Obsidian ofrece una recompensa de $5000 por desarrollar un importador con la API de Notion y un convertidor de Databases a Bases
(github.com/obsidianmd)- Obsidian Importer actualmente convierte HTML de Notion a Markdown, pero no puede restaurar Databases
- El nuevo importador debe diseñarse para usar la API de Notion y convertir bases de datos a archivos .base (YAML)
- La conversión debe soportar Markdown de Obsidian, tablas, listas de tareas y archivos adjuntos de imágenes
- El proyecto incluye una recompensa de $5,000 y una fecha límite de desarrollo de 30 días
- Se requiere analizar e implementar soporte parcial y limitaciones de las vistas y propiedades de bases de datos
- Propuesta de recompensa para desarrollar un importador con la API de Notion en el plugin Obsidian Importer que convierta los datos de Databases de Notion a Bases de Obsidian (archivos .base, formato YAML)
- El plugin Importer actual solo soporta la exportación HTML de Notion y no puede recuperar la información de bases de datos
- Con el nuevo importador se busca resolver esa limitación usando directamente la API de Notion
Contenido principal y requisitos
- Recompensa (Bounty): la recompensa por implementar esta función es de $5,000 y el plazo de desarrollo es de 30 días
- Alcance:
- Uso de la API de Notion (integration token) y adaptación al nuevo data source object de 2025-09
- Soporte para convertir varias estructuras de Notion, como bases de datos, tablas y listas de tareas, al formato Markdown de Obsidian
- Incrustación automática de imágenes o archivos adjuntos y soporte para guardar adjuntos en la ubicación que el usuario especifique
- Los enlaces dentro del Markdown y las rutas de adjuntos deben procesarse según la configuración de Obsidian
- Casos de prueba: para una validación confiable, es necesario proporcionar datos de prueba de Notion reproducibles o una cuenta de prueba
Estrategia de conversión de Databases a Bases
- Como la estructura de Database de Notion y la de Base de Obsidian son distintas, se requiere análisis estructural previo y definición de estrategia
- Database de Notion: al principio está vacía, mientras que Base de Obsidian incluye todos los archivos y luego los reduce con filtros
- Puntos a analizar:
- Funciones de database que pueden importarse: vistas, columnas, grupos, resúmenes, fórmulas, etc.
- Elementos que no pueden importarse y métodos de reemplazo (fallback) adecuados: por ejemplo, vista de calendario, kanban, etc.
- Es necesario dejar claros el método concreto de importación y las limitaciones funcionales
Guía para contribuir y participar
- Es importante explorar previamente el código del Importer y la estructura de la API de Notion
- La propuesta debe incluir el método de implementación detallado y las condiciones de limitación (dentro del alcance del plugin de Obsidian)
- Para más detalles sobre contribuciones, consultar la Contribution guideline
Otra metainformación y registro de actividad
- Este issue tiene las etiquetas "bounty" y "notion"
- La recompensa inicial fue aumentada ($2,000 → $5,000)
4 comentarios
No sé si es una recompensa o una solicitud de trabajo freelance... al ver el título dudé de mis propios ojos.
Hace poco vi que en civit.ai había una función de recompensas y pensé que era para bug bounty, pero resulta que publican abiertamente solicitudes de implementación de funciones junto con una recompensa. Me pareció un concepto algo curioso. Si tienen dinero pero les falta capacidad interna, quizá no sea una mala opción.
¿Por la cantidad?
Opiniones de Hacker News
Mi experiencia poniendo recompensas en mi proyecto ha sido bastante buena.
Si ven ese hilo, habré pagado unos 50-60 mil dólares en recompensas (no es una cifra exacta; algunas cosas las resolví yo mismo y no pagué, y en otros casos pagué más cuando el trabajo resultó ser más grande de lo previsto).
Se avanzó bastante trabajo por ese costo.
Claro, también hubo resultados de menor calidad, tomó bastante tiempo revisar, y no todo tipo de trabajo es adecuado para una recompensa.
