Từ Zettelkasten 1960s → PARA của Tiago Forte → LLM Wiki của Andrej Karpathy. Cách biến đống ghi chú "lưu mà không xem" thành bộ não thứ hai biết suy luận và hành động.
Xem trên YouTube
Trong cơn bùng nổ AI, vấn đề lớn nhất không phải thiếu data — mà là dữ liệu đã có không ai dùng được.
Xem từ 00:00:04Lướt web, mạng xã hội, Facebook, TikTok — gặp gì hay là lưu lại: video, bài viết, mấy chục cái prompt, mấy chục cái skill, file PDF, sách...
Sự thật: rất hiếm khi quay lại xem.
"Tất cả cái vấn đề chúng ta lưu lại — rất ít khi chúng ta sẽ xem lại nó. Vô hình chung tích trữ một đống dữ liệu tùm lum ở Facebook, TikTok, các file, các sách..."
— Trần Quốc Huy, 00:00:38
Phương pháp ghi chú hộp giấy: 90.000 thẻ index → hơn 70 cuốn sách + 400 bài báo học thuật.
Xem từ 00:01:31Mỗi note có ID duy nhất — giống database. Linh hoạt: ghi chú nhánh là
23a, nhánh con là 23a1.
Phân loại cho dễ truy vấn. Đây là người đầu tiên nghĩ ra dùng "tag" cho ghi chú trên giấy.
Ngắn gọn, một ý/note. Không gom nhiều ý vào một thẻ.
"Hyperlink" của giấy. Cho phép tạo cấu trúc phi tuyến tính — ý tưởng mới nảy sinh từ kết nối bất ngờ.
Tạo một cấu trúc phi tuyến tính — không phải folder cứng nhắc. Cho phép ý tưởng mới tự nảy sinh qua các mối liên kết bất ngờ giữa các mẩu tin lẻ tẻ.
Vượt qua giới hạn trí nhớ thuần túy của não. Tăng cường sự sáng tạo nhờ cách thức tham chiếu chéo. Khái niệm "second brain" có gốc từ đây.
Tác giả "Building a Second Brain" đề xuất 4 nhóm để tổ chức dữ liệu thu được.
Xem từ 00:05:12Việc đang làm, có deadline. Ví dụ: viết bài luận, ra mắt sản phẩm.
Trách nhiệm hoặc lĩnh vực đời sống cần duy trì. Ví dụ: sức khoẻ, tài chính, gia đình.
Tài liệu, ý tưởng, kiến thức quan tâm — chưa biết khi nào dùng nhưng có giá trị.
Project đã xong, area không còn theo đuổi. Vứt vào archive — không xoá nhưng tách khỏi tầm nhìn.
Hiệu quả của một bộ não thứ hai đến từ 2 yếu tố cùng đạt: lưu chữ tốt VÀ lấy/hành động được.
Xem từ 00:06:11| Yếu tố | Có nhưng thiếu cái còn lại | Đạt được khi nào |
|---|---|---|
| ① Lưu trữ tốt | Có Zettelkasten / PARA — nhưng tìm lại còn cực hơn tìm mới → vô nghĩa | Cấu trúc + tag + liên kết chéo |
| ② Lấy ra hiệu quả | Lấy được nhưng không hành động được → vẫn vô nghĩa | Truy vấn nhanh + dùng được kết quả |
| ③ Hành động được | Đo bằng chất lượng quyết định, công việc thực hiện | Có agent thực thi — tạo, sửa, gọi API |
"Đôi khi cái công sức mình đi tìm lại nội dung đã lưu còn nhục hơn và vất vả hơn cái việc đi tìm mới — đặc biệt khi đã có ChatGPT, Claude, Gemini..."
— 00:06:51
Tại sao bộ não con người vượt xa mọi hệ thống ghi chú? Vì nó không chỉ ghi nhớ — nó ra quyết định.
Xem từ 00:07:15Mắt thấy chiếc xe lao đến.
"Cái xe này nguy hiểm thế nào" — kéo từ ký ức ra.
Tránh — vô thức, trong tích tắc.
Đây là khác biệt cốt lõi giữa bộ não sinh học và Zettelkasten/PARA: hai cái sau có cách bố trí lưu trữ tốt nhưng không hành động được, không ra quyết định được.
Trao khả năng hành động cho đống ghi chú → second brain biết suy luận và tự thực thi.
