Cómo conecté Obsidian con agentes IA para tener un segundo cerebro que trabaja 24/7 — y solo me cuesta 14€ al mes

Empecé con un problema muy concreto: mi memoria no daba abasto

En junio de 2026 llevaba 374 artículos publicados en La Frontera IA. Cada uno investigado, escrito y publicado por agentes IA que diseñé yo mismo. El pipeline editorial funcionaba solo — pero había un agujero enorme: todo ese conocimiento se perdía. Cada artículo nuevo partía de cero. No había memoria entre ejecuciones.

El problema no era técnico. Era de arquitectura del conocimiento. Tenía DeepSeek V4 Pro generando artículos excelentes a $0.43 por millón de tokens, pero el agente no recordaba lo que había escrito hace 4 horas. Era como contratar a un redactor brillante con amnesia.

Ahí fue cuando encontré el concepto de "segundo cerebro" — popularizado por Tiago Forte con su método PARA (Proyectos, Áreas, Recursos, Archivo) — y decidí construirlo. Pero con una diferencia: el mío no iba a ser para mí. Iba a ser para mis agentes IA.

Por qué Obsidian y no Notion, Logseq o cualquier otra cosa

Probé tres herramientas antes de decidirme. Notion es bonito pero tus notas viven en sus servidores. Si mañana cierran, pierdes 5 años de pensamientos. Logseq es open source y tiene outline, pero en julio de 2026 su integración con APIs de agentes IA era prácticamente inexistente. Obsidian ganó por tres razones:

1. Archivos Markdown planos en tu disco duro. Esto significa que cualquier agente IA — Claude Code, Hermes Agent, ChatGPT, Gemini CLI — puede leerlos y escribirlos sin depender de APIs propietarias. No hay vendor lock-in.

2. Wikilinks nativos. El formato [[nota]] crea un grafo de conocimiento que los agentes pueden navegar. Mi vault tiene más de 3.000 enlaces cruzados entre notas. Cuando un agente lee un artículo sobre Kimi K3, automáticamente descubre que está conectado con GLM-5.2, Qwen-3.7 y la síntesis sobre dominancia china en IA.

3. Plugins MCP. El Model Context Protocol de Anthropic (anunciado en noviembre de 2024) permite que agentes como Claude Code accedan al vault como un servidor de recursos. No necesitas exportar nada. El vault es la base de datos.

Según Remio.ai, el hype de los agentes IA en Obsidian explotó en abril de 2026 — pero la mayoría de usuarios sigue sin poder hacerlo funcionar. El motivo es simple: conectar Obsidian con agentes no es instalar un plugin. Es diseñar toda una arquitectura de conocimiento.

La estructura AI-first: no es un vault cualquiera

Un vault tradicional de Obsidian está diseñado para que lo lea un humano. El mío está diseñado para que lo lean agentes IA. Cada nota sigue reglas estrictas que llamo AI-first rules:

Frontmatter obligatorio: cada nota tiene tipo (concept, articulo, decision, proyecto), fecha, tags en formato [tag1, tag2] y la bandera ai-first: true. Sin esto, un agente no sabe qué tipo de contenido está leyendo.

Política de frescura OKM: todo dato almacenado es atemporal (nunca cambia, como "Karpathy fundó Eureka Labs"), fechado (lleva un "as of", como "GPT-5 cuesta $200/mes as of 2026-07"), o puntero (enlaza al sistema donde vive la verdad, como "ver articles-data.json"). Esto evita que el vault se llene de afirmaciones obsoletas que parecen ciertas.

Niveles de confianza: cada nota marca su certeza: stated (declaración oficial), high (múltiples fuentes independientes), medium (una sola fuente), speculation (opinión informada). Cuando un agente lee una nota con speculation, sabe que debe verificarla antes de citarla.

Este sistema no lo inventé yo. Está inspirado directamente en el concepto de "LLM Wiki" de Andrej Karpathy — la idea de que los modelos de lenguaje necesitan una base de conocimiento estructurada que crece con cada interacción. Hay implementaciones open source que siguen este mismo patrón, con cron jobs que hacen commit automático del vault cada hora.

