Claude Code × Obsidian: Guía completa para crear 15 alter egos de "cerebro externo" con IA

Actualmente, contamos con 15 empleados de IA que trabajan de forma autónoma. Para hacerlos aún más efectivos, he creado 15 alter egos, cada uno con una personalidad específica, que heredan mis conocimientos y patrones de pensamiento. No les doy instrucciones detalladas; ya entienden mi forma de pensar, por lo que no hay necesidad de comunicación innecesaria.

En los últimos años, la evolución de la IA ha sido notable, revolucionando nuestros estilos de trabajo y procesos de pensamiento. Sin embargo, la mayoría del uso de la IA se queda estancado en un formato de preguntas y respuestas "puntuales", sin lograr desbloquear el verdadero potencial de la tecnología. Para usar la IA no solo como una herramienta pasiva, sino como un "colaborador" que piensa, actúa y aprende de forma autónoma, es esencial construir un sistema donde la IA pueda "Loop".

Este artículo ofrece una guía práctica sobre cómo construir un "Cerebro Externo de IA" combinando Claude Code y Obsidian. Exploraremos el concepto del "AI Loop" —donde la IA pasa continuamente por "Planificar → Ejecutar → Verificar → Corregir"— y proporcionaremos métodos de implementación específicos con ejemplos de código prácticos. Desde la configuración de la infraestructura hasta la teoría del diseño del AI Loop, la automatización de flujos de trabajo con Skills, la gestión autónoma de proyectos con la Capa de PM, y la automatización avanzada y la gestión de costes, esta guía cubre todo lo que necesitas para convertir la IA en un verdadero socio.

Parte 1: Construyendo el Cerebro Externo de IA

La base del "AI Loop" es el "Cerebro Externo de IA", que agrega y gestiona el conocimiento personal y la información del proyecto. Al vincular Claude Code, Obsidian y Git, construimos una infraestructura robusta para que la IA pueda referenciar, aprender y actuar. Este capítulo explica los pasos de configuración específicos y la estructura de directorios recomendada.

1.1 El Concepto del Cerebro Externo de IA

Un Cerebro Externo de IA es una base de conocimiento estructurada que externaliza las funciones de memoria, aprendizaje y pensamiento humano para que la IA pueda acceder a ellas y utilizarlas. Esto permite que la IA tome decisiones avanzadas y resuelva problemas consultando experiencias y conocimientos pasados.

・Base de Conocimiento: Una colección de notas en Markdown gestionadas en Obsidian, que incluyen ideas, proyectos, notas de reuniones e información técnica.

・Agente de IA: Programas centrados en Claude Code que ejecutan procesos automatizados.

・Control de Versiones: Gestión y sincronización de la base de conocimiento mediante Git y GitHub.

・Capa de Automatización: Ejecución periódica de tareas y procesamiento basado en eventos utilizando GitHub Actions.

1.2 Preparación del Entorno de Desarrollo

1. Obsidian: Una herramienta de gestión de conocimiento para notas locales en Markdown.
2. Git: Un sistema de control de versiones para gestionar notas en un repositorio de GitHub.
3. Claude Code: El entorno de ejecución del agente de IA que utiliza la API de Anthropic Claude.
4. Cuenta de GitHub: Necesaria para almacenamiento remoto y automatización mediante GitHub Actions.

1.3 Estructura de Directorios Recomendada

1.claude/          # Comandos y configuración de Claude Code
2  commands/       # Scripts de comandos personalizados
3  config.yaml     # Ajustes de Claude Code
400_Inbox/         # Notas temporales e información no organizada
510_Projects/      # Directorios para proyectos en curso
6  ProjectA/
7    README.md
8    tasks.md
920_Areas/         # Áreas continuas (ej. Desarrollo, Marketing)
1030_Resources/     # Materiales de referencia y recursos de aprendizaje
1140_Archives/      # Proyectos completados e información antigua
12README.md         # Resumen del cerebro externo

1.4 Sincronización con Git y GitHub

Sincronizar las notas de Obsidian con GitHub proporciona seguridad de datos, seguimiento de cambios, sincronización entre dispositivos y permite que Claude Code lea y escriba en la base de conocimiento.

