AI agent yang pintar tetap bisa bikin kerja lu berantakan kalau tempat dia baca konteksnya berantakan.
OpenKnowledge menarik bukan karena dia “Obsidian killer”. Buat gua, sinyal yang lebih penting adalah arah baru knowledge management: catatan kerja mulai didesain supaya bisa dibaca manusia, diedit AI agent, dan tetap bisa diaudit lewat file, Git, serta version history. Kalau lu pakai Claude, Codex, Cursor, Hermes Agent, atau workflow automation lain, masalahnya bukan cuma prompt. Masalahnya adalah: konteks mana yang boleh dibaca, siapa yang boleh mengubah, dan gimana lu tahu perubahan itu benar.
Apa itu OpenKnowledge?
OpenKnowledge adalah editor markdown open-source yang diposisikan sebagai AI-native markdown editor dan LLM Wiki. Dari repo GitHub dan diskusi Show HN, idenya cukup jelas: bikin pengalaman menulis dan berbagi file markdown terasa modern, tapi tetap dekat dengan workflow developer seperti Git, CLI, agent coding, dan integrasi AI tools.
Hal yang bikin topik ini menarik bukan sekadar fitur editor. Banyak tool bisa nulis markdown. Yang mulai beda adalah asumsi dasarnya: knowledge base bukan cuma dibuka manusia. Sekarang knowledge base juga dibaca AI agent, dipakai buat RAG, jadi bahan instruksi kerja, bahkan bisa diubah oleh automation.
Di titik itu, catatan bukan lagi “tempat nyimpan ide”. Catatan berubah jadi bagian dari sistem operasi kerja lu.
Kenapa second brain buat AI beda dari catatan biasa?
Second brain biasa fokus ke satu hal: bantu manusia mengingat. Lu tulis ide, link, keputusan, research, meeting note, atau backlog supaya otak nggak harus menahan semuanya sendiri.
Second brain yang dipakai AI agent butuh standar lebih tinggi:
- Struktur jelas, supaya agent nggak nebak-nebak konteks.
- Format terbuka, supaya catatan bisa dibaca lintas tool.
- Version history, supaya perubahan bisa di-review.
- Boundary akses, supaya agent nggak asal baca atau ubah semua hal.
- Audit trail, supaya lu bisa tahu keputusan datang dari mana.
Ini alasan gua suka pendekatan file-first seperti Markdown. Bukan karena Markdown paling keren, tapi karena dia gampang dibaca, gampang di-diff, gampang dibackup, dan nggak terlalu mengunci workflow lu ke satu vendor.
Chat history bukan knowledge management
Banyak orang masih memperlakukan chat AI sebagai knowledge base. Semua keputusan ditumpuk di percakapan panjang. Awalnya terasa praktis, sampai lu harus cari ulang: “kenapa kemarin agent milih pendekatan ini?”, “file mana yang berubah?”, atau “instruksi mana yang bikin hasilnya salah?”.
Masalah chat history adalah konteksnya sering tidak punya struktur. Dia bagus buat diskusi cepat, tapi kurang bagus buat jadi sumber kebenaran jangka panjang. Kalau agent perlu mengulang workflow yang sama minggu depan, chat lama belum tentu cukup. Agent bisa lupa detail, salah membaca konteks, atau mengulang kesalahan yang sama karena lesson learned tidak ditulis ke tempat yang stabil.
Di workflow rafli.dev, pola yang lebih masuk akal adalah memindahkan pengetahuan penting ke file yang eksplisit: backlog ide, research note, runbook, skill, AGENTS.md, checklist, atau dokumentasi project. Chat boleh jadi ruang kerja sementara. Tapi keputusan yang perlu dipakai ulang harus naik kelas jadi catatan yang bisa dibaca ulang.
File-first bikin AI lebih mudah diaudit
Git itu sering dianggap cuma alat programmer buat codebase. Padahal konsep version control juga penting buat catatan kerja. Kalau AI agent boleh update dokumen, lu butuh kemampuan buat melihat perubahan baris per baris.
Contoh sederhana: lu punya file research backlog. Agent menambahkan 5 ide artikel baru. Tanpa diff, lu cuma melihat hasil akhir. Dengan diff, lu bisa cek:
- apakah sumber yang ditambahkan masuk akal,
- apakah status ide berubah tanpa alasan,
- apakah ada klaim yang tidak punya referensi,
- apakah agent menghapus catatan lama yang masih penting,
- apakah tone tulisan tetap sesuai brand.
Ini bukan paranoia. Ini hygiene kerja. Semakin banyak automation masuk ke workflow, semakin penting kemampuan buat review perubahan kecil sebelum jadi masalah besar.
Obsidian, OpenKnowledge, dan pelajaran yang lebih besar
Gua tidak membaca OpenKnowledge sebagai alasan buat langsung pindah dari Obsidian. Obsidian masih kuat karena local-first, ekosistem plugin besar, dan workflow file markdown yang sudah matang. OpenKnowledge lebih menarik sebagai sinyal: tool knowledge base mulai bergerak ke arah human + AI collaboration.