Cómo los agentes escriben en el vault automáticamente

Mi pipeline editorial — el que publica artículos en esta web — tiene tres puntos de contacto con el vault:

1. Pre-escritura: antes de redactar, el agente busca en el vault conocimiento acumulado sobre el tema. Si voy a escribir sobre un modelo chino nuevo, el agente encuentra automáticamente notas sobre Kimi K3, GLM-5.2 y la síntesis de dominancia china. No parte de cero.

2. Pre-publicación: el agente ejecuta un challenge — cuestiona el artículo contra el historial del vault. ¿Contradice algo que ya publicamos? ¿Falta mencionar una tendencia que detectamos hace 3 días? Si el artículo dice que "nunca antes un modelo chino había liderado benchmarks" pero el vault tiene 4 notas que muestran lo contrario, el challenge lo detecta.

3. Post-publicación: cada artículo nuevo se ingiere como una nota atómica en entities/ARTICULO-{slug}.md. Con wikilinks a conceptos, proyectos y otros artículos relacionados. Esta ingesta es automática — no toco el vault manualmente desde junio de 2026.

El resultado: 383 entidades en 30 días, con solo 6 artículos publicados diariamente. Cada nota nueva enriquece las futuras.

El agente nocturno: síntesis que yo nunca habría visto

Esto es lo que más me impresiona del sistema. Cada noche a las 22:20, un cron job llamado obsidian-nightly ejecuta 5 fases sobre el vault:

Fase 1 — Cierre: actualiza la nota diaria con el resumen del día. Hoy (23 de julio de 2026) detectó 0 artículos nuevos ingeridos porque es domingo — pero sabe qué entidades se crearon.

Fase 2 — Reconciliación: busca contradicciones. Si dos notas dicen cosas opuestas sobre el mismo hecho, las marca. Esta fase ha detectado bugs reales: tags con doble bracket [['tag']] en lugar de [tag], archivos huérfanos que deberían haberse borrado, metadatos inconsistentes.

Fase 3 — Síntesis: aquí está la magia. El agente busca patrones entre notas que ningún humano detectaría. En julio de 2026 generó estas síntesis:

• "AI Autonomous Production Q3 2026": 5 fuentes independientes — Bun reescrito en Rust por Claude Code, 374 artículos publicados sin intervención humana, 30% de papers en arXiv generados por IA, 54% de empresas con incidentes de seguridad por agentes IA. Conclusión: la IA ya no asiste, produce autónomamente.
• "Chinese Open-Source AI Dominance Q3 2026": 6 fuentes — Kimi K3 (2.8T params), GLM-5.2 (licencia MIT), informe Mozilla (79% adopción, 3:1 en tokens vs EEUU). Conclusión: los modelos chinos de pesos abiertos definen la frontera.

Estas síntesis no las escribí yo. Las generó el agente cruzando notas que yo ni siquiera recordaba haber guardado.

Fase 4 — Curación: enlaza notas huérfanas. Si un artículo sobre Galaxy Watch Ultra 2 no tiene enlaces entrantes, el agente busca qué otras notas mencionan wearables Samsung y crea los wikilinks.

Fase 5 — Log: documenta todo en log.md. 108 líneas de historial que me permiten auditar exactamente qué hizo el agente cada noche desde el 17 de julio de 2026.

Lo que nadie te dijo: los bugs que casi me hacen tirar todo

Esto no es un tutorial bonito de YouTube donde todo funciona a la primera. Durante julio de 2026, el vault sufrió tres bugs graves que me enseñaron más que cualquier documentación:

Bug 1 — concepts/ wiped durante 3 noches consecutivas. Las síntesis nocturnas desaparecían. El agente las escribía, verificaba persistencia, pero a la mañana siguiente el directorio concepts/ solo contenía .gitkeep. Tres noches seguidas. Causa probable (aún sin confirmar al 100%): un proceso externo de backup o sync sobreescribiendo el directorio. La solución temporal fue recrear las síntesis cada noche. La definitiva: inotifywait -m concepts/ durante 24h para capturar qué proceso toca el directorio.

Bug 2 — Atributo inmutable de Linux (chattr +i). El 19 de julio descubrí que el directorio concepts/ tenía el flag i (inmutable) activado. Esto bloquea silenciosamente cualquier escritura. Los agentes creían que habían guardado archivos — pero el sistema operativo los descartaba sin dar error. Perdí dos síntesis completas de los días 17 y 18 de julio. La solución: chattr -i concepts/ y un health check diario que verifica flags de sistema.

