今さら聞けない！Claude × Obsidian、これはもう"違法"でしょ
第1章：Claudeに記憶を与えたら、仕事が変わった
毎回「はじめまして」のAI
AIを日常的に使っている人なら、一度はこう感じたことがあるんじゃないでしょうか。
「あれ、この説明、前もしたよな…？」
たとえば仕事でClaudeを使っているとして、毎回こんなやりとりをしていませんか。
「私は〇〇の仕事をしていて、今こういうプロジェクトを進めていて、過去にこういう経緯があって、だからこういう方向で考えてほしいんだけど…」
これ、地味にしんどいんですよね。 5分くらいかけて前提を説明して、ようやく本題に入れる。 しかも翌日になると、AIはきれいさっぱり忘れている。 また同じ前提説明からスタート。
これって、毎朝出社するたびに「えーと、私はこの会社の社員で、担当は〇〇で、先週の会議ではこういう話になって…」と自己紹介し直すようなものなんです。 そんな同僚がいたら、正直ちょっと困りますよね。
でも、ほとんどの人がAIとまさにその関係性で仕事をしている。 毎回リセット。 毎回ゼロから。 蓄積ゼロ。
もちろん、Claudeにはメモリ機能もあるし、プロジェクト機能で事前知識を入れておくこともできます。 でも、それって「名刺を渡した程度」の話であって、一緒に仕事をしてきた記憶が積み上がる感覚とは根本的に違う。
「いやいや、プロンプトを工夫すれば解決するでしょ」と思う人もいるかもしれません。 たしかに、長いシステムプロンプトを書いて自分の情報を詰め込む方法はあります。 でもそれは「設定ファイルを毎回読ませている」だけであって、AI自身が学習して賢くなっているわけじゃない。 あなたが先週読んだ記事の内容も、先月完了したプロジェクトの教訓も、そこには含まれていないんです。
本当にやりたいのは、こういうことですよね。
朝パソコンを開いた瞬間から、Claudeがあなたのことを知っている。 何の仕事をしていて、どんなプロジェクトが動いていて、昨日どこまで進んだか。 過去に読んだ記事の内容も、半年前のリサーチ結果も、全部頭に入っている状態で会話が始まる。 しかも、使えば使うほどClaudeがあなたのことを深く理解していく。
この記事では、そういう「育つAI」を実際に構築する方法を、ゼロから全部お伝えしていきます。
必要なのはClaude（有料プラン）とObsidian（無料）だけ。 特別なプログラミング知識はいりません。 ターミナルに数行のコマンドを打てれば、それで十分です。
しかもこの仕組み、前半で紹介する「セカンドブレイン（情報の蓄積・管理）」だけでも十分に強力なんですが、後半ではさらにそれを「リサーチエンジン」に進化させる方法まで踏み込みます。 プロのリサーチチーム並みの多角的な分析を、1人で、AIと一緒に、しかも回を重ねるごとにどんどん精度が上がっていく。 そんな仕組みの全体像を、この1記事で完全に理解できるようにしました。
情報が「消えていく」毎日
ちょっと振り返ってみてほしいんですけど、この1年間であなたが消費した情報って、今どこにありますか。
読み終わった本の内容。 「あとで読む」に入れたまま放置している記事。 夜中に見つけて「これは使える」と思ったYouTube動画。 Kindleでハイライトした部分。 ポッドキャストで聞いた、考え方が変わるくらいいい話。 大事な判断をする前に調べまくったリサーチ結果。 過去のプロジェクトで学んだ教訓。 うまくいかなかった施策の反省メモ。
正直、ほとんど残ってないんじゃないでしょうか。
ブックマークの山に埋もれてるか、どこかのアプリの奥底に眠ってるか、そもそも記録すらしていないか。 要するに、あなたの「知的資産」が毎日少しずつ蒸発しているんです。
これ、すごくもったいない話なんですよね。
たとえば半年前にあるテーマについて3時間かけてリサーチしたとします。 そのときは詳しくなった。 いくつかのデータも頭に入ったし、全体像もつかめた気がした。 でも今、同じテーマについて聞かれたら？ ほとんど思い出せないから、また3時間かけて調べ直す。 しかも前回どこまで調べたかすら曖昧だから、同じソースを二度読みしたりする。
人間の脳はそういうふうにできています。 忘れるのが普通であって、全部覚えておくほうが異常なんです。
だから問題は「忘れること」じゃない。 「忘れたものを取り戻す仕組みがないこと」が問題なんです。
1年前の自分が3時間かけて調べた結果を、今の自分がワンクリックで引き出せたら。 過去に読んだ50冊分の本のエッセンスが、テーマ別に整理されて一覧できたら。 3ヶ月前に見つけた重要なデータが、今日のリサーチと自動的につながったら。 そうしたら、あなたの「知的生産性」は今とはまったく別のレベルになりますよね。
しかもこの仕組みは、あなた専用です。 世の中にある汎用的なAIツールやテンプレートじゃなくて、あなたの知識、あなたの仕事、あなたの興味に最適化された「自分だけの知識ベース」が育っていく。 他の誰にも真似できない、あなただけの知的資産になるんです。
考えてみてください。 同じ業界で同じような仕事をしている2人がいて、1人は毎回ゼロからリサーチをやり直している。 もう1人は過去2年間のインプットが全て構造化されて、いつでも引き出せる状態になっている。 この2人の「仕事の質」と「スピード」に、どれだけの差がつくか。 半年もすれば、比較にならない差になりますよね。
この差を生む仕組みが、Claude × Obsidianの「第二の脳」です。
Notionで挫折した人こそ読んでほしい
「それって要するにナレッジ管理でしょ？NotionとかEvernoteでやればいいのでは？」
そう思った人、多いと思います。 実際、私もそう思ってた時期がありました。
Notionでデータベースを作り込んで、タグを設計して、テンプレートを整備して。 最初の2週間は楽しいんですよね。 「これで自分の情報が全部整理される」とワクワクする。
でも、3週間目あたりから雲行きが怪しくなる。
新しい記事を読んでも、Notionに整理するのが面倒でとりあえずブックマーク。 過去のメモを更新しようとしたら、どのデータベースに入れたか思い出せない。 タグ体系がぐちゃぐちゃになってきて、検索しても目当ての情報が出てこない。
そして1ヶ月後、そっとNotionを閉じる。
半年後、また「今度こそ」と思ってNotionを開き直す。 前回のぐちゃぐちゃが残っていて、リセットして一からやり直し。 そしてまた3週間で挫折。
このサイクル、経験ある人はけっこう多いはずです。
なぜ挫折するかというと、理由はシンプルで「メンテナンスが人間の仕事だから」なんですよね。
情報を整理する。 タグを付ける。 相互リンクを張る。 古い情報を更新する。 新しい情報との矛盾を見つけて修正する。
この「地味な管理作業」が、情報が増えるほど膨大になっていく。 仕事が忙しいときにそんな余裕はないから、後回しにする。 後回しにすると情報が散らかる。 散らかると使い物にならなくなる。 使い物にならないからやめる。
要するに、ナレッジ管理が破綻する原因は「ツールの問題」じゃなくて「メンテナンスコストの問題」なんです。 ナレッジ管理の歴史を振り返ると、ツールは進化してきたのに「結局続かない」という問題だけは30年間ずっと解決されてない。 紙のノート→Evernote→Notion→Obsidianと乗り換えても、本質は同じ。 「人間がメンテナンスする」という前提が変わらない限り、どんな最新ツールを使っても同じ結末になる。
じゃあどうするか。
答えはシンプルです。 メンテナンスを人間がやらなければいい。
この記事で紹介する仕組みでは、情報の整理も、タグ付けも、相互リンクも、矛盾チェックも、古い情報の更新も、全部AIがやります。 あなたの仕事は「情報を放り込むこと」と「AIに質問すること」だけ。
地味な管理作業のコストがほぼゼロになるから、今度こそ挫折しない。 使えば使うほど知識が積み上がって、しかもそれが勝手に整理されていく。
その仕組みの正体が「Claude × Obsidian」で作る第二の脳です。
次の章から、具体的にどういう仕組みなのかを解説していきます。
第2章：Claude × Obsidianで「第二の脳」を作るという発想
普通のAIチャットと何が違うのか
まず「第二の脳」って何なのか、ちゃんと説明させてください。