Kalau dulu fitur utama knowledge app adalah backlink, graph view, dan editor enak, sekarang pertanyaannya bertambah:
- Bisakah agent membaca konteks tanpa scraping manual?
- Bisakah agent mengusulkan perubahan tanpa merusak struktur?
- Bisakah manusia review perubahan itu dengan cepat?
- Bisakah catatan tetap portable kalau tool-nya berubah?
- Bisakah knowledge base jadi sumber instruksi kerja, bukan cuma arsip?
Ini yang menurut gua penting buat developer dan creator. Kalau lu membangun personal brand, produk digital, atau automation kecil, catatan lu bukan cuma tempat ide. Catatan lu adalah mesin distribusi: dari research jadi artikel, dari artikel jadi carousel, dari carousel jadi script video, dari feedback jadi backlog baru.
Checklist bikin second brain yang siap dipakai AI agent
Kalau lu belum mau coba OpenKnowledge atau tool baru lain, nggak masalah. Yang lebih penting adalah prinsipnya. Ini checklist praktis yang bisa lu pakai hari ini:
- Pakai format teks terbuka. Markdown lebih aman daripada catatan yang hanya hidup di UI proprietary.
- Pisahkan inbox, research, backlog, dan keputusan. Jangan campur semua hal di satu file panjang.
- Tulis instruksi kerja eksplisit. Misalnya: cara memilih topik, cara update backlog, cara validasi sumber, cara publish draft.
- Gunakan version control untuk folder penting. Minimal lu punya backup dan riwayat perubahan.
- Buat aturan akses buat agent. File mana yang boleh dibaca, file mana yang boleh diedit, dan file mana yang harus minta konfirmasi.
- Ubah lesson learned jadi runbook. Kalau agent pernah salah, jangan cuma marah di chat. Tulis aturan baru di dokumen yang relevan.
- Review perubahan agent sebagai diff. Jangan cuma percaya ringkasan hasil akhir.
Kesalahan yang sering kejadian
Kesalahan pertama: menumpuk semua konteks di prompt. Prompt panjang terlihat powerful, tapi sering rapuh. Begitu workflow berubah, prompt jadi museum instruksi lama yang sulit diaudit.
Kesalahan kedua: membiarkan AI menulis catatan tanpa struktur. Kalau file knowledge base isinya paragraf random, agent berikutnya akan kesulitan mengambil keputusan. Struktur bukan buat terlihat rapi. Struktur bikin konteks bisa dipakai ulang.
Kesalahan ketiga: menganggap tool baru otomatis menyelesaikan workflow. OpenKnowledge, Obsidian, Notion, atau app apa pun hanya membantu kalau kebiasaan dasarnya benar. Kalau input berantakan, output agent juga akan berantakan.
Takeaway buat developer dan builder
AI agent tidak cuma butuh model lebih pintar. Dia butuh ruang kerja yang bisa dipercaya. Buat gua, ruang kerja yang bisa dipercaya punya tiga sifat: terbuka, bisa diaudit, dan punya batas akses yang jelas.
OpenKnowledge menarik karena dia memperlihatkan arah itu: knowledge base yang nyaman buat manusia, tapi juga siap dipakai agent. Tapi pelajaran paling pentingnya bisa lu terapkan tanpa pindah tool hari ini. Mulai dari merapikan file markdown, menulis runbook, membuat backlog yang jelas, dan memastikan setiap perubahan penting bisa di-diff.
Kalau lu mulai kerja bareng AI, jangan cuma optimasi prompt. Optimasi juga tempat AI itu bekerja.
FAQ singkat
Apakah OpenKnowledge wajib dipakai?
Nggak. Anggap OpenKnowledge sebagai sinyal arah tool knowledge management, bukan rekomendasi migrasi instan. Kalau workflow Obsidian lu sudah stabil, ambil prinsipnya dulu: file-first, versioned, dan agent-readable.
Kenapa Markdown sering jadi pilihan buat AI workflow?
Markdown mudah dibaca manusia, mudah diproses script, dan mudah di-diff dengan Git. Ini membuatnya cocok untuk catatan yang perlu dipakai manusia dan AI agent sekaligus.
Apa bedanya RAG dengan second brain?
RAG adalah teknik mengambil konteks relevan untuk model AI. Second brain adalah sistem catatan kerja lu. RAG bisa memakai second brain sebagai sumber, tapi kualitasnya tetap bergantung pada struktur dan kebersihan catatan.
Apa risiko membiarkan AI agent mengedit catatan?
Risikonya adalah konteks berubah diam-diam: sumber hilang, status salah, keputusan lama tertimpa, atau instruksi makin kabur. Karena itu, perubahan agent sebaiknya selalu bisa direview lewat diff atau approval.