Xem từ 00:08:13LLM bản thân không nhớ lâu. Phải ghi ra dữ liệu bên ngoài — vector database hoặc file text.
00:09:53LLM hiện đại đã có lập luận: nhận yêu cầu → tự chia bước → tự kiểm tra tiến độ.
00:11:38Gắn vào tool: search web, đọc/sửa Excel, Doc, PowerPoint, chọc vào CRM doanh nghiệp.
00:12:26| LLM (Large) | SLM (Small) | |
|---|---|---|
| Ví dụ | GPT-5.5 (OpenAI), Opus 4.7 (Anthropic) | Llama, Mistral chạy trên máy nhà / công ty |
| Chi phí | Trả tiền theo gói tháng / theo token | Đầu tư phần cứng 1 lần, không tốn theo lượt |
| Năng lực | Mạnh, suy luận tốt | Vừa phải — tuỳ phần cứng |
Vấn đề: AI không lưu kết quả — hỏi lần sau lại tốn tiền lần sau. Giải pháp: tổng hợp trước, giống biên dịch trong lập trình.
Xem từ 00:12:53compile: biên dịch một lần, chạy nhiều lần.Đồng sáng lập OpenAI, cựu giám đốc cấp cao Tesla. Tư tưởng: chỉ cần file text/markdown — không cần RAG, vector database.
Xem từ 00:14:13my-second-brain/ ├── raw/ # dữ liệu thô — mọi thứ vứt vào đây │ ├── article-001.md │ ├── tax-law.pdf │ └── meeting-notes.md ├── processed/ # AI tự bóc tách + liên kết │ ├── ai-agent.md # [[link]] → vector-db.md │ ├── vector-db.md │ └── obsidian-tips.md ├── index.md # mục lục — AI quét cái này trước └── .cleanup.log # lịch sử dọn dẹp định kỳ
Bất kỳ thứ gì học/đọc/làm: doc, PDF, web clip, voice note. Không cần xử lý.
Một tiến trình tự động đọc raw/, tóm tắt, sinh các file con
trong processed/, gắn liên kết [[wikilink]].
Một file text duy nhất tổng hợp tiêu đề + mô tả ngắn. AI đọc cái này trước khi quyết định mở file chi tiết → tìm kiếm nhanh.
Tự động rà soát: file cũ bị file mới override, dữ liệu xung đột, file mồ côi không liên kết với ai → loại bỏ hoặc gộp.
Đáp án AI tạo ra trong các phiên hỏi đáp được lưu lại vào kho — bộ não càng ngày càng "ngon".
App miễn phí, file là markdown nằm trên máy bạn. Cộng thêm extension Web Clipper → 1-click lưu mọi trang web.
Xem từ 00:21:18Download tại obsidian.md, miễn phí. File lưu dạng markdown ngay trên máy cá nhân — không phải trả phí, không gửi lên cloud.
raw/Đây là nơi mọi thứ "thô" vứt vào. AI sẽ chỉ động vào chỗ này, các thư mục khác giữ sạch.
Vào Settings extension → mặc định "vị trí ghi chú" = raw. Từ đó click 1 nút trên Chrome là lưu thẳng trang web đang đọc vào kho.
Một tiến trình AI định kỳ đọc raw/ → bóc tách → sinh
processed/ + cập nhật index.md. Có thể dùng Claude Code, n8n, hoặc workflow tự
viết.
Agent chạy 24/7. Nhắn tin từ điện thoại bất kỳ lúc nào: "cho tôi biết nỗi đau về AI trong doanh nghiệp" → agent đọc kho → trả về với link nguồn rõ ràng.
Demo từ 00:23:32Đa phần con người cực kỳ lười trong việc duy trì hệ thống ghi chú. LLM Wiki giải quyết bằng cách giao việc lười nhất cho AI.
Xem từ 00:19:07Phần thô + phần dọn dẹp → giao AI · Phần tư duy → vẫn là bạn
Không có giải pháp nào hoàn hảo — đây là 2 hạn chế của LLM Wiki.
Xem từ 00:25:00AI tự quyết định nội dung gì có liên kết với gì. Tự tóm tắt → có thể bỏ qua chi tiết quan trọng.
Vài trăm tài liệu thì ổn. Doanh nghiệp lớn / tập đoàn → không tải nổi.
index.md dày lên theo thời
gian → AI phải quét toàn bộ.raw/ + processed/ + index.md + cleanup loop. Không cần RAG, không
cần vector DB cho cá nhân.