Ein LLM-Wiki ist eine Sammlung von Markdown-Dateien, die eine KI aus deinen Quellen schreibt und selbst aktuell hält. Du legst Artikel, Notizen oder Unterlagen in einen Ordner. Die KI liest jede neue Quelle, fasst sie zusammen, verknüpft sie mit den vorhandenen Seiten und vermerkt, wo sich Aussagen widersprechen. Fragen beantwortet sie danach aus dem Wiki, nicht jedes Mal neu aus den Rohdokumenten. Das Muster hat der KI-Forscher Andrej Karpathy im April 2026 beschrieben. Der Unterschied zu RAG: Das Wissen wird einmal zusammengeführt und dann gepflegt, statt bei jeder Frage neu gesucht zu werden. Für kleine Betriebe passt ein LLM-Wiki dort, wo jemand über Wochen Wissen zu einem Thema sammelt. Für Kundendaten und Wissen mit unterschiedlichen Zugriffsrechten ist es nicht gebaut.
Ich arbeite täglich mit KI-Mitarbeitern auf Basis von Claude Code, und auch deren Wissen liegt in Markdown-Dateien. Was davon zu Karpathys Muster passt und was nicht, steht weiter unten. Alles rund um Agenten sammle ich auf der Seite KI-Agenten: verstehen, bauen, führen.
Woher das LLM-Wiki kommt: Karpathys Beitrag
Am 2. April 2026 schrieb Karpathy auf X unter der Überschrift „LLM Knowledge Bases“, ein großer Teil seiner Arbeit mit Sprachmodellen gehe gerade weniger in Code und mehr in Wissen, abgelegt als Markdown und Bilder. Sein Wiki zu einem Forschungsthema hatte zu dem Zeitpunkt etwa 100 Artikel und rund 400.000 Wörter. Zwei Tage später veröffentlichte er auf GitHub eine Datei mit dem Titel „LLM Wiki“.
Karpathy nennt sie eine Ideendatei. Sie ist dafür gedacht, dass du sie deinem KI-Agenten gibst, etwa Claude Code oder OpenAI Codex, und der Agent die Einzelheiten gemeinsam mit dir ausarbeitet. Es gibt also kein fertiges Programm, sondern ein Muster. Im X-Beitrag schreibt Karpathy selbst, er sehe Platz für ein richtiges Produkt statt einer zusammengewürfelten Sammlung von Skripten.
Die Rollen verteilt er so: Du suchst die Quellen aus und stellst die Fragen, die KI erledigt Zusammenfassen, Querverweise und Buchführung. Sein Vergleich dazu: Obsidian, ein Notizprogramm für Markdown-Dateien, ist die Entwicklungsumgebung, das Sprachmodell ist der Programmierer, das Wiki ist der Code.
Wie ein LLM-Wiki aufgebaut ist: drei Schichten
Die Rohquellen sind die Wahrheit, auf die sich alles zurückführen lässt. Das Wiki gehört ganz der KI: Du liest es, sie schreibt es. Das Schema nennt Karpathy die wichtigste Datei, weil sie aus einem allgemeinen Chatbot einen disziplinierten Wiki-Pfleger macht. Claude Code liest eine CLAUDE.md laut Anthropic zu Beginn jeder Sitzung; liegt stattdessen eine AGENTS.md im Ordner, kann es diese lesen.
Dazu kommen zwei Hilfsdateien. Die index.md ist ein Katalog: jede Wiki-Seite mit Link und einer Zeile Zusammenfassung. Bei einer Frage liest die KI zuerst den Index und öffnet dann die passenden Seiten. Die log.md ist ein Protokoll, in das nur angehängt wird: was wann eingespielt, gefragt oder geprüft wurde.
Drei Abläufe: Einspielen, Fragen, Pflegen
Einspielen (Ingest). Du legst eine neue Quelle in den Rohordner und sagst der KI, sie soll sie verarbeiten. Die KI liest sie, bespricht die wichtigsten Punkte mit dir, schreibt eine Zusammenfassung, aktualisiert Index und Themenseiten und ergänzt das Protokoll. Eine einzelne Quelle kann laut Karpathy 10 bis 15 Wiki-Seiten berühren. Er selbst spielt Quellen lieber einzeln ein, liest die Zusammenfassungen und sagt der KI, worauf es ankommt.
