Ich war einer von denen. Ordentlicher Vault, Wikilinks, Backlinks, der Knowledge-Graph der einem das Gefühl gibt, intelligent zu sein. Ich habe meinen gesamten VINCI-Assistenten daran angebunden, meine Blogartikel dort synchronisiert, Notizen angelegt.
Dann hat es angefangen zu laggen. Und kurz danach habe ich aufgehört, Obsidian als Gedächtnis für Claude und Co zu benutzen, und mir stattdessen ein eigenes RAG-System gebaut. Das war einer der besseren technischen Entscheide der letzten zwei Jahre.
Hier ist, warum.
Was das Obsidian-Second-Brain-Konzept verspricht
Du kennst das. LinkedIn-Posts über „Building a Second Brain with Obsidian and Claude.“ Tutorials über Vault-Strukturen, Daily Notes, MOCs (Maps of Content), Zettelkasten-Methoden. Die Idee klingt gut: du gibst einem KI-Tool Zugang zu deinem Obsidian-Vault, und plötzlich kennt Claude alles über dich, deine Projekte, deine Gedanken.
Als KI-Berater für EPU und KMU in der DACH-Region höre ich diesen Ansatz regelmäßig. Ich selbst habe ihn ausgiebig getestet. Mein VINCI-Assistent hatte über Monate einen Obsidian-Vault als Wissensbasis, den ich via Plugin in das System eingebunden hatte.
Das Problem ist nicht, dass die Idee falsch ist. Das Problem ist, was in der Praxis passiert.
Wo Obsidian als KI-Kontext an seine Grenzen stößt
Performance bei wachsenden Vaults. Das ist das erste, was auffällt, wenn man einen Vault ernsthaft betreibt. Ich hatte meinen Blog mit über 500 Artikeln über n8n eingespeist, dazu Notizen, Entity-Dateien für Personen, Firmen, Themen. Bei etwa 8.000 Markdown-Dateien wurde der Graph-View langsam – SEHR langsam, das Plugin für die REST-API träge, und Suchoperationen spürbar verzögert. Das ist kein Einzelfall: die Obsidian-Architektur basiert auf lokalem Filesystem-Scanning, und das skaliert schlecht.
Das Sync-Problem, das wirklich nervt. Wer auf mehreren Geräten arbeitet, braucht Obsidian Sync. Das kostet. Der aktuelle Standard-Plan bietet 10 GB Storage, der Plus-Plan kommt auf bis zu 100 GB. Günstig ist das nicht. Und dann gibt es noch das, was einen wirklich ärgert: Dateien werden nur synchronisiert, wenn Obsidian läuft. Das bedeutet: willst du auf dem Windows-PC auf denselben Vault zugreifen wie am MacBook, müssen beide Geräte Obsidian offen haben, während der Sync läuft. Ich habe das nicht eingehalten, und entsprechend war der Sync nicht immer verlässlich.
Dazu kommen subtilere Probleme. Versionsverlauf und Attachments zählen beide zum Storage-Limit. Plugin-Daten können unerwartet groß werden und den Sync belasten. Wer Cloud-Storage wie iCloud oder OneDrive parallel nutzt, riskiert Konflikte und Datenverluste, weil Obsidian Sync nicht mit „Files on Demand“-Features von Drittanbieter-Services kompatibel ist.
Das Struct-Problem. Obsidian ist für Zettelkasten und Markdown-Puristen gemacht. Für einen KI-Assistenten, der semantisch suchen soll, ist ein Filesystem voller .md-Dateien aber das falsche Werkzeug. Keyword-Suche findet Dokumente mit exakten Begriffen. Was du in einer KI-Wissensbasis brauchst, ist semantische Ähnlichkeitssuche: der Artikel über „KI-Regulierung in Österreich“ soll auch dann gefunden werden, wenn ich nach „gesetzliche Anforderungen an Sprachmodelle“ frage.
Obsidian kann das nicht. Ein Vault ist ein Filesystem, kein Vektorspeicher.
Das Auto-Detection-Desaster. Das war für mich der letzte Auslöser. VINCI hatte einen automatischen Erkennungsmechanismus, der Eigennamen aus Blogartikeln in Entity-Stubs im Vault schrieb. Klingt gut. War es nicht. Nach einigen Wochen hatte ich über 8.000 sogenannte „Firmen-Einträge“ im Vault, darunter Allerwortschatz wie „Aber“, „Abend“ und „Achtung“, weil jedes großgeschriebene Wort am Satzanfang als potenzieller Eigenname erkannt wurde. Nach dem Aggressive-Cleanup, der Stunden dauerte: 22 echte Einträge. Das Grundproblem war strukturell und mit keinem weiteren Fix lösbar: Obsidian als Knowledge-Graph-Backend ist die falsche Architektur für eine dynamisch wachsende KI-Wissensbasis.
Was ein eigenes RAG-System anders macht
Ich habe mir im Frühjahr 2026 ein selbst gehostetes RAG-System aufgebaut. RAG steht für Retrieval-Augmented Generation. Der Grundgedanke: bevor Claude antwortet, sucht das System in einer eigenen Vektordatenbank nach semantisch passenden Inhalten und gibt sie als Kontext mit.