普通にClaudeを使う場合、仕組みはこうなっています。
あなたが質問する→Claudeが知識を使って答える→会話が終わる→次回はまたゼロから。
これがいわゆる「チャットベース」のAI活用です。 1回1回の会話は役に立つけど、それが蓄積していかない。 昨日の会話で得た知見が、今日の会話には何も影響しない。
じゃあ「第二の脳」はどう違うかというと、こうなります。
あなたが情報を入れる→Claudeがそれを読み込んで、整理して、既存の知識と結びつけて、Wikiのような知識ベースに書き込む→次にあなたが質問すると、その蓄積された知識を使って答える→さらにその回答も知識ベースに追加される。
つまり、使えば使うほど知識が「複利」で増えていく仕組みなんです。
ここで大事なポイントがあります。 いわゆるRAG（Retrieval-Augmented Generation）と何が違うの？という話です。
RAGっていうのは、ファイルをアップロードしておいて、質問があったときに関連する部分を検索して回答に使う方式のこと。 Claudeのプロジェクト機能に資料を入れて使うのも、広い意味ではRAGに近いです。
RAGの問題点は「毎回ゼロから検索している」ということなんですよね。 5つのファイルにまたがる微妙なニュアンスの質問をしたら、全部のファイルから関連部分を引っ張ってきてつなぎ合わせる必要がある。 でもそれを毎回やるわけですから、精度にばらつきが出るし、過去に一度まとめた分析がまた散らばってしまう。 せっかく良い分析ができても、次のセッションではまた断片からやり直し。
第二の脳はそこが根本的に違います。
情報を入れた時点で、Claudeがそれを「消化」して、既存の知識と統合してくれる。 相互参照はすでに張られている。 矛盾点はすでにフラグが立っている。 要約はすでに書かれている。 前回の分析は次回にそのまま引き継がれる。
だから質問されたとき、ゼロから検索する必要がない。 整理済みの知識ベースから答えればいいだけ。 これが「RAG」と「Wiki」の決定的な違いなんです。
もう少しわかりやすく例えると、こういうことです。
RAGは「毎回、本棚から必要な本を探して、該当ページを開いて、読み上げてくれる図書館司書」。 Wikiは「全ての本を読み終えて、内容を自分の言葉でノートにまとめて、テーマ別に整理してくれている研究助手」。
図書館司書は聞かれるたびに本棚に走る。 研究助手は、もうノートにまとまっているからすぐに答えられる。 しかも研究助手のノートは、新しい本が入るたびにアップデートされ続ける。
どっちが頼りになるかは明らかですよね。
このアイデア、実はAIの世界で一気に注目を集めました。 Tesla元AI担当のアンドレイ・カルパシー氏が「LLM Wiki」という概念として提唱したもので、その核心は「LLMが永続的で複利的に成長するWikiを段階的に構築・維持する」というアイデアに集約されます。
ちょっと難しく聞こえるかもしれませんが、要するに「AIにマークダウンファイルの集合体を管理させたら、使うほど賢くなるぞ」ということです。
3層構造を理解する
第二の脳は、3つの層で構成されています。 これを理解しておくと、あとの実践がすんなり入ってきます。
第1層：Raw Sources（生の情報源）
あなたが集めた元ネタのこと。 記事のクリッピング、読書メモ、ポッドキャストの書き起こし、ミーティングの議事録、PDFの論文、なんでもOKです。
この層のルールはシンプルで「Claudeは読むだけ。絶対に書き換えない」。 原本は原本のまま保存しておく。 これがあなたの情報の「真実の源」になります。
なぜ書き換えてはいけないかというと、あとから「原文にはなんて書いてあったっけ？」と確認したくなることが必ずあるからです。 Claudeの要約を通すと、どうしても情報が削ぎ落とされる。 元のソースにいつでも立ち戻れるようにしておくのは、知識ベースの信頼性を守る上でかなり大事なことなんですよね。
第2層：Wiki（整理された知識ベース）
ここがこの仕組みの心臓部です。
Claudeが生の情報源を読んで、要約ページ、概念ページ、人物ページ、比較ページなどを自動で作ってくれる。 しかも、新しい情報が入るたびに既存のページを更新して、相互リンクを張り直して、矛盾があれば指摘して、全体の整合性を保ってくれる。
あなたはこのWikiを「読む側」。 Claudeが「書いて維持する側」。 この役割分担が、挫折しない秘訣なんです。
ここで言う「Wiki」はWikipediaのような大げさなものじゃなくて、マークダウンファイルの集まりです。 1つのファイルが1つの「ページ」。 ファイル名がそのままページタイトルになる。 ファイル内の[[二重カッコ]]が他のページへのリンクになる。 これだけの仕組みで、知識のネットワークが勝手にできあがっていきます。
たとえば「AI-agents.md」というページの中に[[prompt-engineering]]というリンクがあれば、「prompt-engineering.md」というページに飛べる。 Claudeが新しいソースを処理するたびに、こういうリンクがどんどん増えていく。 10本の記事をIngestした頃には、概念同士のつながりが網目のように広がっていて、「この概念とあの概念がこう関連しているのか」という発見が視覚的に得られるようになります。
第3層：Schema（設計図）
Claudeにこの仕組みをどう運用するか指示するファイルです。 Claude Codeを使う場合はCLAUDE.mdという名前にします。
「新しい情報が入ったらこういう手順で処理してね」「質問にはこういう形式で答えてね」「定期的にこのチェックをしてね」みたいなルールが書いてある。
このファイルが優れているのは「一度書いたら、あとは自動で適用される」ということ。 Claude Codeは起動時にCLAUDE.mdを自動で読み込むので、毎回指示を出し直す必要がない。 つまり、最初にルールを決めておけば、あとはClaudeがそのルール通りに動いてくれるわけです。
この3つの層、言い換えるとこうなります。 あなたが集めた「生データ」を、Claudeが「設計図」に従って「Wikiに変換・蓄積する」。 たったこれだけの仕組みで、使うほど知識が積み上がるシステムが完成するんです。
なぜObsidianなのか
「なんでObsidianなの？他のツールじゃだめなの？」 これもよく聞かれる質問なので、答えておきます。
結論から言うと、Obsidianが最適な理由は3つあります。
1つ目は、全部がマークダウンファイルだということ。 Obsidianのデータは全てローカルの.mdファイルです。 これはClaudeが最も得意とするフォーマットなんですよね。 特殊なデータベース形式やAPI連携は不要で、Claude Codeからフォルダを指定するだけで全ファイルを読み書きできる。 テキストファイルだから軽いし、壊れにくいし、どんな環境でも開ける。
2つ目は、Wikiリンク（[[二重カッコ]]で記述する内部リンク）が標準機能であること。 Claudeがページを作るとき、関連するページへのリンクを[[こういう形式]]で自動的に張ってくれる。 それがObsidianのグラフビューで可視化されるので、知識のつながりが一目でわかる。 ノードが増えていくにつれて、ネットワークがどんどん密になっていく。 その様子をグラフビューで眺めるのは、正直かなり楽しいです。
3つ目は、データが完全にローカルにあること。 クラウドサービスに依存しないから、情報が外部に流出するリスクが低い。 仕事の機密情報を含む知識ベースを作る場合、これはかなり大きなメリットです。 しかもフォルダ構造がそのままGitリポジトリになるので、バージョン管理も無料でできる。 何かおかしくなっても、過去の状態に戻せるのは安心感がありますよね。
Notionとの一番の違いはここです。 Notionはデータがクラウド上の独自フォーマットで保存されているので、外部のAIエージェントが直接ファイルを読み書きするのが難しい。 API経由でアクセスすることはできますが、ファイルを直接開いて中身を編集するのとはスピードも手軽さもまったく違います。 Obsidianなら、ただのフォルダとテキストファイルだから、Claude Codeがそのまま操作できる。
要するに「AIが一番扱いやすい形式で、かつ人間にとっても見やすい」というのがObsidianの強みなんです。
