Membuat Mesin Kerja Otomatis dengan Menghubungkan Obsidian Markdown ke Claude Code

Membersihkan Data Sampah dari Web Clipper

File Markdown yang diambil dari web sering kali berisi tumpukan gangguan seperti iklan dan menu bar. Jika teks seperti ini tercampur, performa RAG (Retrieval-Augmented Generation) akan turun drastis. Faktanya, data yang tidak dimurnikan akan memecah atensi model, sedangkan Markdown yang tertata rapi akan meningkatkan akurasi pencarian. Dengan membuang teks yang tidak perlu, jumlah token yang dikonsumsi oleh LLM lokal juga berkurang lebih dari 30%, sehingga tidak ada uang yang terbuang percuma.

Anda harus menyingkirkan gangguan ini menggunakan pustaka BeautifulSoup dari Python.

1. Masuk ke terminal dan ketik pip install beautifulsoup4 lxml untuk menyiapkan lingkungan.
2. Dalam skrip, gunakan metode decompose() untuk menghapus seluruh class CSS yang tidak perlu seperti .ad-container atau .nav-menu.
3. Gunakan parser lxml untuk mengekstrak isi utama saja, simpan sebagai Markdown, lalu masukkan ke dalam vault Obsidian.
   Dengan cara ini, model akan fokus hanya pada konten inti sehingga mengurangi halusinasi, dan konsumsi token akan turun drastis hingga ke level 25%.

Desain Folder Agar Claude Code Tidak Tersesat

Ketika jumlah file membengkak hingga ratusan, model sepintar apa pun bisa kehilangan konteks. Jangan hanya menumpuk file, tetapi bagilah area berdasarkan status informasinya. Saya menggunakan struktur 3 tahap (01_Raw_Inbox, 02_Processed_Wiki, 03_Project_Action) dengan memodifikasi framework PARA. Ini memberikan panduan fisik bagi Claude Code tentang informasi mana yang harus dipercayai dan dijadikan referensi.

Gunakan nama file dan opsi terminal agar agen tidak kebingungan.

1. Tambahkan YYYY-MM-DD di depan semua nama file untuk memberi tahu seberapa segar informasi tersebut.
2. Saat menjalankan Claude Code, gunakan opsi --newer-than agar ia hanya membaca file yang berubah dalam 24 jam terakhir.
3. Di folder 03_Project_Action, letakkan hanya file yang berisi status pengerjaan.
   Dengan struktur ini, Claude tidak akan melakukan tindakan konyol dengan menggeledah seluruh vault. Hasilnya, pencarian yang tadinya memakan waktu 10 menit bisa selesai dalam 30 detik.

Mengisi Celah Pencarian dengan Metadata YAML

Pencarian teks sederhana tidak bisa membedakan apakah sebuah dokumen itu 'penting' atau 'sudah selesai'. Oleh karena itu, Anda perlu memasukkan YAML Frontmatter di bagian atas dokumen. Dengan adanya metadata, Anda bisa memberikan instruksi yang jauh lebih presisi kepada Claude Code.

Tiga field saja sudah cukup untuk mesin kerja seorang pengusaha pengetahuan (knowledge entrepreneur).

1. Tuliskan topic untuk membagi subjek, source_importance untuk menentukan tingkat kepentingan, dan status untuk status pengerjaan di bagian paling atas catatan.
2. Gunakan plugin 'YAML Toolkit' di Obsidian untuk menerapkan aturan ini ke ratusan file yang sudah ada sekaligus.
3. Di file konfigurasi Claude Code (CLAUDE.md), tuliskan instruksi "Buatlah daftar tugas hanya dengan merujuk pada dokumen yang statusnya Doing".
   Anda akan terbebas dari siksaan merapikan data selama 2 jam setiap pagi dan bisa menerima briefing kerja hanya dalam waktu 10 menit.

Rutinitas Daily Briefing yang Selesai dengan Satu Baris Perintah

Claude Code yang berbasis terminal menunjukkan kekuatan aslinya saat bertemu dengan shell script. Cukup dengan mengetik satu perintah saat tiba di kantor, mesin yang menganalisis apa yang dipelajari kemarin hingga membuat draf email untuk dikirim hari ini akan selesai. Anda tidak perlu membuang energi setiap pagi untuk memikirkan apa yang harus dilakukan terlebih dahulu.

Susun rutinitas otomatisasi sebagai berikut:

1. Buat shell script (.sh atau .bat) yang berisi perintah claude --bare untuk mempercepat waktu booting awal.
2. Gabungkan perintah find -mtime -1 ke dalam skrip untuk hanya memberikan catatan yang dibuat dalam satu hari terakhir kepada Claude.
3. Gunakan fitur PostToolUse di Claude Code untuk memperbaiki saltik (typo) pada draf email yang dihasilkan dan menyimpannya secara otomatis di folder tertentu.
   Waktu yang tadinya habis 30 menit untuk menulis satu email berkurang menjadi 5 menit.

Strategi Referensi Hierarkis untuk Menghadapi Ledakan Data

Jika jumlah file melebihi seribu, context window sebesar 200 ribu token pun akan cepat penuh. Mulai saat ini, jangan biarkan ia membaca semua file, tetapi gunakan metode 2 tahap dengan membuatnya membaca master_index.md terlebih dahulu, yang berfungsi sebagai peta keseluruhan. Metode ini mengurangi jumlah pemanggilan API hingga hampir 60%.

Untuk menjaga performa, Anda harus mengelola konteks dengan cerdas.

1. Pahami dan kelola total konsumsi token dengan komposisi berikut:$$T_{total} = T_{system} + T_{index} + T_{active\_files} + T_{history}$$
2. Buat Claude Code membaca master index terlebih dahulu untuk mencari jalur file (file path) yang benar-benar diperlukan untuk menjawab pertanyaan.
3. Baca hanya file dari jalur yang ditemukan untuk membuat jawaban, dan jika percakapan menjadi panjang, ringkas riwayat dengan perintah /compact.
   Dengan menerapkan struktur hierarkis ini, sebanyak apa pun data yang menumpuk, Anda tetap bisa mendapatkan dukungan pengambilan keputusan instan tanpa hambatan.