Infopool / Tech Deep Dive
Tech Deep Dive

Das LLM Wiki von Andrej Karpathy — einfach erklärt.

Statt bei jeder Frage neu in Dokumenten zu suchen, schreibt die KI ein Wiki, das mit jeder Quelle besser wird. Grundprinzipien, Stärken und Schwächen in fünf Minuten.

qurix Technology November 2026
Kurz gesagt

Das LLM Wiki ist ein Muster von Andrej Karpathy (April 2026), bei dem ein KI-Agent aus Ihren Dokumenten ein verlinktes Markdown-Wiki schreibt und laufend pflegt. Anders als bei RAG wird Wissen nicht bei jeder Frage neu gesucht, sondern einmal aufbereitet und dann aktuell gehalten. Es besteht aus drei Schichten (Rohquellen, Wiki, Schema) und drei Handgriffen (einpflegen, fragen, prüfen).

Im April 2026 hat Andrej Karpathy, Mitgründer von OpenAI und früher KI-Chef bei Tesla, ein kurzes Textdokument veröffentlicht: das „LLM Wiki“. Es ist keine Software, sondern eine Idee, die man seinem KI-Agenten zum Lesen gibt. Der Agent baut daraus eine eigene Wissensbasis auf.

Die Idee in einem Bild.

Heute arbeiten die meisten Systeme wie ein Bibliothekar, der bei jeder Frage wieder ins Archiv läuft. Er sucht passende Textstellen und setzt daraus eine Antwort zusammen. Das nennt sich Retrieval-Augmented Generation (RAG). Gelernt wird dabei nichts: Bei der nächsten Frage beginnt die Suche wieder von vorn.

Karpathy schlägt einen Kollegen vor, der ein sauberes Notizbuch führt. Kommt ein neues Dokument dazu, liest er es und trägt das Wichtige an den richtigen Stellen ein. Er verknüpft Seiten und markiert, wo die neue Quelle einer alten widerspricht. Das Wissen wird einmal aufbereitet und danach aktuell gehalten. Karpathy selbst schreibt: „Obsidian is the IDE; the LLM is the programmer; the wiki is the codebase.“

Der Mensch sucht die Quellen aus, stellt die Fragen und denkt nach. Die KI übernimmt die Buchhaltung.
Schema des LLM Wiki Rohquellen werden vom KI-Agenten eingepflegt. Der Agent schreibt und verlinkt das Wiki nach den Regeln des Schemas. Der Mensch stellt Fragen und bekommt Antworten mit Belegen aus dem Wiki. Regelmäßig prüft der Agent das Wiki auf Widersprüche und Lücken. Schema CLAUDE.md · Hausordnung Rohquellen PDFs, Artikel, Protokolle unverändert KI-Agent Redakteur ① einpflegen Wiki Markdown-Seiten · index.md · log.md schreibt liest ③ prüfen Mensch wählt Quellen, fragt ② fragen Antwort mit Belegen gute Antworten → neue Seite
Das LLM Wiki im Überblick: Der Mensch kuratiert und fragt, der KI-Agent pflegt das Wiki nach der Hausordnung.

Grundprinzipien: drei Schichten, drei Handgriffe

Alles sind einfache Markdown-Dateien in einem Ordner, auf Wunsch versioniert mit Git.

SCHICHT 01

RohquellenDie Wahrheit, unverändert

Artikel, Studien, Protokolle, Datendateien. Die KI liest sie, verändert sie aber nie. Hier lässt sich jede Aussage im Wiki nachprüfen.

SCHICHT 02

Das WikiVon der KI geschrieben

Zusammenfassungen sowie Seiten zu Begriffen, Personen und Vergleichen. Ein Inhaltsverzeichnis (index.md) und ein Logbuch (log.md) halten Ordnung. Der Mensch liest, die KI schreibt.

SCHICHT 03

Das SchemaDie Hausordnung

Eine Datei wie CLAUDE.md oder AGENTS.md legt fest, wie das Wiki aufgebaut ist und welche Regeln gelten. Erst dadurch arbeitet die KI als disziplinierter Redakteur und nicht als Plaudertasche.

HANDGRIFFE

Einpflegen · Fragen · PrüfenIngest, Query, Lint

Einpflegen: Eine neue Quelle ändert oft zehn bis fünfzehn Wiki-Seiten auf einmal. Fragen: Die KI antwortet aus dem Wiki und nennt ihre Belege. Gute Antworten kommen als neue Seite zurück ins Wiki. Prüfen: In regelmäßigen Abständen sucht die KI nach Widersprüchen, veralteten Aussagen, Seiten ohne Verlinkung und Lücken.

RAG und LLM Wiki im Vergleich.

Klassisches RAGLLM Wiki
Wann wird Wissen aufbereitet?Bei jeder Frage neuEinmal beim Einpflegen, dann aktuell gehalten
Wissen wächst mit?Nein, jede Antwort ist vergessenJa, gute Antworten werden neue Seiten
Widersprüche zwischen QuellenBleiben meist unbemerktWerden beim Einpflegen markiert
TechnikVektordatenbank, EmbeddingsMarkdown-Dateien, Inhaltsverzeichnis, Git
Stark beiSehr großen DokumentmengenWissen, das über Wochen und Monate wächst

Stärken und Schwächen.