Bug 3 — Tags con doble bracket. La pipeline de ingesta produce ocasionalmente tags en formato [['IA', 'modelos']] en lugar de [IA, modelos]. Esto rompe el sistema de búsqueda por tags del vault. El script vault_health.py lo detecta y corrige automáticamente, pero el bug sigue apareciendo intermitentemente. Estoy investigando si viene del prompt del agente o de un parser de frontmatter.

Estos bugs me enseñaron algo fundamental: un vault AI-first necesita health checks automatizados. No basta con escribir notas. Hay que verificar que se escribieron bien, que los metadatos son consistentes, que los enlaces no están rotos y que ningún proceso externo está saboteando el sistema.

El health check automático: el vault se repara solo

Escribí vault_health.py, un script de 194 líneas que ejecuto cada domingo a las 21:00 (cron obsidian-health). Comprueba 7 cosas:

1. Que references/ai-first-rules.md existe (crítico)
2. Que no hay archivos con tags en doble bracket (crítico)
3. Que el MOC (Map of Content) no tiene wikilinks rotos (crítico si >50% rotos)
4. Que las carpetas obligatorias no están vacías (warning)
5. Que los archivos core tienen frontmatter YAML (warning)
6. Que los tags no están vacíos en >50% de las notas (warning)
7. Porcentaje de cumplimiento AI-first (informativo)

Y lo mejor: tiene modo --fix. Si detecta doble bracket, los corrige. Si falta el MOC, lo regenera. Si falta ai-first-rules.md, lo crea desde una plantilla. El vault se repara solo.

Este script se complementa con 57 cron jobs que mantienen todo el ecosistema: sync cada 15 minutos, backup diario, vacuum mensual, síntesis semanal, health check dominical. Todo corre en una Raspberry Pi 5 de 8GB con Debian 12.

Costes reales: 14€ al mes por un sistema que trabaja 24/7

Desglose de lo que pago cada mes por mantener este segundo cerebro con agentes IA:

• DeepSeek V4 Pro (API): ~12€/mes. A $0.43/1M tokens de input y $0.87/1M de output. El agente nocturno consume ~500K tokens diarios entre lectura del vault, reconciliación, síntesis y curación. El pipeline editorial añade otros ~2M tokens/día.
• DeepSeek V4 Flash: ~1.50€/mes. Para tareas ligeras como health checks y syncs. A $0.09/1M tokens.
• Electricidad RPi 5: ~0.50€/mes. La Raspberry consume 5-8W en carga. A 0.15€/kWh en España, son unos 60 céntimos al mes.
• Total: ~14€/mes.

Comparado con Notion AI ($10/mes) o Mem ($15/mes), mi sistema no solo es más barato — es que hace cosas que esas herramientas ni siquiera intentan. Ninguna suscripción comercial te ofrece agentes que sintetizan conocimiento nuevo mientras duermes.

Y si mañana DeepSeek sube precios, cambio al modelo que quiera. Mis notas son archivos Markdown en mi disco duro. No soy rehén de ninguna plataforma.

Cómo empezar tu propio segundo cerebro AI-first (sin volverte loco)

Si quieres construir algo así, no repliques mi error de intentar hacerlo todo de golpe. Esto es lo que aprendí después de 30 días de iteración:

Semana 1: El vault base. Instala Obsidian. Crea la estructura de carpetas: entities/, concepts/, projects/, daily/. Define tus AI-first rules en un archivo references/ai-first-rules.md. No te preocupes por los agentes todavía — solo escribe notas con frontmatter consistente.

Semana 2: El primer agente lector. Conecta Claude Code a tu vault con MCP. Dale este prompt: "Lee mi vault y dime qué patrones ves". No le pidas que escriba todavía. Solo lectura. Te sorprenderá lo que encuentra.

Semana 3: Ingesta automática. Crea un script que, cada vez que publicas o terminas algo, genere una nota atómica en el vault. La mía tiene 40 líneas de Python. Usa wikilinks para conectar con notas existentes.

Semana 4: Agentes nocturnos. Programa un cron job que ejecute reconciliación y síntesis cada noche. Empieza con 2 fases (close + synthesize). Añade reconcile, heal y log cuando tengas confianza.

Y lo más importante: no confíes en que los agentes escriben bien. El 19 de julio perdí 2 síntesis porque el sistema de archivos las descartaba silenciosamente. Verifica siempre.