次の章では、実際に手を動かしてこの仕組みを構築していきます。
第3章：セカンドブレインの作り方【環境構築編】
ステップ1：Obsidianを入れる
まずはObsidianをインストールしましょう。 にアクセスして、自分のOSに合ったバージョンをダウンロードするだけです。 Windows、Mac、Linuxに対応しています。 無料で使えます。
インストールしたら、最初に「Vault（ボルト）」を作ります。 Vaultっていうのは、Obsidianにおける作業フォルダのこと。 「Create new vault」を選んで、好きな名前をつけてください。 「My Brain」でも「Knowledge Base」でも「仕事用ナレッジ」でも、何でもOKです。
この時点では空のフォルダが1つあるだけ。 ここがあなたの第二の脳のホームベースになります。
ついでにやっておくと便利な設定が2つあります。
1つ目は「Obsidian Web Clipper」というブラウザ拡張のインストール。 これを入れておくと、Web記事をワンクリックでマークダウンに変換してVaultに保存できます。 あとでソースを取り込むときにめちゃくちゃ便利なので、この段階で入れておきましょう。
2つ目は、Settings → Files and links で「Attachment folder path」を「raw-sources/assets/」に設定しておくこと。 こうすると、画像などの添付ファイルがきれいに整理されます。
ステップ2：Claude Codeを入れる
次にClaude Codeをインストールします。 Claude Codeは、ターミナル（コマンドライン）からClaudeを使えるツールです。 チャット画面でポチポチやるのとは違って、ファイルの読み書き、コマンドの実行、スクリプトの作成まで全部Claudeがやってくれる。
まず、Node.jsがまだ入っていなければ、公式サイトからLTS版をインストールしてください。
その後、ターミナルを開いて以下のコマンドを実行します。
インストールが完了したら、ターミナルでさっき作ったObsidianのVaultフォルダに移動します。
cd /path/to/your-vault
そして
claude
と打つだけ。 これでClaude CodeがそのフォルダをVaultとして認識してくれます。 Claudeがあなたのフォルダの中身を見られるようになった状態です。
「ターミナルとか使ったことない」という人でも大丈夫。 フォルダに移動してclaudeと打つだけなので、やることは2つだけです。 あとはClaudeに「〇〇して」と自然言語で頼めば、Claudeがコマンドを実行してくれます。
ここで1つ大事な話をしておくと、Claude Codeを使うにはClaudeの有料プラン（ProプランまたはMaxプラン）が必要です。 無料プランでは使えません。
「有料か…」と思うかもしれませんが、正直なところ、この仕組みを一度体験するとコスパが良すぎて月額が気にならなくなります。 毎回ゼロからAIに説明し直していた時間、Notionの整理に費やしていた時間、同じリサーチを何度もやり直していた時間。 これらが全部なくなると考えると、投資対効果は明らかですよね。
ステップ3：第二の脳の骨格を作る
ここからが本番です。 Vault内に、以下のフォルダ構造を作ります。
/your-vault
├── CLAUDE.md
├── Memory.md
├── index.md
├── log.md
├── raw-sources/
│ └── (ここに生データを入れる)
├── wiki/
│ ├── summaries/
│ ├── concepts/
│ ├── entities/
│ └── (Claudeが自動生成するページ)
└── actions/
└── Action-Tracker.md
各フォルダの役割を簡単に説明します。
raw-sources/ には、取り込みたい元ネタを入れます。 記事、PDF、メモ、なんでも。
wiki/ は、Claudeが管理する知識ベース。 summaries/にはソースごとの要約ページ、concepts/には概念・用語の解説ページ、entities/には人物や組織のページが入ります。
actions/ は、タスクやToDoを管理する場所。 リサーチ中に出てきたアクションアイテムなどを記録します。
自分で1つずつフォルダを作ってもいいんですが、正直面倒ですよね。 なので、Claude Codeに作らせましょう。
claude -p "以下のフォルダ構造をVault内に作成してください。
raw-sources/, wiki/summaries/, wiki/concepts/, wiki/entities/, actions/
そして以下の空ファイルを作成してください。
CLAUDE.md, Memory.md, index.md, log.md, actions/Action-Tracker.md
各ファイルには最低限のヘッダーだけ入れてください。" --allowedTools Bash,Write
これで骨格が一瞬で完成します。
ステップ4：CLAUDE.mdを書く
ここが最重要ポイントです。 CLAUDE.mdは、Claudeに「このVaultをどう管理するか」を指示する設計図。 Claude Codeは起動時に自動でこのファイルを読み込むので、毎回指示し直す必要がありません。
最低限入れておくべき内容はこんな感じです。
# CLAUDE.md
## このVaultについて
これは[あなたの名前]の個人ナレッジベースです。
## 構造
- /raw-sources/ → 生の情報源。読み取り専用。絶対に変更しない
- /wiki/ → Claudeが管理する知識ベース。作成・更新・リンク張りはここ
- /wiki/summaries/ → 各ソースの要約ページ
- /wiki/concepts/ → 概念・用語の解説ページ
- /wiki/entities/ → 人物・組織のページ
- /actions/ → タスク管理
## ワークフロー
### 新しいソースを処理するとき
1. raw-sources内のファイルを読む
2. 要約ページをwiki/summaries/に作成する
3. index.mdにリンクと一行説明を追加する
4. 既存のconcepts/やentities/ページで関連するものを更新する
5. 新しい概念や人物が出てきたら新規ページを作成する
6. 既存の知識と矛盾する情報があればフラグを立てる
7. log.mdに処理記録を追加する
### 質問に答えるとき
1. まずindex.mdを読んで関連ページを特定する
2. 関連ページを読み込む
3. 蓄積された知識に基づいて回答する
4. 価値のある回答はwikiに新ページとして保存する
「え、これだけ？」と思うかもしれませんが、最初はこれで十分です。 CLAUDE.mdは使いながら育てていくもの。 「こういう処理もしてほしい」「この部分はもう少し詳しく」と思ったら、その都度追記していけばいい。 Claudeは次の起動時からそれを自動で反映してくれます。
最初から完璧を目指すと、それこそNotion挫折と同じパターンにハマるので、スモールスタートが正解です。
実際に使い始めると「あ、新しいソースを入れたとき、タグも自動で付けてほしいな」とか「概念ページにはこういう形式で書いてほしいな」みたいな要望が出てきます。 そしたらCLAUDE.mdに1行追加するだけ。 次の起動からClaudeがそのルールに従ってくれる。
このフィードバックループを回し続けることで、CLAUDE.mdがどんどん賢くなって、あなた専用の「最高の作業マニュアル」に育っていきます。 つまりCLAUDE.md自体が、第二の脳の一部なんです。
ステップ5：Memory.mdで「自分」を覚えさせる
ここがけっこう見落とされがちなんですけど、すごく大事なステップです。
Memory.mdは、あなた自身の情報をClaudeに伝えるファイル。 仕事の内容、進行中のプロジェクト、興味のある分野、使っているツール、最近の課題。 こういう「自分のコンテキスト」を書いておくと、Claudeの回答精度が劇的に上がります。