1.5 Configuración de Claude Code

Claude Code es un agente de codificación de IA que realiza operaciones con archivos, generación de código y ejecución de comandos basándose en instrucciones en lenguaje natural. Sirve como las "manos y pies" del Cerebro Externo de IA.

Uso básico:
``bash
claude "Describe el propósito y la visión general de este proyecto en el README.md."
``

Parte 2: Implementando Puertas de Verificación

Este capítulo se centra en la teoría del "AI Loop" y la implementación de las "Puertas de Verificación" (VERIFY Gate), que determinan el éxito o fracaso de las operaciones autónomas.

2.1 Las 5 Etapas del AI Loop

1. DISCOVER: Identificar problemas y recopilar información.
2. PLAN: Crear un plan de acción.
3. EXECUTE: Realizar el trabajo.
4. VERIFY: Evaluar objetivamente los resultados.
5. ITERATE: Corregir y reintentar basándose en la verificación.

2.2 Importancia de la Puerta de VERIFY

Sin una puerta de verificación estricta, la IA puede caer en la autocomplacencia, asumiendo falsamente que una tarea está completa cuando no lo está. La puerta asegura que la IA entienda qué constituye el éxito.

2.3 Implementación en Código de la Puerta de VERIFY

Aquí hay un script en Python que comprueba automáticamente la calidad del código utilizando mypy y pytest:

1# verify_code_quality.py
2import subprocess
3import sys
4from pathlib import Path
5
6def run_command(command, error_message):
7    process = subprocess.run(command, capture_output=True, text=True, check=False)
8    if process.returncode != 0:
9        return False, f"{error_message}\n{process.stdout}\n{process.stderr}"
10    return True, process.stdout
11
12def verify_implementation():
13    print("--- Iniciando verificación de código ---")
14    # Ejecutar mypy y pytest...
15    return True, "Todas las comprobaciones de calidad de código pasaron."
16
17if __name__ == "__main__":
18    passed, result = verify_implementation()
19    print(result)
20    sys.exit(0 if passed else 1)

2.5 Diseño de Condiciones de Parada

Para evitar bucles infinitos y picos de coste, debes establecer condiciones de parada como criterios de éxito, iteraciones máximas, límites de presupuesto y límites de tiempo.

Parte 3: Skills y Capa de PM

3.1 Diseñando Skills

En Claude Code, puedes definir "Skills" personalizadas para convertir operaciones complejas en comandos únicos como /decompose o /work.

3.2 Introduciendo la Capa de PM

Para lograr una verdadera autonomía, la IA necesita una "capa de juicio" para entender el contexto del proyecto (Qué, Por qué, Cómo, Cuándo). Usamos un archivo pm_brief.md en cada directorio de proyecto para proporcionar este contexto.

Parte 4: Automatización Siempre Activa

Usando GitHub Actions, podemos hacer que la IA trabaje periódicamente sin intervención humana.

4.1.1 Limpieza Matutina de la Bandeja de Entrada

Un flujo de trabajo que se ejecuta cada mañana a las 9:00 AM para organizar la carpeta 00_Inbox/.

4.2 Monitoreo y Gestión de Costes

La automatización siempre activa es potente, pero requiere monitoreo de costes. Usa --max-budget-usd y --max-turns para limitar el gasto por ejecución.

Conclusión: Diseñando el Loop

La clave para maximizar la IA no es solo dar instrucciones ingeniosas, sino diseñar un Loop donde la IA pueda planificar, ejecutar, verificar y corregirse a sí misma. Al combinar Claude Code y Obsidian, transformas la IA de una simple herramienta a un colaborador continuo.