Pero si ya tienes usuarios y colaboradores interesados, con solo 500-1000 dólares en efectivo alcanza para motivar a alguien a convertir una simple curiosidad en acción.
Si puedo pagar 500-1000 dólares para ahorrarme una semana de trabajo (y además el costo de cambiar de contexto), para mí lo vale.
Obviamente una recompensa no alcanza para vivir, ni se compara con colegas en FAANG que ganan un millón de dólares al año.
Es más bien una muestra de agradecimiento, y se siente cualitativamente distinto al dinero que entra por salario.
Me pregunto si esta forma de manejar recompensas es la habitual.
O sea, si reciben postulantes, eligen a una persona y le encargan el trabajo, o si normalmente solo se aclaran bien los requisitos y la recompensa, y luego se escoge un ganador entre los trabajos enviados.
Lo primero quizá se eligió porque suena menos a pedir spec work.
Al mirar el proyecto por encima, no parecía con fines comerciales ni parte de algo comercial.
Así que me da curiosidad cuál fue la motivación para gastar dinero en poner una recompensa para este trabajo.
Normalmente entiendo que este tipo de recompensas las usan mucho empresas que necesitan funciones open source para interoperabilidad o integraciones.
Hace unos años hice un script para convertir de Notion a Obsidian.
En ese momento no existía Bases, así que las bases de datos simplemente las convertí a csv.
Era un script de Python sin dependencias, así que después de exportar las notas de Notion como un zip de Markdown, había que corregir todos los enlaces y nombres raros (aunque era una lástima que Notion no exportara todos los enlaces como enlaces Markdown).
Hoy me enteré de que Obsidian ya tiene API.
Pero aun así sigo pensando que usar la función de Notion de “descargar página como Markdown” quizá sea más fácil.
A Notion probablemente no le entusiasme mucho una API que permita a los usuarios irse de la plataforma, e incluso podría tratar de obstaculizarlo.
Pero “descargar notas como Markdown” es una función para usuarios, así que no creo que la eliminen fácilmente (también sirve de referencia que el modo offline llegó bastante tarde).
Sería increíble tener sincronización bidireccional entre Notion y Obsidian.
Notion está especializado en colaboración en línea, y Obsidian en personalización de software personal basada en archivos; son herramientas con fortalezas distintas.
No hace falta que ambas se integren perfectamente, pero creo que juntas podrían generar una buena sinergia sin esas debilidades.
Lo que me gustaría es que la exportación Markdown de Notion tuviera una opción de YAML frontmatter.
Si tengo algo de tiempo, creo que hoy intentaré meterle mano.
Eso sí, una sincronización bidireccional realmente completa requiere estructuras complejas como change tracking y merge, así que es difícil de abarcar como proyecto de fin de semana.
Mucha gente es negativa con el desarrollo usando LLM, pero yo creo que este es un caso bastante adecuado.
Hay muchas diferencias entre la API de Notion y Obsidian, así que no creo que se pueda resolver de una sola pasada.
Pero los LLM son buenos para enumerar distintos edge cases, y herramientas como Codex o Claude Code tienen capacidades adecuadas para este tipo de tareas.
Recomiendo mucho que el equipo de Obsidian o los mantenedores intenten implementarlo con LLM.
Según mi experiencia, el costo está entre 100 y 1000 dólares, y el contexto adicional (tests, documentación, etc.) ayuda mucho cuando la API cambia más adelante.
Por experiencia personal, hace unos meses escribí yo mismo un script para sincronizar bases de datos entre Obsidian y Notion.
Al principio me ayudé con AI, pero pronto me di cuenta de lo caótica que es la API de Notion y de lo fácil que los LLM se traban al manejar edge cases.
La AI sirve para superar la primera barrera de una API, pero al final una persona tiene que ajustarlo a mano para que el resultado sea satisfactorio.
Los LLM son excelentes para migración de datos, y también sirven mucho para explorar distintas API.
Hace un mes migré con ayuda de LLM el sitio web y el blog de la empresa de Framer a Astro.
Y el fin de semana pasado también usé LLM para resumir datos de dashboards de Grafana.
