Obsidian als AI Session Log

Ich nutze AI-Tools inzwischen ziemlich regelmäßig beim Entwickeln. Mal geht es um eine kleine Frage, mal um einen Bug, mal um einen größeren Umbau.

Das funktioniert oft erstaunlich gut, aber eine Sache hat mich dabei immer wieder gestört:

Die AI vergisst. Also zumindest ab einem gewissen Punkt.

Fairerweise passiert das nicht immer sofort. Es hängt stark vom Modell, vom aktuellen Kontext und vom verfügbaren Context Window ab. Aber auch ein großes Context Window ist nicht unbegrenzt und kann je nach Modell schnell teuer werden.

Natürlich kann ich in einem Chat weiterarbeiten, solange der Kontext noch da ist. Aber spätestens nach ein paar Tagen, einem neuen Fenster, einem anderen Projekt oder einer zusammengefassten Session ist vieles wieder weg.

Was wurde ausprobiert? Welche Entscheidung habe ich getroffen? Warum habe ich diesen einen Workaround genommen und nicht den anderen?

Klar, VSCode und andere IDEs haben inzwischen Memories eingebaut und es gibt genug Projekte, die genau dieses Problem lösen wollen. Für mich fehlte trotzdem etwas, das ich selbst lesen, sortieren und bei Bedarf unterwegs anpassen kann.

Genau dafür nutze ich inzwischen Obsidian als eine Art Session Log. Quasi etwas, was sich mit Notizen und einem Graphen dafür auskennt:

Visualize the relationships between your notes. Find hidden patterns in your thinking through a visually engaging and interactive graph. Source

Warum überhaupt ein Session Log?

Viele Gespräche mit einem AI Agent sind nicht einfach nur “Frage rein, Antwort raus”. Es entsteht nebenbei Kontext:

• Welche Dateien geändert wurden
• Welche Commands gelaufen sind
• Welche Fehler aufgetreten sind
• Welche Annahmen falsch waren
• Welche Idee zwar gut klang, aber nicht funktioniert hat
• Welche Folgeaufgaben offen geblieben sind

Das sind alles Dinge, die später wieder nützlich werden können. Nicht nur für mich, sondern auch für den nächsten AI Agent, der in dem Projekt weiterarbeiten soll. Und ich wechsle immer mal die AI Agents oder auch die Provider dafür (aktuell Cursor).

Statt also alles im Chatverlauf vergammeln zu lassen, speichere ich die wichtigen Teile als Markdown in Obsidian. Das passt gut, weil Obsidian sowieso mein persönliches Notizsystem ist und Markdown einfach kein Spezialformat ist, das in drei Jahren keiner mehr lesen kann. Und so leben dann die Sessions, neben meinen privaten Notizen und unterwegs kann ich so auch die nächste Session beeinflussen.

Wie so eine Session aussieht

Am Ende einer längeren Session kann der Agent eine Zusammenfassung in Obsidian speichern. Die ist nicht einfach ein Chatdump, sondern eher ein kleines Arbeitsprotokoll.

Bei mir besteht so eine Session typischerweise aus:

## Overview

Kurze Zusammenfassung, worum es ging und warum es gemacht wurde.

## Changes

Welche Dateien geändert wurden und was sich fachlich geändert hat.

## Open Points / TODOs

Was noch offen ist oder bewusst nicht erledigt wurde.

## Learnings

Was dabei aufgefallen ist und beim nächsten Mal Zeit sparen kann.

Das klingt erst einmal banal, ist aber sehr hilfreich. Gerade die Abschnitte “Open Points” und “Learnings” sind Gold wert, weil dort nicht nur das Ergebnis steht, sondern auch der Weg dahin.

Was der Agent damit machen kann

Der spannende Teil ist nicht nur, dass ich nach einer Session eine Notiz habe. Spannend wird es, wenn der Agent diese Notizen wieder nutzen kann.

Alte Sessions finden

Wenn ich ein paar Wochen später wieder an einem Thema arbeite, kann der Agent in meinen alten Sessions suchen. Zum Beispiel nach einem Projektnamen, einem Fehlertext oder einem Tool.

