている点です。ノートは記憶、エージェントは実行、モデルは推論という分け方です。
この記事では、その三つが何なのかを整理します。そのうえで、従来のやり方との違いと、輪が回る仕組みを見ていきます。最後に、自分の仕事で試すときの一歩まで進めます。
【基礎】三つの部品は「記憶・実行・推論」に分かれる

つまり、この構成は「ノートアプリにAIを足したもの」ではありません。記憶と実行と推論を別々の部品にして、つないだものです。
Obsidian:Markdownファイルをそのまま手元のフォルダに置くノートアプリです。[[ノート名]]と書くだけで他のノートへリンクでき、リンク先には、こちらを指すリンク(被リンク)が自動で付きます(Obsidian公式ヘルプ)。
Hermes Agent:Nous Researchが作るオープンソースのエージェントです。会話をまたいで覚えておく記憶と、経験から作って再利用する「スキル」を持ちます(公式ドキュメント)。
MiniMax M3:MiniMaxのマルチモーダルモデルで、文章と画像のように種類の違う入力を受け取ります。公式リポジトリによると、100万トークンの文脈と、約4,280億パラメータ(有効は約230億)を持ちます(GitHub)。
トークンとは、モデルが文章を数えるときの単位です。日本語では、おおよそ1文字から数文字が1トークンにあたります。
【違い】毎回探す方式から、育てて書き戻す方式へ

つまり、変わるのは「知識をいつ組み立てるか」です。質問のたびに組み立てるのか、先に組み立てて保っておくのかが分かれ目になります。
RAG(検索拡張生成)は、質問のたびに関連しそうな文章を検索して、モデルに渡す方式です(Lewisら, 2020)。
Karpathy氏が公開したLLM Wikiは、これと発想が違います。新しい資料が入るたびに、LLMが相互リンク付きのMarkdown群へ統合し、一度まとめた知識を最新に保つ、というパターンです。
原文のスタックは、この考え方に近い位置にあります。原文はKarpathy氏の名前を本文で詳しく説明していないので、この対応づけはこの記事での整理です。
知識の置き場
チャットだけ:会話の中
RAG:検索用の索引
育てるwiki型:手元のMarkdown
組み立てる時期
チャットだけ:質問のたび
RAG:質問のたび
育てるwiki型:資料が入ったとき
次回への引き継ぎ
チャットだけ:なし
RAG:索引の更新次第
育てるwiki型:書き戻したノートが次の入力
弱点の出方
チャットだけ:毎回ゼロから
RAG:取りこぼし
育てるwiki型:書き戻しの誤りが残る
RAGが不要になるわけではありません。大量の外部文書を引くなら、今も有力な手段です。違いは「自分の知識を、人間も読める形で積み上げるか」にあります。
【仕組み】書き戻した結果が、次の入力になる

つまり、輪が回る条件は「出力がノートとして残ること」です。原文は、チャットの答えは消え、ノートの保守は積み上がると書いています。
流れは次の五段です。
生のメモや記事をObsidianに入れます。
Hermesが対象のフォルダを読みます。
Hermesが必要なノート群をM3に渡します。
M3が整理、タグ付け、リンク付けをします。
Hermesが結果をMarkdownとして書き戻します。
ここでHermes自身の記憶は小さいと知っておくと、設計の意図が見えます。公式ドキュメントでは、エージェントのメモMEMORY.mdは約2,200文字が上限です(Persistent Memory)。
つまり、知識の本体を持つのはHermesではなく、vault(ノートの保管庫)の側です。手順は別の場所にあり、スキルとして必要なときだけ読み込まれます(Skills System)。
原文は、フォルダごとに役割を決めることも勧めています。人間はInboxやDailyに自由に書き、HermesはProjectsやReviewsへ要約を出す、という分け方です。
設定ファイルの形式であるYAMLで書かなくても、これが権限の境界になります。
【具体例】1本の記事が、タグ・リンク・更新指示の三点になる

つまり、一回の依頼で「ノートが一つ増える」だけでなく、「既存のノート網が整う」ところまで任せます。
原文の例では、取り込みたい記事をraw/に置きます。M3には、決まった5節のノートにまとめさせます。節は順に、概要、自分の研究の中での位置づけ、vaultへのリンク、タグ、関連です。
このとき確認する出力は三つです。
固定のタグ体系から、正しい主タグを選べたか。
既存ノートへのリンクを8〜12本、書けたか。
どのMOC(目次役のノート)を更新すべきか、指摘できたか。
原文の著者は、約500ファイルのvaultと約41個のタグで運用し、主タグは約90%の確率で一発で選べたと書いています。200K文脈のモデルでは約60%だった、という比較も添えています。
これは著者自身の運用体験です。私は再現していません。
数字は「自分のvaultで測る目安」として読むのが安全です。
【関連概念】長い文脈でも抜ける。だから点検と境界を置く

つまり、文脈が長くなったからといって、全部を等しく読むとは限りません。点検の仕組みが輪の一部になります。
Lost in the Middle:入力の中ほどにある情報を、モデルが使いにくくなる傾向です。長い文脈をうたうモデルでも見られた、と報告されています(Liuら, 2023)。
M3を含む個別のモデルでどうなるかは、自分のデータで確かめる必要があります。
フォワードリファレンス:まだ存在しないノートへのリンクです。Obsidianでは灰色のリンクとして見えます。
原文は、存在を捏造するよりよいと位置づけ、週1回の点検で整理します。
モデルの使い分け:原文は、名前変更や整形のような小さな作業を、軽くて安いモデルに任せます。M3は、全体構造に依存する作業に使います。
適用範囲:M3の文脈は100万トークン、最低保証は51.2万トークンです(MiniMax公式)。自分のvaultが収まるかは、量を測ってから判断します。
原文は、図の多いPDFには専用の視覚ツールを先に使う、とも書いています。万能の構成としては描いていません。
参考情報・参考書籍(PR)
本記事をより深く理解するために、概念マップスライドを作成しました。こちらをみることで理解の補助になるはずです。
『大規模言語モデル入門』(山田育矢、鈴木正敏、山田康輔、李凌寒):モデルが長い文脈をどう扱うかの前提になる、大規模言語モデルの基礎を押さえる入門書です。
『仕組みからわかる大規模言語モデル 生成AI時代のソフトウェア開発入門』(奥田勝己):大規模言語モデルを使ったソフトウェア開発の体系的な入門で、RAGとエージェントを組む設計の理解に役立ちます。
関連記事
【まとめ】1フォルダ、1成果物、目視確認から始める

つまり、最初から全体を自動化せず、小さなループを一つ確かめることです。原文も同じ順序を勧めています。
試す手順は次のとおりです。
自分のノートから、役割がはっきりしたフォルダを一つ選びます。
エージェントに、そのフォルダだけを読ませます。
成果物はMarkdown一枚に絞って依頼します。
Obsidianで開き、リンクとタグが実在するか目で確かめます。
退屈なほど安定したら、次の輪を足します。
公式の導入手順には、スクリプトをそのままシェルへ渡す一行があります。実行する前に、中身を自分で確認することをお勧めします。
読み終えたあとに決めることは一つです。自分のノートのうち、最初に「書き戻してよい」と許すフォルダはどれでしょうか。