En bref : cette vidéo de Nate Herk montre comment transformer un simple stock de notes, de PDF et de transcripts YouTube en un wiki maintenu par un agent IA. L’idée ne consiste pas à faire du RAG de plus, mais à construire un artefact vivant : un graphe de pages Markdown qu’un modèle met à jour au fil des nouvelles sources.

LLM Wiki : comment transformer des vidéos YouTube en second cerveau IA avec Obsidian et Claude Code

Le point de départ est simple : au lieu d’interroger des documents bruts à chaque question, on demande à un agent de compiler progressivement la connaissance dans un wiki en Markdown. Dans la démonstration, Nate Herk s’appuie sur l’idée popularisée par Andrej Karpathy, sur Obsidian comme interface de navigation, et sur Claude Code / Fable comme couche d’ingestion et de structuration.

La promesse est séduisante : vos transcripts YouTube, vos PDF, vos notes de réunion et vos articles cessent d’être un tas de fichiers. Ils deviennent un système interconnecté, consultable, révisable et surtout cumulatif.

Chaîne : Nate Herk | AI Automation
Date : 3 juillet 2026
Niveau : intermédiaire à avancé
Sujet : gestion de connaissance, agents IA, Obsidian, Claude Code, wiki LLM

En 30 secondes

• La vidéo montre comment ingérer des vidéos YouTube, PDF et URL dans un wiki maintenu par un agent.
• Le coeur du système repose sur l’idée de Karpathy’s LLM Wiki : la connaissance n’est plus redécouverte à chaque requête, elle est compilée une fois puis enrichie.
• Obsidian sert d’interface humaine pour parcourir les liens, le graphe et les pages Markdown.
• Claude Code / Fable sert d’ouvrier : il lit les sources, crée les pages, met à jour l’index, relie les concepts et tient un log.
• La démonstration est convaincante sur la visualisation, mais elle sous-estime un peu les questions de qualité d’ingestion, coût, maintenance des règles et bruit dans les sources.

Fiche express

Critère	Verdict Kikiby
Idée principale	Construire un wiki vivant en Markdown, alimenté en continu par un agent IA.
Outils cités	Obsidian, Claude Code, Fable, Markdown, PDF, URLs, transcripts YouTube.
Ce que la vidéo vend	Un « second cerveau » plus utile qu’un simple système RAG.
Ce qui convainc	La logique cumulative, les backlinks, le graphe et l’indexation progressive.
Ce qui demande du recul	La qualité réelle des sources, les hallucinations d’ingestion, le coût en temps et en tokens.
Pour qui	Créateurs, chercheurs, consultants, équipes produit, profils très orientés notes et documentation.

Pourquoi cette vidéo mérite l’attention

Parce qu’elle met le doigt sur une limite très concrète des usages actuels de l’IA. Beaucoup d’outils savent retrouver de l’information. Beaucoup moins savent la consolider dans le temps. La vraie force du concept de LLM wiki n’est pas le résumé automatique. C’est la persistance de la structure : entités, concepts, comparaisons, liens entrants, journal des ingestions.

Le basculement clé, ici, n’est pas « un agent lit mes documents ». C’est : un agent maintient un artefact de connaissance qui s’améliore à chaque nouvelle source.

Résumé éditorial

Nate Herk part d’un cas simple à comprendre : ses propres vidéos YouTube. Au lieu de les laisser dormir sous forme de transcripts séparés, il les injecte dans un wiki LLM. Chaque vidéo devient alors une source parmi d’autres. L’agent en extrait des outils, des concepts, des techniques et des relations. Au fil des ingestions, un graphe de connaissance émerge.

Ce que la démonstration montre bien, c’est le confort d’usage : on clique sur un concept comme GitHub, puis sur une relation, puis sur un autre outil, et on remonte ainsi tout un réseau d’idées. Dit autrement, la vidéo vend une interface de navigation plus qu’un simple pipeline de transcription.

Autre point intéressant : le système n’est pas limité aux vidéos. Nate Herk montre aussi l’ingestion d’un PDF et d’une URL, avec création de pages supplémentaires et croisements automatiques. On comprend alors le vrai pari du workflow : faire de Markdown un format pivot, assez simple pour rester portable, assez structuré pour être exploitable par plusieurs agents.