Stärken

  • Wissen wächst mit. Jede Quelle und jede gute Antwort macht das Wiki reicher, statt im Chatverlauf zu verschwinden.
  • Widersprüche werden sichtbar. Die KI markiert, wo eine neue Quelle einer alten widerspricht.
  • Einfache Technik. Bis zu einigen hundert Seiten reicht ein Inhaltsverzeichnis. Eine Vektordatenbank braucht es nicht.
  • Nachvollziehbar. Markdown und Git zeigen, wer was wann geändert hat. Die Daten bleiben lesbar, auch ohne die KI.
  • Die Pflege kostet fast nichts mehr. Menschliche Wikis sterben, weil niemand Querverweise pflegen will. Eine KI wird dabei nicht müde.

Schwächen

  • Fehler verfestigen sich. Fasst die KI eine Quelle falsch zusammen, bauen spätere Seiten auf dem Fehler auf. Ohne Stichproben durch Menschen fällt das niemandem auf.
  • Grenzen der Größe. Bei tausenden Seiten reicht das Inhaltsverzeichnis nicht mehr. Dann braucht es doch wieder eine Suche, etwa qmd.
  • Für eine Person gedacht. Rechte, Freigaben und vertrauliche Inhalte im Team regelt das Muster nicht.
  • Einpflegen kostet Rechenzeit. Jede neue Quelle schreibt viele Seiten um. Bei großen Mengen wird das spürbar.
  • Nur eine Idee. Es gibt kein fertiges Produkt. Wie gut das Wiki wird, hängt von der Hausordnung und der Disziplin ab.

Was das für die Energiewirtschaft heißt.

Viele Häuser haben genau das Problem, das Karpathy beschreibt: Das Wissen über Festlegungen der BNetzA, MaKo-Formate oder interne Datenmodelle liegt verstreut in PDFs, Mails und Köpfen. Jeder RAG-Chatbot sucht es bei jeder Frage neu zusammen. Ein gepflegtes Wiki würde stattdessen jede neue Festlegung einmal einordnen, inklusive des Hinweises, was sie gegenüber der alten ändert.

Für den produktiven Einsatz fehlen dem Muster allerdings genau die Teile, die in einer regulierten Branche zählen: Freigaben, Zugriffsrechte und eine fachliche Prüfung. Unsere Empfehlung: klein anfangen, mit einem Fachthema und einem verantwortlichen Menschen, der stichprobenartig gegenliest. Wir arbeiten intern selbst nach diesem Prinzip. Unser Firmenwissen liegt als Markdown-Repository mit Hausordnung, das Agenten fortlaufend pflegen.

Häufige Fragen.

Was ist das LLM Wiki von Andrej Karpathy?

Ein Muster für persönliche Wissensbasen, das Andrej Karpathy im April 2026 als „Idee-Datei“ auf GitHub veröffentlicht hat. Ein KI-Agent liest Quellen, schreibt daraus ein verlinktes Wiki aus Markdown-Dateien und hält es aktuell.

Was ist der Unterschied zwischen LLM Wiki und RAG?

RAG sucht bei jeder Frage passende Textstellen und baut die Antwort neu zusammen. Das LLM Wiki bereitet Wissen einmal auf, verknüpft es und pflegt es fortlaufend. Dadurch wächst das Wissen mit jeder Quelle und jeder Frage.

Welche Werkzeuge braucht man für ein LLM Wiki?

Einen KI-Agenten wie Claude Code oder OpenAI Codex, einen Ordner mit Markdown-Dateien und eine Schema-Datei wie CLAUDE.md oder AGENTS.md. Karpathy nutzt Obsidian zum Lesen, Git für die Versionierung und bei größeren Wikis die lokale Suche qmd.

Wo liegen die Grenzen des LLM Wiki?

Fehler in Zusammenfassungen können sich fortpflanzen, bei tausenden Seiten braucht es wieder eine Suche, und Rechte oder Freigaben im Team sind nicht geregelt. Für den produktiven Einsatz braucht es deshalb menschliche Stichproben und klare Zuständigkeiten.

Eignet sich das LLM Wiki für Unternehmen?

Ja, als Startpunkt für ein klar abgegrenztes Fachthema mit einer verantwortlichen Person. In regulierten Branchen wie der Energiewirtschaft müssen Zugriffsrechte, Freigaben und fachliche Prüfung ergänzt werden.

Referenzen

  1. Andrej Karpathy: LLM Wiki — A pattern for building personal knowledge bases using LLMs, GitHub Gist, April 2026.
  2. Vannevar Bush: As We May Think, The Atlantic, Juli 1945. Das „Memex“, auf das sich Karpathy ausdrücklich beruft.
  3. Lewis et al.: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, NeurIPS 2020. Das Grundlagenpapier zu RAG.
  4. Obsidian, Markdown-Editor mit Graph-Ansicht, und qmd, lokale Suche über Markdown-Dateien. Beide nennt Karpathy als Werkzeuge.
  5. Weiterlesen bei uns: Vibe Coding vs. Agentic Engineering.

Ihr Fachwissen als Wiki, das sich selbst pflegt?

Wir zeigen in einer halben Stunde, wie das an einem Ihrer Themen aussehen würde, mit Quellen, Hausordnung und Prüfschritt.

Gespräch vereinbaren