なぜかというと、Claudeが「あなたが何を知りたいか」だけじゃなくて「なぜ知りたいか」を理解できるようになるからです。 同じ「AI活用の最新トレンド」という質問でも、エンジニアに向けた回答とマーケターに向けた回答ではまったく中身が変わりますよね。 Memory.mdがあれば、Claudeは最初からあなたに最適化された回答を出せるようになります。
書き方はカジュアルで大丈夫です。
# Memory
## 自分について
- フリーランスのWebマーケター。BtoB中心
- 主な仕事：コンテンツマーケティング、SEO、広告運用
- 使用ツール：Claude, Figma, GA4, Search Console
## 進行中のプロジェクト
- A社のオウンドメディア立ち上げ（記事30本計画、現在8本完了）
- 自社のnote運営（月2本ペース、テーマはAI活用術）
## 最近の関心
- AI × コンテンツ制作の効率化
- LLMを使ったリサーチ手法
- 動画コンテンツへの展開
## 今抱えている課題
- リサーチに時間がかかりすぎる
- 過去に調べたことを再利用できていない
まだ何もVaultに入れるものがないという人は、Claudeと20分ほど雑談するのがおすすめです。 自分の仕事のこと、目標、最近考えていること、何でも話してみてください。 その会話をMemory.mdとして保存すれば、それだけで最初のセッションが「Claudeがあなたを知っている」状態になります。
Vaultは完璧である必要はまったくありません。 完璧を目指して1週間準備するより、不完全でも今日始めるほうがはるかに価値がある。 なぜなら、Vaultは使うことで育つものだからです。
ここまでで環境構築は完了。 次の章では、この仕組みを日常でどう回していくかを解説します。
第4章：日常で回す3つのオペレーション【運用編】
オペレーション1：Ingest（情報を取り込む）
第二の脳を育てる基本操作、それが「Ingest」です。 要するに、新しい情報をVaultに入れてClaudeに処理させること。
やり方はシンプルです。
まず、取り込みたい情報をraw-sourcesフォルダに入れます。 Web記事ならObsidian Web Clipperを使えば、ワンクリックでマークダウン形式に変換してフォルダに保存できます。 PDFならそのままドラッグ＆ドロップ。 自分のメモならテキストファイルで入れればOK。
そしたら、Claude Codeで以下を実行します。
claude -p "raw-sourcesフォルダに新しい記事を追加しました。
読み込んで、要点を抽出して、wiki/summaries/に要約ページを作成してください。
index.mdにリンクと一行説明を追加して、
既存のconceptsやentitiesページで関連するものがあれば更新してください。
触ったファイルを全部教えてください。" --allowedTools Bash,Write,Read
これだけで、Claudeが1つの記事から10〜15個のWikiページを更新してくれます。
たとえば「AI活用の最新トレンド」という記事をIngestしたとします。 Claudeはこんな処理をしてくれる。
wiki/summaries/ に記事の要約ページを新規作成。 index.md に新しいエントリを追加。 wiki/concepts/ の「プロンプトエンジニアリング」ページに新しい情報を追記。 wiki/concepts/ に「エージェントAI」という新規ページを作成（記事で初めて出てきた概念だから）。 wiki/entities/ の「Anthropic」ページに最新情報を追加。 既存の「AI活用の基本」ページと矛盾する記述があれば、その旨をフラグ付きで記録。 log.md に「いつ、何を処理したか」の記録を追加。
1つの記事を入れただけで、知識ベース全体がアップデートされるんです。 しかも相互リンク付きで、Obsidianのグラフビューで見ると新しいノードが既存のネットワークにつながっていく様子が視覚的にわかります。
ここが「ただフォルダに保存しただけ」との決定的な違いです。 情報が入った瞬間に、既存の知識と結びついて、すぐに使える状態になる。 そしてこの処理を、あなたは一切手動でやる必要がない。
ちなみにIngestは1本ずつ丁寧にやるのがおすすめです。 「10本まとめて処理して」もできるんですが、1本ずつ処理してClaudeがどんなページを作るか確認しながら進めたほうが、知識ベースの質が高くなります。 要約の書き方や、リンクの張り方について「もう少し詳しく書いて」「この概念は分けてほしい」みたいなフィードバックができるからです。
オペレーション2：Query（質問する）
蓄積した知識に対して質問するのがQueryです。
claude -p "最近Ingestした記事の中で、
コンテンツマーケティングに活用できそうなAIツールをまとめてください。
それぞれの強みと弱み、自分の仕事との相性も分析してください。" --allowedTools Bash,Read
Claudeはまずindex.mdを読んで関連ページを特定し、該当するWikiページを読み込み、あなたのMemory.md（仕事内容や課題）も踏まえた上で回答してくれます。
普通のAIチャットとの違い、わかりますよね。
普通のチャットだと「一般的なAIツールの紹介」が返ってくる。 でも第二の脳だと「あなたが過去に調べた情報」と「あなたの仕事の文脈」を掛け合わせた回答が返ってくる。 「このツールはA社のオウンドメディアで使えそうです。前回調べた記事にも関連情報がありました」みたいな、コンテキストを踏まえた回答が自然に出てくるんです。
しかも、ここがすごく大事なんですが、いい回答はWikiに保存できます。
「この比較分析、よくできてるからWikiに保存して」と言えば、Claudeがwiki/にページを作ってくれる。 次に似た質問をしたとき、ゼロから分析し直す必要がない。 前回の分析をベースに、新しい情報を加味したアップデート版を出してくれる。
これが「知識が複利で増えていく」の意味です。 質問するたびに知識ベースが豊かになる。 インプットだけじゃなくて、あなたの思考プロセスそのものが資産になっていくんです。
Queryのコツをいくつか挙げておきます。
まず、漠然とした質問よりも具体的な質問のほうが良い回答が返ってきます。 「AIについて教えて」より「過去にIngestした記事の中で、コンテンツ制作を自動化する方法について書かれているものをまとめて、自分の仕事での活用案を3つ提案して」のほうが、はるかに使える回答が出てくる。
次に、Queryの結果で「お、これいいな」と思ったものは、必ずWikiに保存する習慣をつけてください。 保存しないと、チャット履歴に流れて消えてしまいます。 せっかくの分析が使い捨てになるのは、この仕組みの思想に反する。
最後に、複数のソースを横断した質問が最も威力を発揮します。 「先月入れたA記事と、今週入れたB記事で、共通して言っていることと矛盾していることを整理して」みたいな質問。 これは人間がやると面倒ですが、Claudeなら一発です。 そしてこういう横断的な分析こそ、第二の脳の真骨頂なんです。
オペレーション3：Lint（健全性チェック）
3つ目のオペレーションは、知識ベースのメンテナンスです。 週に1回くらいの頻度で、こう打つだけ。
claude -p "wiki/フォルダ内の全ファイルを読んで、以下をチェックしてください。
- ページ間で矛盾している記述
- どこからもリンクされていない孤立ページ
- 何度も言及されているのに専用ページがない概念
- raw-sourcesの新しいファイルと照合して、古くなっている情報
結果をwiki/lint-report.mdに書いてください。
具体的な修正案も添えてください。" --allowedTools Bash,Write,Read
人間がやったら半日かかる作業です。 全てのページを開いて、内容を照合して、矛盾を見つけて、リンク切れを確認して……。 Claudeなら数分で終わります。
Lintの結果を見て「この修正は実行して」と言えば、Claudeが自動的にページを更新してくれます。 自分では気づかなかった知識のギャップや、情報の鮮度問題が定期的に可視化される。