Fragen (Query). Du stellst Fragen an das Wiki, die KI sucht die passenden Seiten und antwortet mit Verweisen darauf. Der wichtigste Gedanke dabei: Gute Antworten legst du als neue Seite zurück ins Wiki. Ein Vergleich verschwindet dann nicht im Chatverlauf.
Pflegen (Lint). Der Begriff kommt aus der Programmierung. Im Wiki lässt du die KI regelmäßig nach Widersprüchen zwischen Seiten suchen, nach Aussagen, die neuere Quellen überholt haben, nach Seiten ohne eingehende Links, nach wichtigen Begriffen ohne eigene Seite und nach Lücken, die sich mit einer Websuche schließen lassen.
LLM-Wiki und RAG: der Unterschied
Bei RAG sucht ein System bei jeder Frage passende Abschnitte aus deinen Unterlagen heraus und gibt sie dem Sprachmodell mit. Wie das genau funktioniert, erkläre ich in Was ist RAG? RAG-System einfach erklärt. Karpathys Kritik daran: Das Modell entdeckt das Wissen bei jeder Frage neu, nichts baut sich auf.
Die Tabelle ist meine Einordnung; von Karpathy stammen der Grundgedanke und die Größenangabe. Er schreibt selbst, er habe gedacht, er brauche ein aufwendiges RAG-System, aber der Index habe bei dieser Größe gereicht. Wächst das Wiki weiter, empfiehlt er ein Suchwerkzeug über die Seiten. Dann bist du wieder nah an RAG, nur mit Suche über gepflegte Seiten statt über Rohdokumente. Wie viel ein Modell auf einmal lesen kann, bestimmt sein Kontextfenster.
Vorteile und Nachteile
Was für ein LLM-Wiki spricht:
- Wissen wächst an. Querverweise sind schon gesetzt, Widersprüche schon markiert. Jede Quelle und jede gute Frage macht das Wiki reicher.
- Alles ist lesbar. Reine Textdateien, die du in jedem Editor öffnen kannst. In einem Git-Repository bekommst du die Versionsgeschichte dazu, also jede Änderung mit Datum.
- Die Pflege fällt nicht aus. Karpathys Begründung: Menschen geben Wikis auf, weil der Pflegeaufwand schneller wächst als der Nutzen. Eine KI wird dabei nicht müde.
Was dagegen spricht (meine Einschätzung):
- Fehler wandern mit. Fasst die KI eine Quelle falsch zusammen, steht der Fehler danach im Wiki und in den Querverweisen, und spätere Antworten bauen darauf auf. Darum bleiben die Rohquellen unverändert, und darum liest Karpathy die Zusammenfassungen mit. Warum Sprachmodelle überhaupt danebenliegen, steht in KI-Halluzinationen erkennen und reduzieren.
- Es ist kein Produkt. Du baust und pflegst den Ablauf selbst, zusammen mit deinem Agenten.
- Keine Rechte. Ein Ordner kennt keine Rollen. Sobald verschiedene Leute verschiedene Dinge sehen dürfen, passt das Muster nicht mehr.
- Datenschutz. Alles, was du einspielst, liest das Sprachmodell. Wo das verarbeitet wird, klärst du vorher, siehe Lokale KI und Datenschutz: Cloud oder Server?
Wie ich Wissen bei meinen KI-Mitarbeitern pflege
Bei mir ist jeder KI-Mitarbeiter ein Ordner, in dem Claude Code arbeitet, und die ganze Belegschaft liegt in einem Git-Repository. In jedem Ordner liegen Personalakte, Arbeitsanweisungen, Skills, Wissen und Auftragsordner. Dazu gehört wissen/learnings.md mit jeder Regel, die aus meinem Feedback entstanden ist, die neueste oben, widerlegte durchgestrichen. Die Learnings stehen in einer eigenen Datei, auf die die CLAUDE.md zeigt, und werden vor jeder Arbeit gelesen. Bei Conny, meiner Content-Chefredakteurin, sind seit dem 20. Juli 1.347 Zeilen zusammengekommen, Stand September 2026.
Die Gemeinsamkeiten mit Karpathys Muster: Die CLAUDE.md übernimmt die Rolle seines Schemas. Das Wissen liegt in lesbaren Textdateien mit Versionsgeschichte. Und es wächst mit jeder Korrektur, statt dass ich dieselbe Anweisung im nächsten Chat wiederhole. Der Unterschied: Learnings sind Regeln für eine Rolle, kein Nachschlagewerk zu einem Thema. Wie so ein Ordner aufgebaut ist, steht in Was ist ein KI-Mitarbeiter?, und warum die Learnings nicht in die Anweisungsdatei selbst gehören, in CLAUDE.md vs AGENTS.md: was überlebt.
