Karpathys LLM Wiki 2026: Wie KI persönliche Wissensdatenbanken revolutioniert

Im April 2026 veröffentlichte Andrej Karpathy, Mitbegründer von OpenAI und ehemaliger KI-Direktor bei Tesla, einen kurzen GitHub Gist mit dem Titel „LLM Wiki". Der Beitrag ging viral – über 16 Millionen Aufrufe auf X (Twitter) und mehr als 5.000 Sterne auf GitHub innerhalb weniger Tage. Was Karpathy dort beschrieb, war kein neues Produkt, sondern ein Workflow-Muster: Statt LLMs nur zum Chatten oder zur Codegenerierung zu nutzen, sollten sie persönliche Wissensdatenbanken in Echtzeit aufbauen und pflegen. Die Idee traf einen Nerv, weil sie ein Problem löste, das jeder Wissensarbeiter kennt: Wissensbasen, die unter ihrer eigenen Wartungslast zusammenbrechen.

Was ist das LLM Wiki?

Karpathys Kernidee ist überraschend einfach. Statt wie bei RAG (Retrieval-Augmented Generation) bei jeder Frage Rohdokumente neu zu durchsuchen und Antworten zusammenzustückeln, kompiliert das LLM das Wissen einmal und hält es aktuell – wie ein Compiler, der Quellcode in ein ausführbares Programm übersetzt. Das Ergebnis ist ein Ordner mit strukturierten, verlinkten Markdown-Dateien, die ein LLM-Agent automatisch erstellt und wartet.

„Obsidian ist die IDE; das LLM ist der Programmierer; das Wiki ist die Codebasis", beschreibt Karpathy die Rollenverteilung in seinem Gist. Der Mensch kuratiert Quellen, stellt Fragen und denkt über Zusammenhänge nach. Das LLM erledigt die Fleißarbeit: Zusammenfassen, Querverweise setzen, Widersprüche markieren und Seiten aktuell halten.

Die Drei-Schichten-Architektur

Das LLM Wiki besteht aus genau drei Ordnern:

1. raw/ – Die unveränderlichen Quellen. Hier landen Artikel, PDFs, Code-Repos, Bilder und Datensätze. Das LLM liest diese Dateien, verändert sie aber nie. Sie dienen als dauerhafte Wahrheitsquelle (Starmorph, 2026).

2. wiki/ – Das LLM-generierte Wiki. Dieses Verzeichnis enthält alle kompilierten Markdown-Seiten: Konzeptseiten, Entitätsseiten, Quellzusammenfassungen und Vergleichstabellen. Zwei Spezialdateien sind zentral: index.md – ein Inhaltsverzeichnis aller Seiten, das das LLM bei jeder Aufnahme aktualisiert, und log.md – ein append-only Protokoll aller Operationen (Karpathy, 2026).

3. Die Schema-Datei (CLAUDE.md für Claude Code, AGENTS.md für Codex). Sie definiert Namenskonventionen, Seitenvorlagen und Arbeitsabläufe. Sie macht aus einem generischen LLM einen disziplinierten Wissensarbeiter (Starmorph, 2026).

Die drei Kernoperationen

Karpathy definiert drei Operationen, die den Alltag mit dem LLM Wiki bestimmen:

Ingest: Eine neue Quelle landet in raw/. Das LLM liest sie, erstellt eine Zusammenfassung, aktualisiert 10 bis 15 verwandte Wikiseiten, erstellt bei Bedarf neue Konzept- oder Entitätsseiten und schreibt den Vorgang ins Log. Ein einziger Ingest kann Dutzende Seiten betreffen (Kunal Ganglani, 2026).

Query: Der Nutzer stellt Fragen gegen das Wiki. Das LLM navigiert über index.md zu den relevanten Seiten, synthetisiert eine Antwort und gibt sie mit [[wiki-link]]-Zitaten aus. Wichtige Erkenntnisse können als neue Seiten ins Wiki zurückfließen – Wissen kompoundiert sich (Karpathy, 2026).

Lint: Ein regelmäßiger Gesundheitscheck. Das LLM sucht nach Widersprüchen zwischen Seiten, verwaisten Seiten ohne eingehende Links, veralteten Behauptungen und Wissenslücken. Starmorph vergleicht dies mit eslint für Wissen.