これがまさに、第1章で話した「メンテナンスコストの問題」の解決策です。 メンテナンスを人間がやるから挫折していた。 Claudeに任せれば、週1回コマンドを打つだけ。 知識ベースの健全性が自動的に維持されるので、情報が腐っていくことがない。
具体的にLintで見つかるものの例をいくつか挙げると、こんな感じです。
「wiki/concepts/prompt-engineering.mdに書いてある『GPT-4が最新モデル』という記述は、3ヶ月前のソースに基づいています。raw-sourcesに新しい記事がありますので、更新を推奨します」
「wiki/entities/openai.mdとwiki/entities/microsoft.mdの両方にCopilotの説明がありますが、内容が微妙に矛盾しています。統一が必要です」
「"RAG"という用語が12ページで言及されていますが、専用のconceptsページが存在しません。作成を推奨します」
こういうレポートが自動で出てくる。 人間なら確実に見落とすような細かい矛盾や情報の古さを、Claudeは全ファイルを横断的にスキャンして見つけてくれるんです。
この3つのオペレーション、Ingest・Query・Lintを日常的に回すだけで、あなたの第二の脳は勝手に育っていきます。
自動化：朝のブリーフィング
もう一歩進めたい人には「朝のブリーフィング」がおすすめです。
Claude Codeでこう指示します。
claude -p "以下の処理を行うPythonスクリプトmorning_digest.pyを作ってください。
1. Memory.mdを読んで、今日期限のタスクをリストアップ
2. 過去24時間にraw-sourcesに追加されたファイルを検出
3. Action-Tracker.mdから未完了の重要タスクを抽出
4. これらをきれいにまとめてターミナルに表示
さらに、毎朝7時30分に自動実行されるようcronジョブを設定してください。" --allowedTools Bash,Write
一度セットアップすれば、毎朝パソコンを開くだけでブリーフィングが表示されます。 今日やるべきこと、昨日追加された新情報、進行中のプロジェクトの状況。 一言も打たなくても、Claudeがあなたの状況を把握している状態。
さらに応用として、ミーティングの議事録からタスクを自動抽出する仕組みも作れます。
claude -p "transcriptsフォルダにある今日の通話メモを読んで、
決定事項をDecision-Log.mdに記録、
アクションアイテムをAction-Tracker.mdに追加、
クライアントメモをclients/フォルダに作成してください。
すべてのファイルに元の議事録へのリンクを張ってください。" --allowedTools Bash,Write,Read
決定事項もタスクもクライアント情報も、全部自動で適切な場所に格納される。 チャット履歴に埋もれて二度と見返さない、なんてことがなくなります。
まさに冒頭で話した「朝PCを開いた瞬間、Claudeがあなたのことを全部知っている」という状態ですね。
ここまでの4つの仕組み（Ingest、Query、Lint、朝のブリーフィング）を見て、「これ全部やるのは大変そう…」と思った人もいるかもしれません。 でも安心してください。 最初はIngestだけでいいんです。
週に2〜3本の記事をIngestする習慣がつけば、それだけで1ヶ月後には10〜15本分の知識が構造化されたWikiとして蓄積されています。 そうなると自然に「あの記事どこだっけ？」とQueryしたくなる。 Queryすると「あ、ここ情報が古いな」と気づいてLintしたくなる。 Lintの結果を見ると「これ毎週やりたいな」と自動化したくなる。
つまり、最初の一歩さえ踏み出せば、あとは自然に進んでいくんです。 全部一気にやろうとしないこと。 これが継続の最大のコツです。
第5章：セカンドブレインを「リサーチエンジン」に進化させる
セカンドブレインの限界
ここまでの仕組みで、情報の蓄積と管理は解決できます。 でも、正直に言うと、これだけでは「リサーチ」としてはまだ弱い。
なぜかというと、セカンドブレインは「情報を整理するシステム」であって、「情報を分析するシステム」ではないからです。
記事をIngestして要約を作る。 概念ページを更新する。 相互リンクを張る。 これは全部「整理」の範疇ですよね。
でも本当に価値があるのは「整理された情報をどう分析するか」なんです。
たとえば「AIは今後の雇用にどう影響するか？」という問いに対して、ただ関連記事の要約を並べただけでは、そのへんのニュースサイトと変わらない。 技術的に何が可能で、経済的にどんなインセンティブが働いていて、過去に似たような技術革新があったときに何が起きたか。 そういう多角的な分析ができて初めて、お金を払う価値のあるリサーチになります。
これは個人の学習でも同じです。 本を10冊読んで要約を10本作っても、それだけでは「よく整理されたメモ帳」。 10冊の内容を横断的に比較して、矛盾を見つけて、自分なりの結論を導き出す。 そこまでやって初めて「理解した」と言えるわけです。
もう1つ、セカンドブレイン単体の弱点があります。 それは「自分が知らない視点を提示してくれない」こと。
セカンドブレインは、あなたが入れた情報を整理してくれる。 でも「あなたが入れなかった情報」については何も言ってくれない。 つまり、あなたの知識の偏りがそのまま知識ベースの偏りになる。
「自分が見落としている視点は何か」を構造的に洗い出す仕組みがないと、いくら情報を蓄積しても、偏った知識が積み上がるだけになってしまう。 この問題を解決するのが、次に紹介するSkill Graphの「6つのレンズ」なんです。
そこで登場するのが「Skill Graph（スキルグラフ）」という仕組みです。
実際にこの仕組みを使って4社のクライアントにリサーチを提供した事例では、リサーチコストが平均60%削減されたという報告があります。 そのうち1社は、ジュニアリサーチャー3名分の仕事をこのシステム＋シニアエディター1名で代替したそうです。
特別なツールを使ったわけじゃない。 高額なサブスクを契約したわけでもない。 マークダウンファイルのフォルダ、Claude、そしてリサーチの方法論を構造化したファイル群。 たったそれだけで、プロのリサーチチーム並みの成果物が出せるようになった。
Skill Graphとは何か
Skill Graphは、Obsidianの中に「リサーチの方法論」そのものをファイルとして構造化したシステムです。
普通にAIにリサーチを頼むとどうなるか。 「〇〇について調べて」と聞いて、表面的なまとめが返ってくる。 それはリサーチじゃなくて、検索結果の要約でしかないんですよね。
なぜそうなるかというと、AIに「調べ方」を教えていないから。 どんな角度から見るべきか。 どんなソースを信頼するか。 矛盾が出たらどう処理するか。 そういうメソドロジー（方法論）がゼロの状態で「調べて」と言っても、深い分析は出てこない。
たとえて言うなら、超優秀な新入社員に「このテーマを調べてきて」とだけ伝えるようなもの。 能力はあるのに、何をどこまで調べればいいのか、どの情報を信頼すればいいのか、どう分析すればいいのかがわからないから、表面的なレポートしか出てこない。
でも、リサーチの手順書を渡して、「このフレームワークに沿って、この6つの視点から調べて、ソースはこの基準で評価して、矛盾はこのプロトコルで処理してね」と伝えたらどうなるか。 まったく別物のアウトプットが出てくるわけです。
Skill Graphは、その「リサーチの手順書」をマークダウンファイルの集合体として構造化したもの。 各ファイルが1つの「知識ノード」になっていて、[[Wikiリンク]]で互いにつながっている。
Claudeにリサーチを頼むとき、Claudeはこのノード群を読み込んで、方法論ファイルに従い、ソース評価基準を適用して、6つの異なるレンズからテーマを分析する。
1つのプロンプトで出てくるのは要約。 Skill Graphで出てくるのは「リサーチ部門の成果物」。 この差は本当に大きいです。
もう少し具体的にイメージしてもらうと、こういうことです。
普通にClaudeに「少子化について調べて」と聞いたら、一般的な要因の列挙と「対策が求められています」的なまとめが返ってくる。 どこかで読んだことのある、表面的な内容。
