Trails - Menemukan Keterhubungan di antara 100 Buku dengan Claude Code

 (trails.pieterma.es)
4 poin oleh GN⁺ 2026-01-11 | 1 komentar | Bagikan ke WhatsApp
  • Proyek berbasis web yang memanfaatkan Claude Code untuk menelusuri secara otomatis keterkaitan antartema di 100 buku
  • Menganalisis konsep dari tiap buku lalu memvisualisasikannya menjadi lebih dari 40 koneksi bertema (trail) seperti ‘Useful Lies’, ‘Invisible Crack’, ‘Name Game’
  • Tiap trail menghubungkan silang konsep dari beragam bidang seperti psikologi, teknologi, organisasi, kreativitas, dan pemikiran sistem
  • Pengguna dapat mengeklik tiap trail untuk menjelajahi buku terkait dan konsep inti (mis: Self-deception, Innovation, Tacit knowledge)
  • Menawarkan pendekatan baru untuk membaca dan riset, di mana AI menjelajahi hubungan antarpengatahuan secara struktural

Gambaran proyek

  • Trails adalah sistem yang menggunakan Claude Code untuk menganalisis isi banyak buku dan secara otomatis menarik tema bersama atau koneksi konseptual
  • Hasilnya memvisualisasikan keterkaitan tematik antar buku dalam bentuk ‘trail’
    • Tiap trail menghubungkan ide dari beberapa buku dengan berpusat pada konsep tertentu

Contoh trail utama

  • Useful Lies: membahas perilaku manusia yang memanfaatkan penipuan diri sebagai strategi
    • Konsep terkait: Self-deception, Evolutionary psychology, Blue lies
  • Invisible Crack: fenomena ketika cacat kecil menumpuk hingga berujung pada kegagalan yang katastrofik
    • Konsep terkait: Brittle fracture, Metal fatigue, Gradual change
  • Ideas Mate: hak kekayaan intelektual yang lemah mempercepat inovasi lewat penyalinan kolaboratif
    • Konsep terkait: Innovation spillover, Japanese copying, Open source
  • Desperate Pivots: contoh ketika situasi mendesak mendorong perubahan inovatif
    • Konsep terkait: Odeo reinvention, Startup pivot, Hindsight bias
  • Expert Intuition: keahlian bekerja sebagai pengetahuan intuitif yang melampaui pemikiran sadar
    • Konsep terkait: Tacit knowledge, Mētis knowledge, Intuition

Keragaman koneksi pengetahuan

  • Trail mencakup area yang luas seperti teknologi, organisasi, psikologi, ekonomi, dan kreativitas
    • Contoh: Proxy Trap (jebakan optimasi metrik), Legibility Tax (biaya standardisasi), Joy Dividend (produktivitas dari kesenangan)
  • Tiap trail terdiri dari 3–4 kata kunci inti, sehingga hubungan antarkonsep dapat dijelajahi secara intuitif
  • Melalui eksplorasi visual dan tematik, pembaca dapat menghubungkan ide dari buku dalam konteks baru

Karakteristik teknis

  • Claude Code menganalisis isi tiap buku dan membuat koneksi berdasarkan kemiripan semantik
  • Hasilnya disajikan melalui antarmuka berbasis tautan, sehingga pengguna dapat menjelajah berdasarkan tema
  • Tiap halaman trail terdiri dari kalimat ringkasan singkat dan tag konsep terkait

Makna

  • Upaya eksperimental di mana AI secara otomatis menelusuri hubungan struktural dalam pengetahuan
  • Alat yang membantu pembaca dan peneliti menghubungkan ide dari bidang yang berbeda untuk memperluas cara berpikir
  • Menghadirkan bentuk baru ‘pengalaman membaca terpadu’ melalui gabungan data berbasis buku dan analisis AI

Bacaan terkait

1 komentar

 
GN⁺ 2026-01-11
Komentar Hacker News

  • Karya itu sendiri indah, tetapi output datanya yang nyata tampak nyaris tidak berguna
    Rasanya terlalu banyak pemikiran kritis yang didelegasikan ke model statistik
    Saya juga sudah lama menguji berbagai LLM canggih, tetapi menemukan ‘keterkaitan tak terlihat’ antar-teks masih belum memungkinkan. Intuisi manusia tetap dibutuhkan

    • Daripada dihubungkan hanya dengan satu kata seperti “Us/Them” atau “fictions”, akan lebih berguna jika keterkaitannya dibuat pada tingkat konsep
    • Saya ingin melihatnya sedikit lebih detail. trail collective-brain sangat bagus
    • Saya juga pernah membangun banyak teks dengan RAG dan mengekstraknya berdasarkan kata kunci, lokasi, tanggal, dan sebagainya, tetapi LLM tanpa reranker tidak bisa menghasilkan hasil yang layak. Saat menjalankan kueri vektor, jawaban memang selalu muncul, tetapi kebanyakan bercampur dengan potongan yang tidak relevan