LLM Wiki vs. RAG: Zwei grundlegend verschiedene Ansätze

Die Verwirrung zwischen LLM Wiki und RAG ist verständlich – beide arbeiten mit LLMs und Dokumenten. Der architektonische Unterschied ist jedoch fundamental:

Dimension	Traditionelles RAG	LLM Wiki
Synthese-Zeitpunkt	Bei jeder Frage (Query Time)	Bei der Aufnahme (Ingest Time)
Wissenszustand	Zustandslos – jede Frage startet neu	Persistent – kompoundierendes Artefakt
Querverweise	Implizit (Embedding-Ähnlichkeit)	Explizit (Markdown-Links)
Widersprüche	Keine Behandlung	Aktive Markierung bei Aufnahme
Infrastruktur	Vektor-DB, Embedding-Modell, Pipeline	Markdown-Ordner + LLM-Agent
Max. Skalierung	Millionen Dokumente	Hunderte Seiten (kontextfensterbegrenzt)

Der entscheidende Trade-off: RAG skaliert horizontal mit mehr Dokumenten. Das LLM Wiki skaliert vertikal mit tieferer Synthese (Kunal Ganglani, 2026). Für eine persönliche Recherche-Wissensbasis mit 50 bis 200 Quellen ist der LLM-Wiki-Ansatz dem reinen RAG überlegen, weil Zusammenhänge explizit und navigierbar werden.

Community und Werkzeuge

Die Community hat Karpathys Idee schnell aufgegriffen und weiterentwickelt: Das Open-Source-Projekt llm_wiki von nash_su (GitHub) ist eine vollständige Desktop-Anwendung mit Tauri+Rust-Backend, die das Muster als installierbares Programm umsetzt – inklusive Drei-Spalten-Layout, MCP-Server-Anbindung und multimodaler PDF-Verarbeitung. Es hat bereits über 16.600 Sterne auf GitHub (Stand August 2026).

Eine weitere reale Implementierung ist „Farzapedia": Der Entwickler Farza fütterte 2.500 persönliche Tagebucheinträge, Apple Notes und iMessage-Konversationen in ein LLM und ließ sich daraus eine 400 Artikel umfassende persönliche Enzyklopädie mit dichten Querverweisen erstellen – ausschließlich für seinen KI-Agenten als Navigationsbasis (ToolMesh, 2026).

Fazit

Das LLM Wiki ist mehr als ein weiterer KI-Trend – es ist ein Paradigmenwechsel im persönlichen Wissensmanagement. Statt LLMs als reine Antwortmaschinen zu nutzen, werden sie zu Wissenskompilern, die Informationen nicht nur finden, sondern verdichten, verknüpfen und dauerhaft verfügbar machen. Karpathys entscheidender Beitrag ist die Einsicht, dass die Fleißarbeit – Querverweise pflegen, Zusammenfassungen schreiben, Widersprüche erkennen – genau die Aufgabe ist, für die LLMs prädestiniert sind, während der Mensch sich auf das konzentrieren kann, was er am besten kann: Quellen kuratieren, kritische Fragen stellen und Zusammenhänge erkennen. Das LLM Wiki wird sich neben etablierten RAG-Ansätzen als wertvolles Werkzeug für alle etablieren, die ihr Wissen nicht nur verwalten, sondern wirklich durchdringen wollen.

Quellen

• Karpathy, A. (2026). LLM Wiki – GitHub Gist – Karpathys Originalbeschreibung des LLM-Wiki-Patterns
• Kunal Ganglani (2026). LLM Wiki Setup: Karpathy’s Knowledge Base – 2026 Guide – Detaillierte Analyse mit Langzeiterfahrung und Vergleich zu RAG
• Starmorph / Dylan Boudro (2026). How to Build Karpathy’s LLM Wiki – Complete Guide – Vollständige Anleitung mit Drei-Schichten-Architektur und Setup
• ToolMesh (2026). Karpathy’s LLM Wiki: Next-Gen Personal Knowledge Management – Überblick mit Farzapedia-Fallbeispiel
• nashsu/llm_wiki – GitHub (2026) – Open-Source-Desktop-App mit 16.600+ Sternen, die Karpathys Pattern implementiert