同じ質問をSkill Graphを通して投げると、こうなる。 テクニカルレンズが出生率の推移データを数値で示す。 エコノミクスレンズが「なぜ経済的なインセンティブが効いていないか」を分析する。 ヒストリカルレンズが「過去に同様の人口減少を経験した国がどう対応したか」を掘り起こす。 コントラリアンレンズが「そもそも少子化は本当に"問題"なのか？」という視点を提示する。
6つの分析が出揃ったあと、レンズ間の矛盾を洗い出し、確信度の高い結論とまだ答えが出ていない問いを分離して、構造化されたレポートが出てくる。
これが「リサーチ部門の成果物」のレベルです。
6つのレンズという発想
Skill Graphの核心は「1つの問いを6回考え直す」こと。
普通のリサーチは「〇〇について調べる」で1回だけ調べて終わり。 Skill Graphでは、同じ問いを6つの完全に異なる視点から再分析します。
テクニカルレンズ（技術・データ）
データと数字だけを見る。 意見や感情を排除して、純粋に「数値が何を示しているか」だけに集中する。 「減少傾向にある」ではなく「2020年の2.1から2024年の1.6に低下」という精度が求められる。 使うソースはティア1（一次データ）が原則。
エコノミクスレンズ（経済）
お金の流れを追う。 誰が払って、誰が儲かって、どんなインセンティブが行動を動かしているか。 政策が出たなら、その政策で得をするのは誰かを考える。 表面的な議論の裏にある「経済合理性」を掘り出すレンズです。
ヒストリカルレンズ（歴史）
歴史的な文脈を調べる。 似たようなことが過去にもあったのか。 そのとき何が試されて、何が機能して、何が失敗したか。 「歴史は繰り返さないが、韻を踏む」を地で行くレンズ。
地政学レンズ
グローバルな力学を見る。 どの国がどう影響を受けて、どんなパワーバランスの変化が起きるか。 国内だけ見ていると見落とす「世界の潮流」を捉えます。
コントラリアンレンズ（逆張り）
ここが一番面白い。 「もし今の常識が間違っていたら？」を本気で検討する。 現在の主流な見方に対して最も強い反論は何か。 そのコンセンサスから利益を得ているのは誰か。 このレンズがあるだけで、確証バイアスから解放されます。
ファーストプリンシプルレンズ（第一原理）
全ての既存の知識をリセットして、最も基本的な事実だけから考え直す。 「当たり前」とされていることを疑い、根本から組み立て直す。 イーロン・マスクがロケットのコストを1/100にできたのも、「ロケットは高いもの」という常識を疑い、素材のコストから逆算した、この思考法があったからです。
なぜ6つのレンズが必要なのか。 1つか2つの視点じゃだめなのかという疑問もあると思います。
答えは「3つ以下だと確証バイアスから逃げられない」から。 人間は自分の仮説を確認するような情報を集めやすい生き物です。 テクニカルレンズとエコノミクスレンズだけだと、どうしても「データが示す結論」を補強する方向に偏る。 ヒストリカルレンズが「過去の事例はそう単純じゃない」と言い、コントラリアンレンズが「そもそもその前提は正しいのか」と突きつけてくれることで、初めてバランスの取れた分析になるんです。
6つのレンズがバラバラの結論を出してくることもあります。 それでいい。 むしろ全部のレンズが同じ結論を出したときのほうが危険で、「確証バイアスに陥ってないか？」とコントラリアンレンズを再実行するくらいがちょうどいいんです。
この6つのレンズで同じ問いを分析すると、レンズ間で矛盾が出てきます。 テクニカルレンズは「危機的」と言い、コントラリアンレンズは「50年間同じことを言われているが大丈夫」と言う。
この矛盾がバグではなく「インサイトの源泉」なんです。 真実は、どちらかが正しいのではなく、その緊張関係の中にある。 「どういう条件下ではAが正しく、どういう条件下ではBが正しいか」を考えることで、単一の視点では絶対に到達できない深さの分析が可能になります。
次の章で、これを実際に構築する方法を全部お見せします。
第6章：リサーチエンジンの実践ガイド【構築・運用編】
フォルダ構造を作る
リサーチ用のSkill Graphは、セカンドブレインのVault内に追加で作ります。 以下のフォルダ構造です。
/your-vault
├── (既存のセカンドブレイン構造)
└── research-skill-graph/
├── index.md
├── research-log.md
├── methodology/
│ ├── research-frameworks.md
│ ├── source-evaluation.md
│ ├── synthesis-rules.md
│ └── contradiction-protocol.md
├── lenses/
│ ├── technical.md
│ ├── economic.md
│ ├── historical.md
│ ├── geopolitical.md
│ ├── contrarian.md
│ └── first-principles.md
├── projects/
├── sources/
│ └── source-template.md
└── knowledge/
├── concepts.md
└── data-points.md
20ファイル、6フォルダ。 これがあなたのリサーチ部門の全体像です。
パッと見ると多く感じるかもしれませんが、それぞれのファイルはシンプルなマークダウンです。 しかもClaude Codeで一発作成できます。
claude -p "research-skill-graphフォルダを作成して、
上記の構造通りにフォルダとファイルを生成してください。
各ファイルには最低限のヘッダーを入れてください。" --allowedTools Bash,Write
index.md：リサーチの司令塔
リサーチエンジンの中核はindex.mdです。 これは単なる目次じゃなくて、Claudeへの「リサーチ指示書」です。
index.mdに書くべき内容は、大きく3つ。
1つ目は「今回のリサーチの定義」。 リサーチクエスチョン（何を調べるか）、スコープ（範囲）、時間軸（どこまで遡るか）、アウトプットゴール（この調査が何の意思決定に使われるか）を明記します。
たとえばこんな感じです。
Research Question: AI自動化は日本の労働力不足を10年以内に解消できるか？
Scope: 日本国内の製造業・サービス業に限定
Time Horizon: 2015年〜2035年
Output Goal: 自社のAI投資判断の参考資料
スコープを決めるのが地味に大事で、「AI全般」みたいに広すぎると6つのレンズが全部ぼやけてしまいます。 「日本の製造業に限定」くらいまで絞ると、各レンズの分析に具体性が出てきます。
2つ目は「ノードマップ」。 Skill Graph内の各ファイルへのリンクと、それぞれの役割説明。 Claudeがどのファイルをどの順番で読むべきかの地図になります。
ポイントは、リンクだけじゃなくて「何のためのファイルか」の説明を一行添えること。 「[[technical]] ― データと数値だけで見たとき何が言えるか」のように。 この一行があるだけで、Claudeが各ファイルの目的を正しく理解して、より精度の高い分析をしてくれます。
3つ目は「実行手順」。 リサーチのステップを具体的に番号付きで記述します。 「まずresearch-frameworksを読んでアプローチを選べ」→「source-evaluationを読んでソース基準を把握しろ」→「6つのレンズを順番に実行しろ」→「contradiction-protocolで矛盾を処理しろ」→「synthesis-rulesで合成しろ」→「4つのアウトプットファイルを生成しろ」。
ここで絶対に入れておくべき一文があります。 「各レンズは問いを"考え直す"こと。単に情報を追加するのではない。テクニカルレンズとコントラリアンレンズは、まるで別のリサーチャーが書いたように感じられるべき」。 これがないと、6つのレンズが全部似たような内容になってしまうんです。
ソース評価5段階ティアシステム
リサーチの質を左右する最大の要因は「ソースの質」です。 ゴミを入れたらゴミが出てくる。 だからSkill Graphには、ソースを5段階で評価するシステムを組み込みます。