  • Pekerjaan yang benar-benar keren. Secara visual juga menunjukkan tingkat penyelesaian yang menakjubkan

  • Ini percobaan yang bagus, tetapi seperti orang lain, saya juga tidak terlalu melihat keterkaitan nyata antar-teks
    Misalnya, hubungan antara Jobs dan The Elephant in the Brain tidak tertangkap oleh LLM, padahal manusia bisa dengan mudah mengenalinya — keduanya mirip dalam hal penipuan diri yang bekerja secara strategis

  • Saya bingung melihat frasa “Thanos committing fraud” berada di bagian “useful lies”
    Dalam situasi ketika pendirinya masuk penjara, aneh jika kebohongan itu dianggap ‘berguna’. Sepertinya AI mengklasifikasikannya secara ceroboh

    • Mungkin maksudnya “itu adalah kebohongan yang berguna sampai ketahuan”
    • Sebagai catatan, sepertinya yang dimaksud bukan Thanos melainkan Theranos

  • Saya juga pernah bereksperimen menggunakan Claude Code untuk ‘membaca’ proyek GitHub yang belum saya pahami dengan baik
    Saat mengikuti proyek trending berbahasa Rusia, saya menemukan GoodbyeDPI, lalu terjun ke dunia deep packet inspection

    • ValdikSS dikenal lewat patch SBC XQ untuk Android. Untuk konteks, lihat artikel Habr dan tautan review Android
    • Di GitHub memang ada sangat banyak proyek yang sulit dipahami tanpa pengetahuan domain seperti ini

  • Saya tidak paham garis-garis yang menghubungkan dua teks itu. Kebanyakan tampak seperti garis koneksi yang tidak bermakna
    Di bagian “Father wound”, “abandoned at birth” dan “did not” dihubungkan, dan itu terasa cuma seperti hiasan visual

    • Saya juga mendapat kesan yang sama
    • Terlihat keren, tetapi pada akhirnya itu hanya hasil koneksi acak yang dibuat LLM

  • Saya juga pernah membuat proyek serupa
    Saya mengekstrak teks PDF dengan pdfplumber, memasukkannya ke PostgreSQL, lalu melakukan chunking per 100 karakter dan membuat embedding 384 dimensi dengan sentence_transformers
    Setelah itu saya melakukan reduksi dimensi dan clustering dengan UMAP + HDBScan, lalu memvisualisasikannya dengan Plotly, dan cluster berdasarkan topik terlihat jelas
    Saya menyiapkan lingkungannya dengan Docker Compose dan memindahkannya ke UI web berbasis Flask. Setelah merapikan kodenya, saya berencana merilisnya sebagai open source

    • Saya benar-benar ingin melihat pendekatan dan repositorinya
    • Ini terlihat seperti pendekatan yang mirip dengan Bertopic. Pustaka yang hebat

  • Dulu saya pernah membaca buku tentang “humaniora digital”, dan konsep “distant reading” sangat membekas
    Ini adalah cara menganalisis ratusan hingga ribuan teks dengan komputer untuk mendapatkan wawasan makro
    Seorang teman pernah mengimplementasikan analisis seperti ini langsung dalam makalahnya dengan Python, dan itu sangat menarik
    Sekarang, berkat LLM, pendekatan seperti ini jadi lebih mudah, dan bisa dicoba bahkan tanpa tahu cara menulis kode
    Konsep terkait bisa dilihat di wiki Distant reading

    • LLM juga cukup berguna untuk mencarikan materi hanya dari penjelasan yang samar seperti ini ;)

  • Idenya bagus, tetapi hubungan antara tema dan narasi tiap buku masih lemah
    Sebagiannya terasa seperti menebak tema keseluruhan hanya dari satu paragraf
    Jika prompt diulang beberapa kali atau ditambah proses ekstraksi multilangkah, hasilnya mungkin bisa jadi lebih presisi

  • Seperti kutipan Deleuze, buku bisa dipandang sebagai ‘mesin yang bekerja’ atau sebagai ‘kotak makna’

    • Saya tidak tahu sumbernya, tetapi terasa sebagai pandangan yang terlalu disederhanakan
      Deleuze sendiri juga seorang pemikir yang dipengaruhi pemikir lain, dan saya justru merasa upaya proyek ini tetap bermakna
      Hanya saja, bagi orang yang benar-benar telah membaca teks aslinya, hasilnya bisa terasa kurang akurat