Seit meinem Artikel über das eigene RAG läuft das System produktiv auf meiner Hetzner-Infrastruktur. Der Stack: Qdrant als Vektordatenbank, Gemini-Embeddings für die semantische Vektorisierung, FastAPI als API-Layer, Coolify auf Hetzner für das Deployment. Der komplette Blog ist indexiert, ein täglicher Cron-Job hält die Basis automatisch aktuell.
Was das konkret bedeutet: Ich frage Claude nach einem Thema, das System sucht semantisch in über 1.400 Chunks aus meinen eigenen Inhalten, und die Antwort basiert auf dem, was ich tatsächlich geschrieben und gedacht habe. Nicht auf dem, was ein Sprachmodell irgendwann über das Thema gelernt hat.
Vier Unterschiede, die in der Praxis zählen:
Semantische Suche statt Keyword-Matching. Das ist der grundlegende Vorteil gegenüber einem Filesystem. Wenn ich nach „Reaktionen auf KI-Regulierung“ suche, findet das System Artikel, in denen diese exakten Wörter nicht vorkommen, der Inhalt aber genau dieses Thema behandelt. Das ist der Qualitätssprung, den ein Obsidian-Vault nie liefern kann.
Kein Sync, der nervt. Das RAG-System läuft zentral auf meinem Server, erreichbar von jedem Gerät mit Browser. MacBook, Windows-PC, iPhone via PWA. Kein Obsidian muss offen sein, kein Sync muss laufen. Der aktuelle Zustand der Wissensbasis ist von überall sofort verfügbar. Das Memory MCP läuft nach demselben Prinzip: zentral gehostet, überall erreichbar.
Kein wiederkehrendes Sync-Abo. Obsidian Sync kostet monatlich. Meine Hetzner-Infrastruktur läuft bereits, der RAG-Container ist ein weiterer Docker-Service. Die Gemini-Embeddings kosten mich bei aktuellem Volumen unter einem Euro pro Monat, weil ich über meinen Google Workspace Account arbeite, für den vertraglich geregelt ist, dass Daten nicht für Modell-Training verwendet werden. Das ist keine Ersparnis auf dem Papier, das ist eine Rechnung, die tatsächlich aufgeht.
Keine Struktur-Entscheidungen die man nicht trifft. Mit Obsidian sitzt du irgendwann vor der Frage: Welche Ordnerstruktur? Zettelkasten oder MOC? Wikilinks oder Tags? Das sind Fragen, die Zeit kosten und zu Perfektionismus einladen. Ein RAG-System braucht das nicht. Inhalte rein, Vektoren raus, fertig. Die Struktur entsteht durch semantische Ähnlichkeit, nicht durch manuell gepflegte Ordner.
Die Grenzen, die ehrlich benannt werden müssen
Das RAG-Prinzip hat keinen kostenlosen Einstieg. Wer kein Self-Hosting kennt und keine Infrastruktur betreibt, steht vor einer Lernkurve. Docker, Coolify, eine Hetzner-Instanz, ein API-Key: das sind keine unlösbaren Hürden, aber es sind Hürden.
Obsidian dagegen ist auf dem lokalen Rechner in fünf Minuten eingerichtet. Für Menschen, die primär an einem Gerät arbeiten und keinen Sync brauchen, ist ein lokaler Vault nach wie vor ein sinnvoller Startpunkt. Die Probleme beginnen dann, wenn das System wächst, wenn mehrere Geräte ins Spiel kommen, wenn die Vault tausende Dateien enthält, oder wenn man semantische Suche braucht statt Keyword-Matching.
Für alle diese Szenarien ist ein selbst gehostetes RAG die sauberere Lösung. Das Notion-plus-Claude-Setup ist eine interessante Alternative für den Zwischenbereich: strukturierter als ein Vault, flexibler als ein reines Filesystem, aber ohne die semantische Suche eines Vektorsystems.
Was das für EPU und KMU bedeutet
Ich arbeite als KI-Berater mit Einzelunternehmen und KMU in der DACH-Region. Die häufigste Aussage, die ich in Gesprächen höre: „Ich muss jedem KI-Tool immer wieder erklären, was mein Unternehmen macht.“
Das ist das Problem, das RAG löst. Nicht Obsidian, nicht Notion, sondern eine semantische Wissensbasis, die mit dem Unternehmen wächst und von jedem Interface aus abgefragt werden kann.
Das Setup, das ich selbst betreibe, ist nicht komplex. Es ist reproduzierbar. Und es löst ein Problem, das jeden betrifft, der KI-Tools intensiv nutzt und keine Lust hat, jedes Gespräch von vorne zu beginnen.
Wer den Schritt von einem lokalen Vault zu einer echten semantischen Wissensbasis machen will: der Bauplan dafür liegt dokumentiert, inklusive aller Bugs, die dabei aufgetaucht sind.
Das wird auch ein Service
Ich baue das nicht nur für mich. Ich teste es, optimiere es, und betreibe es täglich produktiv, weil ich überzeugt bin, dass genau das der richtige Ansatz für alle ist, die KI ernsthaft in ihren Arbeitsalltag integrieren wollen. Deshalb werde ich das „Prompt Rocker-RAG-System“ in absehbarer Zeit auch als Serviceleistung für Kunden anbieten.
Kein generisches SaaS-Produkt, sondern ein Setup, das zu deiner Infrastruktur, deinen Inhalten und deinen Workflows passt. Wer schon jetzt Interesse hat oder auf dem Laufenden bleiben will: melde dich. Die ersten Gespräche dazu führe ich bereits.