Für das Risiko, dass Fehler mitwandern, gilt bei mir dieselbe Regel wie überall: Ersteller und Prüfer sind nie dieselbe Instanz. Wie eine KI die Arbeit einer anderen prüft, erkläre ich in LLM as a Judge: wie KI die KI prüft.
Willst du Wissen aus Kundengesprächen sammeln, mit Freigaben und getrennten Rechten, ist ein LLM-Wiki der falsche Ansatz. Dafür gibt es die KI-Wissensdatenbank aus Calls und, wenn die Beziehungen zwischen den Einträgen wichtig werden, einen Knowledge Graph aus Calls.
Einstieg für kleine Betriebe
Ein LLM-Wiki lohnt sich für ein Thema, zu dem eine Person über Wochen Wissen sammelt: Wettbewerbsbeobachtung, Unterlagen für eine Förderung, Notizen aus Fachartikeln. Du brauchst einen KI-Agenten, der Dateien lesen und schreiben darf, etwa Claude Code oder Codex. Obsidian ist praktisch, aber kein Muss.
- Ordner anlegen. Ein Ordner für die Rohquellen, einer für das Wiki, dazu die Anweisungsdatei.
- Schema gemeinsam schreiben. Gib dem Agenten Karpathys Ideendatei und lass ihn daraus Regeln für dein Thema vorschlagen. Lies sie und streich, was du nicht brauchst.
- Quellen einzeln einspielen. Lies die ersten Zusammenfassungen gegen das Original. So merkst du früh, ob die Regeln passen.
- Fragen stellen und gute Antworten ablegen.
- Regelmäßig prüfen lassen. Ein Lint-Lauf in festem Abstand, die Funde liest du.
Ein Beispiel für das Schema, so ausgedacht:
# Regeln für das Wiki
- rohquellen/ nur lesen, nie ändern.
- Jede neue Quelle: Zusammenfassung in wiki/quellen/, betroffene
Themenseiten aktualisieren, index.md und log.md nachziehen.
- Jede Aussage im Wiki nennt ihre Rohquelle.
- Widerspricht eine Quelle einer bestehenden Seite: beide Aussagen
mit Quelle stehen lassen und markieren, nicht still überschreiben.
- Antworten nennen die Wiki-Seiten, aus denen sie stammen.
Personenbezogene Daten und Kundenunterlagen gehören nicht hinein, solange der Datenweg nicht geklärt ist.
Häufige Fragen
Was ist ein LLM-Wiki?
Eine Sammlung von Markdown-Seiten, die ein Sprachmodell aus deinen Quellen schreibt, verknüpft und aktuell hält. Das Muster stammt von Andrej Karpathy.
Was ist der Unterschied zwischen LLM-Wiki und RAG?
RAG sucht bei jeder Frage passende Stellen in den Rohdokumenten. Ein LLM-Wiki führt das Wissen beim Einspielen einmal zusammen und pflegt es danach. Die Antworten kommen aus fertigen, verknüpften Seiten.
Brauche ich Obsidian für ein LLM-Wiki?
Nein. Das Wiki besteht aus normalen Textdateien. Karpathy liest es in Obsidian, jeder andere Editor geht auch.
Wie groß kann ein LLM-Wiki werden?
Laut Karpathy reicht ein Index bei etwa 100 Quellen und einigen hundert Seiten erstaunlich gut. Darüber brauchst du eine Suche über die Wiki-Seiten.
Eignet sich ein LLM-Wiki für Kundendaten?
Eher nicht. Es kennt keine Zugriffsrechte, und alles darin liest das Sprachmodell. Für Kundenwissen mit Freigaben passt eine Wissensdatenbank mit Rechten besser.
Wie du weitermachst
Such dir ein Thema, zu dem du gerade ohnehin liest, und spiel die ersten fünf Quellen einzeln ein. Nach zwei Wochen weißt du, ob dir das Wiki Arbeit abnimmt. Warum die Anweisungsdatei so viel ausmacht, erkläre ich in Context Engineering: Kontext schlägt Prompt. Wie andere ihr Wissen für KI-Agenten ablegen, besprechen wir in meiner deutschsprachigen Community Claude Practitioners.