Dann muss ich nicht mehr sagen:

Irgendwann hatten wir doch schon mal dieses Problem mit dem Helm Chart…

Stattdessen kann der Agent gezielt in den Session Logs suchen, die passenden Einträge laden und mit dem alten Kontext weiterarbeiten.

Das ist besonders praktisch bei Problemen, die nicht täglich auftreten. Kubernetes, Renovate, Helm Charts, komische CI-Fehler - alles Dinge, bei denen man sehr schnell vergisst, welche Sackgasse man letztes Mal schon ausprobiert hat.

Offene Aufgaben behalten

Nicht jede AI-Session endet sauber mit “fertig”. Manchmal findet man währenddessen Dinge, die später erledigt werden müssen:

• einen Follow-up-Bug
• eine Rechercheaufgabe
• eine technische Schuld
• eine Idee für einen weiteren Blogpost
• einen Test, der noch fehlt
• … oder man hat einfach etwas anderes dazwischen gehabt und aus Versehen die Session gelöscht…

Dafür kann der Agent eigene Session Tasks anlegen. Das sind keine Projekt-Tickets im klassischen Sinne, sondern eher Aufgaben für die AI selbst. Also: “Wenn wir hier weitermachen, vergiss bitte nicht, vorher X zu prüfen.”

Das gefällt mir deutlich besser, als solche Hinweise irgendwo im Chat zu verlieren.

Projektkontext herstellen

Der Agent kann sich zum Start einer Arbeit einen Überblick holen: Welche Projekte gibt es? Welche Session Tasks sind offen? Was wurde zuletzt gemacht?

… und ja manchmal schummel’ ich da eine Aufgabe einfach dazwischen und der AI Agent weiß sofort worum es jetzt gehen wird…

Das ist für mich einer der größten Vorteile. Normalerweise startet ein AI Chat sehr kalt. Ich muss erst wieder erklären, was das Projekt macht, welche Konventionen gelten und warum bestimmte Dinge so sind, wie sie sind. Klar, man könnte dafür auch Rules, Skills und spezielle Agent Prompts nutzen, aber so habe ich halt meine wichtigen Rules und Skills in meinem persönlichen Notizprogramm und kann sie schnell ändern.

Mit den gespeicherten Sessions kann der Agent zumindest einen Teil dieses Kontextes selbst rekonstruieren.

Natürlich ersetzt das kein sauberes README, keine Tests und keine Projektstruktur. Aber es ergänzt sie um etwas, das in Repositories oft fehlt: die Geschichte hinter den Entscheidungen.

Snippets wiederverwenden

Neben Sessions kann der Agent auch kleine Snippets in Obsidian ablegen. Also zum Beispiel einen nützlichen Shell-Befehl, ein Jsonnet-Beispiel oder eine kleine SQL-Abfrage.

Das ist praktisch, weil viele dieser Dinge nicht direkt in ein Projekt gehören, aber trotzdem wiederverwendbar sind. So entsteht mit der Zeit eine kleine persönliche Wissensdatenbank, die nicht nur für mich, sondern auch für die AI durchsuchbar ist.

Warum Obsidian?

Ich hätte dafür natürlich auch irgendeine Datenbank, ein Wiki oder ein spezielles Agent-Memory-Tool nehmen können. Aber Obsidian hat für mich ein paar klare Vorteile:

• Es ist einfach Markdown.
• Ich kann alles selbst lesen und bearbeiten.
• Die Daten liegen bei mir.
• Notizen lassen sich verlinken.
• Und es hat bereits eine Graph Funktion um Verlinkungen untereinander darzustellen
• Es funktioniert auch ohne AI.

Gerade der letzte Punkt ist mir wichtig. Ich möchte kein System bauen, das nur dann nützlich ist, wenn ein bestimmtes Tool gerade funktioniert. Wenn der Agent Mist baut oder das Tool morgen verschwindet, bleiben die Notizen trotzdem brauchbar. Zusätzlich kann ich es unterwegs anpassen und verfeinern. Die wichtigsten Ideen kommen doch auf einer langen Bahnfahrt ohne Internet.