Ce que la vidéo montre vraiment

• Un modèle de connaissance persistant, plutôt qu’un chatbot à mémoire courte.
• Une séparation claire entre sources brutes, wiki dérivé et règles d’ingestion.
• Une approche compatible avec plusieurs agents, du moment qu’ils savent lire et écrire des fichiers Markdown.
• Un cas d’usage très concret : réutiliser son historique de contenu pour écrire, relier, expliquer et produire plus vite.

Analyse Kikiby

Sur le fond, la vidéo est forte quand elle oppose le RAG jetable à la connaissance cumulée. L’idée de Karpathy, bien résumée ici, reste très puissante : plutôt que de reconstituer la réponse à chaque fois, on capitalise. C’est une logique plus proche d’un wiki ou d’un codebase que d’un simple chat.

Là où il faut nuancer, c’est sur le mot « cheating » du titre. Non, ce n’est pas de la triche. C’est surtout une bonne architecture de travail. Le résultat dépendra beaucoup de la qualité des règles, des sources et des révisions humaines. Un wiki LLM mal gouverné peut aussi accumuler du bruit, des doublons ou des liens douteux.

Autrement dit, le concept est bon. La démo est parlante. Mais la valeur vient moins du modèle vedette du moment que du design du système.

Promesse vs réalité

Promesse de la vidéo	Réalité probable
Mettre en place le système en 5 minutes	Possible pour un prototype, moins réaliste pour un wiki propre, durable et bien routé.
Tout relier automatiquement	Oui, mais avec des liens parfois faibles, redondants ou discutables sans revue humaine.
Rendre son IA beaucoup plus intelligente	Oui, si les sources sont bonnes et si la structure reste cohérente dans le temps.
Produire une vue claire pour les débutants	Possible, à condition de travailler aussi l’interface, pas seulement les données.

Points forts

• Démo concrète : on voit le graphe, les pages, l’index, le log.
• Bon angle pédagogique : l’idée devient tangible en partant d’un corpus de vidéos.
• Portabilité : le wiki reste du Markdown, donc réutilisable au-delà d’un outil précis.
• Intérêt business réel : notes internes, réunions, contenus, documentation, veille.

Limites et points de vigilance

• Garbage in, garbage out : un transcript approximatif produit une base de connaissance approximative.
• Dette de maintenance : même si l’IA fait le sale boulot, quelqu’un doit surveiller les règles du système.
• Coûts cachés : temps d’ingestion, vérifications, itérations, consommation de modèles.
• Risque de surconfiance : un graphe élégant peut donner une illusion de vérité mieux structurée qu’elle ne l’est vraiment.

Pour qui cette vidéo est utile

Cette vidéo parlera surtout à quatre profils :

• les créateurs qui veulent réexploiter leur catalogue de contenus ;
• les indépendants ou agences qui veulent transformer des réunions, documents et process en mémoire opérationnelle ;
• les utilisateurs avancés d’Obsidian ou de Markdown ;
• les passionnés d’agents IA qui cherchent une vraie alternative au simple chat contextuel.

Ce qu’il manque ou ce qui reste hors champ

La vidéo survole vite trois sujets pourtant décisifs : la gouvernance de la qualité, la gestion des contradictions et le nettoyage du wiki dans la durée. Or c’est précisément là que se joue la différence entre une belle démo et un système vraiment utile six mois plus tard.

Elle ne creuse pas non plus le sujet de la sécurité des données, ce qui devient important dès qu’on sort d’un corpus public pour passer à des notes privées, des réunions clients ou des documents internes.

Comment passer à l’action

1. Créer un vault Obsidian dédié.
2. Définir une structure simple : raw/, wiki/, index.md, log.md.
3. Choisir un premier corpus limité : 5 à 10 vidéos, ou un seul thème documentaire.
4. Rédiger des règles d’ingestion claires dans un fichier de type CLAUDE.md ou AGENTS.md.
5. Vérifier manuellement les premières pages créées avant d’industrialiser.