ティア1（最高信頼度）は一次データ。 国連や世界銀行の統計データ、査読済み論文、政府の公開資料、財務報告書など。 ここから出てきた数字は、ほぼそのまま使えます。
ティア2は専門家の分析。 専門研究機関のレポート、その分野の権威による書籍、ソースが明記された調査報道。 解釈や因果関係の主張に使います。
ティア3はインフォームドコメンタリー。 専門家のブログ、質の高いポッドキャスト、シンクタンクのレポート（ただし資金源を要確認）。 新しい視点の発見や仮説の生成に使います。
ティア4は一般メディア。 大手ニュースメディア、Wikipedia（概要把握には有用だが最終的な根拠にはしない）。 初期のオリエンテーション用です。
ティア5はSNS・個人の体験談。 あくまで「人々がこういうことを話題にしている」というシグナル検知用。 「多くの人が言っている＝事実」ではないことを常に意識する必要があります。
このティア情報をsource-evaluation.mdに書いておくと、Claudeがリサーチ中に自動的にソースの信頼度を判定してくれます。 「この主張はティア4のソースからのみ確認。ティア1での裏付けを探す必要あり」みたいなフラグが立つ。
さらに、ソースの信頼度を下げるべき「レッドフラグ」も定義しておきます。 引用元が明記されていない。 著者がその結論に金銭的利害を持っている。 都合の良い期間やデータだけを切り取っている。 相関と因果を混同している。 こういったフラグがあると、Claudeが自動的にソースの信頼度を1段階下げて扱ってくれます。
矛盾プロトコル
ほとんどのリサーチは矛盾を「隠す」んですよね。 都合のいいソースだけ採用して、きれいなストーリーにまとめる。
Skill Graphは逆です。 矛盾を「宝」として扱う。
contradiction-protocol.mdに書くルールはこうなっています。
2つのソースが矛盾したら、まず「本当に同じことについて話しているか」を確認する。 地域が違う？時期が違う？定義が違う？ 実は、矛盾しているように見えて、前提が違うだけというケースがかなり多いんです。
次に「データが違うのか、解釈が違うのか」を判別する。 同じデータを見て違う結論を出しているなら、それぞれの推論チェーンを検証する。 どちらの著者がより利害関係から自由かも確認する。
そして最も重要なルールは「無理に決着をつけるな」。 「ソースAはXと主張（根拠は〇〇）。ソースBはYと主張（根拠は△△）。不一致の原因は□□と推定される。条件C1下ではAが正しい可能性が高く、条件C2下ではBが正しい可能性が高い」 こう書く。
解決できない矛盾は、そのまま「未解決の重要な問い」として記録する。 これが次のリサーチテーマになることも多い。 実はリサーチにおいて「わからないこと」を明確にするのは、「わかったこと」をまとめるのと同じくらい価値があるんです。
合成ルール：バラバラの分析を1つにまとめる
6つのレンズで分析した結果をどう統合するか。 これがリサーチの最も難しい部分で、synthesis-rules.mdで定義します。
まず、各レンズの分析を1段落で要約する。 何がわかったか、確信度は高・中・低のどれか、意外だった発見は何か。
次に「一致マップ」を作る。 4つ以上のレンズが同じ方向を指していたら、高確信度の発見。 3つ一致なら中確信度、注意書き付きで記述。 1〜2つしか支持していない主張は「仮説レベル」と明記。
そして「緊張マップ」を作る。 レンズ間で矛盾している部分を全て洗い出す。 ここで大事なのは「どちらかを選ぶ」のではなく「どういう条件でどちらが正しいか」を考えること。
最後にアウトプットとして4つのファイルを生成します。 エグゼクティブサマリー（500語以内の結論）、詳細分析（レンズ別の全発見）、キープレーヤー（関係する人物・組織）、そして未解決の問い。
この「未解決の問い」が、個人的には一番価値があると思っています。 「ここまでわかった。でもここはまだわからない」が明確になっていると、次に何を調べるべきかが一目瞭然だからです。
実際のリサーチフロー
では実際にリサーチを回してみましょう。 テーマは「AI自動化は人手不足を解消できるか？」とします。
ステップ1：index.mdにリサーチクエスチョンを記入。
ステップ2：research-frameworksを確認して、今回は「Why型（因果分析）」のアプローチを選択。
ステップ3：6つのレンズを順番に実行。 Claude Codeでこう打ちます。
claude -p "research-skill-graph/index.mdを読んで、
記載されたリサーチクエスチョンについて、
6つのレンズ（technical → economic → historical →
geopolitical → contrarian → first-principles）の順に分析してください。
各レンズの分析結果はprojects/ai-labor/フォルダに個別ファイルで保存。
レンズ間の矛盾はcontradiction-protocolに従って処理してください。" --allowedTools Bash,Write,Read
ステップ4：Claudeが6レンズの分析を完了したら、synthesis-rulesに従って合成。 4つのアウトプットファイル（エグゼクティブサマリー、詳細分析、キープレーヤー、未解決の問い）が自動生成されます。
ステップ5：knowledge/concepts.mdとdata-points.mdが自動更新される。 ここが複利効果の源泉です。 次のリサーチは、今回蓄積されたデータポイントと概念定義を土台に始められます。
第7章：「育つAI」がもたらす複利効果と、あなたの次の一歩
知識の複利効果
この仕組みの真価は、使い込むほどに現れます。
最初のリサーチでは、knowledge/フォルダはほぼ空っぽ。 data-points.mdにはデータがなく、concepts.mdには定義がない。 だからClaudeはゼロから情報を集めて分析する必要があります。 この段階では、正直なところ、普通のAIリサーチと大差ないかもしれない。
でも5つ目のリサーチをする頃には、状況がまったく変わっている。
data-points.mdには200以上の検証済みデータポイントが蓄積されている。 concepts.mdには50以上の概念定義が整理されている。 過去4回のリサーチで張り巡らされた相互リンクが、新しいテーマとの予想外のつながりを浮かび上がらせる。
たとえば「AI自動化と人手不足」のリサーチで集めた人口動態データが、次に「不動産市場の将来予測」をリサーチするときに自動的に参照される。 「あ、前回のリサーチで集めたデータがここにも関連するのか」という発見が、人間の側にも、Claude側にも起きる。
しかも、あるリサーチで残った「未解決の問い」が、そのまま次のリサーチテーマになることも多い。 先ほどの例で言えば「AI自動化は人手不足を解消できるか？」の未解決の問いとして「ロボット導入のコスト低下速度は労働力減少のペースに間に合うか？」が出てきたとしたら、それ自体が独立した深いリサーチになる。 しかも、前回の文脈が全部引き継がれた状態でスタートできる。
これが「知識の複利効果」です。 1回目のリサーチは普通のAIリサーチと大差ない。 でも10回目のリサーチは、過去9回分の蓄積がフルに活用される。 回数を重ねるほど、1回あたりのリサーチの質が上がり、かかる時間が短くなっていく。
これ、普通のAIツールでは絶対に起きない現象なんですよね。 普通のAIチャットは100回使っても1回目と同じ。 でも第二の脳＋Skill Graphの組み合わせは、100回目には1回目とはまったく別次元の回答が返ってくる。
実際の体感としては、最初の3〜5回のリサーチでdata-points.mdが充実し始めると、明らかに変わります。 「あ、もうこのデータは前回集めてあるからスキップできる」とClaudeが判断して、まだ調べていない領域に集中できるようになる。 リサーチの「被り」がなくなるんです。
セカンドブレイン側でも同じことが起きます。 Ingestした記事が50本を超えるあたりから、Claudeの回答にちらほら「以前Ingestした〇〇の記事によると」という参照が入り始める。 100本を超えると、あなたが質問する前に「これは前に調べたテーマと関連がありますね」という接続を勝手にやってくれるようになる。