Welche Plugins ich dafür nutze

Obsidian funktioniert schon ohne Plugins sehr gut, aber für diesen Workflow habe ich mir ein paar Erweiterungen installiert, damit es im Alltag nicht nur technisch funktioniert, sondern sich auch gut anfühlt.

Base Board nutze ich, um meine Session Tasks als Kanban anzuzeigen. Die Aufgaben liegen weiterhin als Markdown-Dateien mit Frontmatter im Vault, aber ich kann sie visuell zwischen Spalten verschieben. Genau das ist für AI-Follow-ups praktisch: Aus “das sollten wir später noch prüfen” wird eine sichtbare Karte, die nicht im Chat verschwindet.

Notebook Navigator sorgt dafür, dass alles hübsch und organisiert aussieht. Der normale Datei-Browser von Obsidian ist okay, aber Notebook Navigator erinnert mich an das Beste von Bear: eine klare Seitenleiste, schnelle Orientierung und ein Schreibgefühl, bei dem man nicht ständig das Gefühl hat, in einem Dateisystem herumzuklicken.

Und weil am Ende doch nichts über ein gutes Theme geht, nutze ich Minimal Theme Settings. Das ist kein Muss für den AI-Workflow, aber wenn ich jeden Tag in einem Tool arbeite, möchte ich auch gerne hineinschauen. Gute Typografie und ein ruhiges Theme machen für mich mehr aus, als man zuerst denkt.

Warum selbst gebaut?

Die Verbindung zwischen AI Agent und Obsidian läuft bei mir über einen eigenen MCP. Den habe ich nicht komplett von Hand geschrieben, sondern mir mithilfe von AI bauen lassen.

Das klingt im ersten Moment vielleicht etwas rekursiv, passt aber ziemlich gut: Die AI weiß am besten, wie sie ein Tool benutzen möchte. Welche Parameter hilfreich sind, welche Aktionen häufig gebraucht werden und welche Struktur eine Session haben sollte, merkt man sehr schnell, wenn man den Agent damit arbeiten lässt.

Natürlich hätte ich auch eine etablierte Lösung nehmen können. Aber dann wäre ich wieder an deren Logik und Arbeitsweise gebunden. Ich wollte etwas haben, das ich für meinen eigenen Workflow weiterentwickeln kann. Wenn mir auffällt, dass eine Funktion fehlt, kann ich sie ergänzen. Wenn ein Tool unnötige Roundtrips erzeugt, kann ich es umbauen. Wenn die Session Logs eine bessere Struktur brauchen, ändere ich genau das.

Für mich ist das also weniger ein fertiges Produkt und mehr ein kleines Werkzeug, das mit meinem Arbeitsstil mitwächst.

Wo ich vorsichtig bin

So ein Session Log ist kein magisches Gedächtnis. Man muss trotzdem aufpassen, was gespeichert wird.

Secrets, Tokens oder private Daten gehören dort nicht rein. Auch komplette Chatverläufe speichere ich nicht blind. Für mich funktioniert es besser, wenn die AI am Ende eine strukturierte Zusammenfassung schreibt und ich im Zweifel noch einmal drüber schaue.

Außerdem sollte man den gespeicherten Kontext nicht als Wahrheit behandeln. Nur weil in einer alten Session steht, dass etwas ein guter Ansatz war, heißt das nicht, dass es heute noch stimmt. Versionen ändern sich, Projekte ändern sich und manchmal war die alte Annahme einfach falsch. Aber genau dafür passt Obsidian super, ich ändere das einfach in einem Tool, wo ich Markdown nur als Hilfsmittel nehme.

Mein Fazit

Obsidian als AI Session Log ist für mich ein ziemlich pragmatischer Ansatz. Kein großes Framework, kein kompliziertes Setup, sondern einfach Markdown-Dateien mit brauchbarer Struktur.

Der größte Vorteil ist, dass AI-Arbeit dadurch weniger flüchtig wird. Erkenntnisse verschwinden nicht im Chatverlauf, offene Punkte bleiben sichtbar und der nächste Agent kann sich schneller wieder einarbeiten.

Oder anders gesagt: Ich gebe der AI kein perfektes Gedächtnis, aber wenigstens ein Notizbuch.