Citations marquantes

• « The wiki is a persistent, compounding artifact. » — l’idée centrale attribuée à Andrej Karpathy.
• « Obsidian is the IDE; the LLM is the programmer; the wiki is the codebase. » — une formule qui résume très bien la philosophie du système.
• « The more data you give your projects, the better. » — vrai en partie, à condition que cette donnée soit bien routée et révisée.

Chapitres de la vidéo

• 0:00 – 2:30 : démonstration du wiki YouTube et de la navigation par concepts.
• 2:30 – 6:00 : comparaison entre une interface confuse et une interface plus pédagogique générée avec Fable.
• 6:00 – 11:00 : rappel du concept de Karpathy et mise en place d’un vault Obsidian.
• 11:00 – 18:00 : structure des dossiers, index, log, wiki, raw.
• 18:00 – fin : ingestion d’un PDF et d’une URL, puis réflexion sur la maintenance et la portabilité.

FAQ

Qu’est-ce qu’un LLM wiki ?

C’est une base de connaissance en Markdown, maintenue par un agent IA qui lit de nouvelles sources, met à jour des pages existantes et crée des liens entre concepts, entités et documents.

Quelle différence avec un système RAG classique ?

Le RAG retrouve des morceaux de documents au moment de la question. Le LLM wiki, lui, compile progressivement la connaissance en amont et la conserve sous forme structurée.

Pourquoi Obsidian revient-il souvent dans ce type de workflow ?

Parce qu’Obsidian reste léger, local, basé sur des fichiers Markdown, avec backlinks et vue graphe. C’est une bonne interface humaine pour parcourir un système que l’IA met à jour.

Est-ce utile uniquement pour YouTube ?

Non. La vidéo montre justement que l’intérêt réel apparaît quand on mélange plusieurs types de sources : vidéos, PDF, notes internes, pages web et documents de travail.

Transcription éditée et segmentée

00:00 – 04:00
Nate Herk ouvre la vidéo en montrant un graphe de ses vidéos YouTube déjà ingérées dans un wiki LLM. Il insiste sur le fait que les liens entre concepts n’ont pas été construits manuellement : l’agent a relié les contenus, extrait des outils, des techniques et des idées, puis fait émerger une sorte de « second cerveau » navigable.

04:00 – 09:00
Il compare ensuite deux interfaces : l’une plus confuse, obtenue après un long travail avec un autre modèle, l’autre plus simple et plus pédagogique, générée avec Fable. Son argument est clair : la valeur ne réside pas seulement dans les données, mais aussi dans la manière de les rendre lisibles pour un débutant.

09:00 – 15:00
La vidéo revient alors à la source conceptuelle du système : le gist de Karpathy sur les LLM wikis. Nate Herk montre comment créer un vault Obsidian, y ouvrir la structure initiale, puis demander à l’agent de mettre en place les règles, l’index, le log et les conventions d’ingestion.

15:00 – fin
Enfin, la démonstration passe à l’ingestion de nouveaux contenus : un PDF et une URL. L’agent crée de nouvelles pages, multiplie les croisements et met en évidence des relations intéressantes entre modèles, entreprises et sujets. La conclusion est simple : si vos connaissances restent dans des fichiers isolés, vous perdez l’effet cumulatif que ce type de wiki peut apporter.

Ressources utiles

• Voir la vidéo sur YouTube
• Le gist original de Karpathy sur le LLM Wiki
• Le site officiel d’Obsidian

Verdict Kikiby

Cette vidéo ne montre pas un gadget de plus autour des agents IA. Elle met en scène une idée plus importante : faire de la connaissance un actif cumulatif, au lieu de la reconstituer à la demande. La promesse est forte, et la démo la rend très concrète. Mais le vrai différenciateur ne sera pas le modèle du mois. Ce sera la discipline de structuration, la qualité des sources et la capacité à garder le wiki propre dans le temps.

Style pass appliqué : oui — human-writing-style-fr — ton resserré, formulations simplifiées, excès de jargon retirés, structure gardée riche pour WordPress.