Los LLM son infinitamente productivos para validar hipótesis, ejecutar código repetitivo y revisar resultados.
Eso sí, lo difícil de siempre es verificar que el resultado esté completo y que no haya partes inventadas o valores por defecto metidos donde no corresponden, además de mantener la calidad del código.
Cuando uso Claude Code, la mayor parte del tiempo la dedico al refactoring.
Siento que hace falta conocimiento concreto de tooling y de abstracción.
De hecho, alguien ya lo está intentando:
https://github.com/obsidianmd/obsidian-importer/pull/424
No termino de entender la lógica promocional de los LLM.
Si alguien cree que se pueden ganar 50 mil dólares solo con prompts, me gustaría decirle que lo haga y lo demuestre.
No es muy distinto de esos traders que venden cursos diciendo “tú también puedes ganar”.
Todos usamos LLM en cierto grado, pero Hacker News parece estar lleno de prompt engineers demasiado optimistas.
Me gustaría que compitieran con resultados y que, en vez de repetir PoC, mostraran productos reales.
Siento que ya debe haber alguien creando un agente que recorra automáticamente las recompensas en GitHub y haga push de soluciones automáticas.
Me preocupa un poco que eso termine siendo una gran fuente de spam para la gente que publica recompensas con buena intención.
La descripción del PR era muy detallada y estaba bien estructurada, así que al principio me entusiasmó, pero los cambios reales estaban dispersos por todas partes.
Si una persona con experiencia hubiera escrito una explicación así, probablemente habría dividido el PR en partes más pequeñas, pero no fue el caso.
El código parecía aceptable hasta que vi que habían comentado el código que generaba un componente de UI y solo dejaron “ahora hace falta X”.
Ese componente envolvía la configuración global de toda la app, pero simplemente lo comentaron y la funcionalidad desapareció por completo.
Aun así, parte del PR sí era bastante utilizable, así que el desarrollador tuvo que continuar desde ahí y retocarlo manualmente.
Sobre todo, me gustaría que existiera una cultura de reconocer “este código fue hecho mayormente por AI”.
No tengo rechazo a este tipo de herramientas, pero claramente cambia la forma de abordar el código.
Lo que es fácil para una persona es difícil para la AI, y viceversa.
Antes hice un generador de documentación OpenAPI usando la API de Notion.
Por esa experiencia, siento compasión por quien quiera intentar esta recompensa.
La API de Notion es difícil de integrar y tiene muchas limitaciones, así que la brecha con la UI real y sus funciones es grande.
Yo también he escrito bastante código con la API de Notion, pero una recompensa de 5,000 dólares no es suficiente (la mitad es broma).
Aun así, sí me gustaría que hubiera más recompensas open source.
Obsidian no es open source, pero el ambiente de la comunidad se siente muy anti big tech.
Pero siento que cada vez se ve más esta clase de explotación de la base de usuarios.
Tal vez lo estoy entendiendo mal por no conocer bien el mundo de las recompensas, pero se me hace raro.
comma.ai también maneja recompensas abiertas, y parece que esta forma de trabajar se está volviendo cada vez más común.
https://github.com/orgs/commaai/projects/26/views/1
https://tinygrad.org/#worktiny
Me pregunto cuál es la forma más fácil de convertir todos los dataview de un vault existente de Obsidian a Bases.
Como DataView es mucho más potente que Bases, creo que convertir “todos los dataview” es básicamente imposible.
Hay un script hecho por la comunidad para convertir de Dataview a Bases.
https://github.com/Quorafind/Bases-Toolbox
“Postúlense solo si ya exploraron antes el codebase de Importer y la API de Notion”.
Viendo esa condición, 5,000 dólares no suenan tan atractivos.
Si ya tienes experiencia con ambos proyectos, quizá en realidad no sea tan complicado.
Si alguien tuviera tiempo, probablemente sería la persona ideal.
Me da curiosidad por qué te parece así.
No lo interpreto como que haga falta una experiencia amplísima, sino más bien como una forma de filtrar de antemano a postulantes que no conocen la dificultad que cabe esperar.