ここまで来ると、もう普通のAIチャットには戻れなくなります。
ゼロから始めたい場合は？ methodology/とlenses/だけを新しいClaudeプロジェクトにアップロードすればOKです。 knowledge/やresearch-log.mdは含めない。 同じリサーチシステムを、まっさらな状態で使い始められます。
従来型リサーチとの決定的な違い
ここで、従来のやり方とSkill Graphリサーチの違いを整理しておきます。
従来のリサーチはこうです。 ブラウザのタブを50個開く。 20本の記事を読むけど、半分は同じことを言っている。 逆張りの視点は自分では探しにくいから見落とす。 歴史的な文脈は調べる余裕がなくてスキップ。 確証バイアスに引きずられて、最初の仮説を補強する情報ばかり集める。 最終的に出てくるのは「情報を並べただけのまとめ」。
Skill Graphリサーチはこうなります。 1つの問いが6つの強制的な視点を通過する。 各視点にソース評価基準がある。 矛盾は隠されず、むしろ積極的に表面化される。 ソースはティア別に管理される。 発見は次のプロジェクトに引き継がれる。
一番大きな違いは「コントラリアンレンズ」の存在です。 従来のリサーチでは、自分の結論に反する証拠を本気で探すことはほとんどない。 人間の心理として、自分の仮説を確認する情報を集めがちですから。 Skill Graphでは、構造的に「自分が出した結論が間違っている可能性」を検証するステップが組み込まれている。
しかもコントラリアンレンズは「ただ反対意見を述べる」んじゃなくて、「反対意見の中で最も強い根拠を持つものは何か」を本気で探す。 だからこそ、最終的な結論に対する確信度が格段に上がるんです。 「反対意見も十分に検討した上での結論」は、そうでない結論とは説得力がまったく違います。
synthesis-rules（合成ルール）の存在も見逃せない。 従来のリサーチでは、集めた情報をどう統合するかは書き手の「センス」に依存していました。 Skill Graphでは、統合の方法論がファイルとして明文化されている。 「4つ以上のレンズが一致→高確信度」「矛盾は条件分岐で記述」「未解決の問いは明示」。 この型があるだけで、分析の品質がブレなくなるんです。
要するに、Skill Graphは「リサーチのやり方」そのものを仕組み化している。 だから属人的なスキルに依存しない。 あなたのリサーチ力が上がるのではなく、あなたの「リサーチシステム」の性能が上がるというイメージです。
活用シーン別ガイド
この仕組みは、さまざまな場面で使えます。
個人の学習
新しい分野を学ぶとき、教材や記事をIngestしていけば、自分専用の教科書ができあがります。 しかもただの要約じゃなくて、自分が過去に知っていることとの接続点が自動で張られる。 「あ、これって前に〇〇で学んだこととつながるのか」という発見が、ナレッジベースの中で可視化されるんです。
本を読むときにも使えます。 章ごとにIngestしていくと、登場人物、テーマ、伏線、引用がすべてWikiページとして構造化される。 読了後には、その本についての個人Wikiが完成している。 読書ノートの次元が変わりますよね。
ビジネスリサーチ
競合分析、市場調査、デューデリジェンス。 6つのレンズを通すことで、クライアントやチームに対して「多角的に検証した結論」を提示できる。 しかもソースの信頼度が明示されているから、「この結論の根拠はティア1のデータです」と言える。 説得力がまったく違います。
コンテンツ制作
ブログ記事、note、YouTube台本。 特定のテーマについてリサーチした結果がそのままコンテンツの素材になる。 しかも6つのレンズからの分析があるから、「他の人が書いてない角度」のコンテンツが自然に生まれる。 特にコントラリアンレンズの分析は「一般的に〇〇と言われているけど、実は…」という切り口になるので、読者の注目を引きやすい。
チーム・組織での活用
Slackのスレッド、ミーティングの議事録、プロジェクトの資料。 これらをIngestしていけば、チームの集合知が構造化されたWikiになる。 新メンバーのオンボーディングコストが激減するし、「前にも似た話が出たよね」を即座に参照できるようになります。 議事録がチャットの奥底に埋もれて二度と見返されない、という問題が根本的に解消されます。
副業・スモールビジネス
副業で情報発信やコンサルをしている人にとっては、特に強力です。 本業で得た知識、独学で学んだこと、クライアントとのやり取りで気づいたこと。 これらが全部1つの知識ベースに蓄積されていく。
noteやブログの記事を書くときも、過去の知識ベースから素材を引き出せるから、ネタ切れがなくなる。 しかも6レンズで分析した深いリサーチを基にしたコンテンツは、そのへんの「AIにまとめさせました」的な記事とはクオリティが段違い。 読者は「この人の分析は深い」と感じて、有料コンテンツやコンサルに申し込んでくれる。
つまり、第二の脳は「自分の市場価値を複利で上げるシステム」でもあるんです。
最初の1時間でやるべきこと
ここまで読んで「面白そうだけど、どこから手をつけたらいいかわからない」という人のために、最初の1時間の行動リストを書いておきます。
最初の15分：Obsidianをインストールして、Vaultを作る。 Claude Codeをインストールして、VaultフォルダでClaude Codeを起動する。
次の15分：CLAUDE.mdとMemory.mdを作る。 CLAUDE.mdは第3章で紹介した最低限の内容でOK。 Memory.mdは自分の仕事・プロジェクト・関心事を箇条書きで。 完璧を目指さない。5割の完成度で十分。
次の15分：最初のIngest。 最近読んで「これは良かった」と思う記事を1つ、Obsidian Web Clipperでraw-sourcesに保存。 Claude Codeで処理させて、Wikiがどう生成されるか確認する。 Obsidianのグラフビューを開いて、ノードが1つ生まれる瞬間を見届ける。
最後の15分：Queryを試す。 取り込んだ記事について、Memory.mdの内容と絡めた質問をしてみる。 「この記事の内容を、自分の仕事にどう活かせるか」とか。 返ってきた回答が「一般的な回答」じゃなくて「あなた向けの回答」になっていることを実感する。
これだけで、仕組みの全体像が体験できます。
完璧を目指す必要はまったくありません。 CLAUDE.mdは使いながら育てていけばいい。 フォルダ構造は後から変えればいい。 リサーチ用のSkill Graphは、セカンドブレインが軌道に乗ってから追加すればいい。
大事なのは「今日始めること」です。
よくある失敗パターンは「完璧な設計をしてから始めよう」と思って、フォルダ構造やCLAUDE.mdの設計に何日もかけてしまうこと。 これはNotion挫折とまったく同じ道をたどります。
この仕組みの美しいところは、設計そのものが「使いながら改善できる」ことなんです。 CLAUDE.mdは後からいくらでも書き足せる。 フォルダ構造はClaudeに「リファクタリングして」と言えば一瞬で変えられる。 レンズの内容だって、リサーチを回すうちに「この視点も追加したい」と思ったら足せばいい。
だから最初の1時間は「体験する」ことに集中してください。 1本の記事をIngestして、Claudeがどんなページを作るかを見る。 その体験が、「これは使える」という確信になります。 確信があれば、あとは自然に使い続けられる。
この仕組みは、一度作ったら一生育ち続けます。 今日入れた1本の記事が、1年後には数百のノードとつながった知識ネットワークの一部になっている。 今日のあなたの15分が、未来のあなたの何千時間を節約する。
1945年にヴァネヴァー・ブッシュが夢見た「メメックス」。 個人の知識が蓄積され、ドキュメント同士のつながりそのものが価値になるシステム。 80年もの間、「誰がメンテナンスするのか」が解けなかった。
その答えが、ようやく出ました。
Claudeがやります。
さあ、あなたの第二の脳を作りましょう。
Want to publish your own Article?
Upgrade to Premium