LLM Wiki 2026: Karpathys Pattern für selbstverwaltende KI-Wissensdatenbanken

Im April 2026 veröffentlichte Andrej Karpathy – Mitbegründer von OpenAI und ehemaliger KI-Leiter bei Tesla – einen kurzen GitHub Gist, der innerhalb weniger Tage über 5.000 Sterne sammelte und auf X mehr als 16 Millionen Aufrufe erzielte. Sein Thema: ein neues Pattern für den Umgang mit Wissen durch Large Language Models. Statt Dokumente bei jeder Anfrage neu zu durchsuchen und zu analysieren (wie es RAG-Systeme tun), schlägt Karpathy vor, dass ein KI-Agent ein persistentes, strukturiertes Wiki aus Markdown-Dateien aufbaut und kontinuierlich pflegt. Die Idee traf einen Nerv – und verändert seither die Art, wie Entwickler und Wissensarbeiter ihre persönlichen Forschungsumgebungen gestalten.

Das Kernproblem: Stateless Knowledge

Die meisten KI-Wissenswerkzeuge funktionieren heute nach dem gleichen Prinzip: Dateien hochladen, in Chunks zerlegen, in eine Vektordatenbank einbetten und bei jeder Frage die relevanten Brocken heraussuchen. NotebookLM, ChatGPT-Uploads und praktisch alle RAG-Systeme arbeiten so. Das Problem: Die KI entdeckt bei jeder Frage das Wissen neu. Es gibt keine Akkumulation. Wird eine komplexe Frage gestellt, die die Synthese von fünf Dokumenten erfordert, muss das Modell jedes Mal aufs Neue die passenden Fragmente finden und zusammensetzen. Nichts bleibt erhalten, nichts wächst.

Karpathys Diagnose: Der teuerste Teil einer Wissensdatenbank ist nicht das Lesen oder Denken – es ist die Buchhaltung: Querverweise, Zusammenfassungen, Deduplizierung, Konflikterkennung. Genau das sind Aufgaben, für die LLMs überproportional gut geeignet sind, und die Menschen nach zwei Wochen zuverlässig aufgeben.

Die Drei-Schichten-Architektur

Das LLM-Wiki-Pattern besteht aus drei klar getrennten Schichten:

Layer 1 – Rohquellen (raw/): Hier landen die unveränderlichen Ausgangsdokumente: PDFs, Artikel, Papers, Screenshots, Transkripte. Diese Dateien werden nach der Aufnahme nie mehr verändert – sie dienen als archivierte Wahrheitsquelle.

Layer 2 – Das Wiki (wiki/): Ein KI-Agent kompiliert die Rohdokumente inkrementell in eine strukturierte Sammlung von Markdown-Dateien. Jede Datei ist ein Wikipedia-artiger Eintrag für ein Konzept oder eine Entität, verlinkt über [[Wiki-Links]], kategorisiert und mit Quellenangaben versehen. Karpathy selbst berichtet, dass sein Forschungs-Wiki auf diese Weise auf rund 100 Artikel mit über 400.000 Wörtern angewachsen ist – ohne dass er selbst eine Zeile geschrieben hat.

Layer 3 – Schema (CLAUDE.md oder schema.md): Hier werden die Regeln definiert: Wie sollen neue Seiten angelegt werden? Welche Kategorien gibt es? Wie wird mit Widersprüchen umgegangen? Dieses Schema ist die wichtigste Datei – es steuert, wie der Agent das Wiki aufbaut und pflegt.

Die Analogie zum Compiler liegt nahe: raw/ ist der Quellcode, der LLM-Agent ist der Compiler, das Wiki ist das Binary, und die Health-Checks sind die Testsuite.

Die drei Operationen: Ingest, Query, Lint

Das Pattern definiert drei grundlegende Arbeitsabläufe:

1. Ingest: Ein neues Dokument wird in raw/ abgelegt. Der Agent liest es, extrahiert die Kerninformationen und integriert sie in das bestehende Wiki – aktualisiert vorhandene Seiten, erzeugt neue Einträge für unbekannte Konzepte, setzt Querverweise und markiert Widersprüche.

2. Query: Statt RAG-artig Chunks zu durchsuchen, navigiert der Agent durch das bereits kompilierte Wiki, folgt Links und synthetisiert Antworten aus den bereits verknüpften Einträgen. Die Antwort ist nicht nur schneller, sondern fundierter – weil das Wiki bereits alle bisherigen Quellen integriert hat.

3. Lint (Health Checks): Regelmäßige Prüfläufe identifizieren tote Links, verwaiste Seiten, Widersprüche oder Lücken. Wie ein Linter für Code sorgt der Health Check dafür, dass die Wissensbasis sauber und konsistent bleibt.

LLM Wiki vs. RAG: Wann welcher Ansatz?

Das LLM-Wiki ist kein RAG-Ersatz für alle Fälle, sondern ein Werkzeug mit spezifischen Stärken:

RAG ist die bessere Wahl, wenn Daten täglich wechseln oder exakte Quellenverfolgung auf Chunk-Ebene kritisch ist. Das LLM-Wiki glänzt, wenn es um den Aufbau von Expertise über Wochen und Monate geht – und das Modell über die Wissensbasis hinweg reasoning können soll, nicht nur daraus abrufen.

Werkzeuge und Community

Die Einstiegshürde ist bemerkenswert niedrig. Benötigt werden lediglich ein Ordner auf dem Rechner, ein LLM-Agent (Claude Code, OpenAI Codex, OpenCode) und optional Obsidian als Frontend für die Graph-Ansicht. Die Community hat innerhalb von Wochen zahlreiche Implementierungen hervorgebracht: einen Obsidian-Plugin für LLM Wiki, LLM Wiki Apps, CI-Pipelines für automatische Health Checks und sogar Googles Open Knowledge Format, das das Pattern um einen gemeinsamen Standard erweitert.

Fazit

Karpathys LLM-Wiki-Pattern ist mehr als ein weiterer KI-Trend – es ist ein fundamentaler Perspektivwechsel. Statt LLMs als reine Abfragemaschinen für rohe Dokumente zu nutzen, werden sie zu aktiven Kuratoren einer wachsenden Wissensbasis. Die entscheidende Einsicht: LLMs sind besser im Verwalten von Wissen als Menschen – und Menschen sind besser im Kuratieren und Bewerten. Dieses Pattern verteilt die Arbeit dorthin, wo sie am effektivsten ist. Für alle, die regelmäßig mit tiefgehenden Recherchen und wachsenden Wissensdomänen arbeiten, ist das LLM-Wiki 2026 der vielversprechendste Ansatz, persönliche Wissensarbeit neu zu denken.

Quellen

• Karpathys Original GitHub Gist: llm-wiki.md (April 2026) — 5.000+ Sterne, die ursprüngliche Idee
• DecodeTheFuture: LLM Wiki – Karpathys 3-Layer Pattern vs. RAG (2026) — Detaillierte Analyse der Architektur
• Data Science Dojo: LLM Wiki Tutorial – Build a Compounding Knowledge Base — Schritt-für-Schritt-Anleitung für den Einstieg
• Starmorph: Complete Guide to Karpathys LLM Wiki (April 2026) — Umfassender Leitfaden mit Claude Code und Obsidian
• Agentpedia Codes: Karpathys LLM Knowledge Bases – Der Post-Code-AI-Workflow — Deutsche Einordnung des Paradigmenwechsels
• Denser AI: LLM Wiki – Karpathys Idea for AI Knowledge Bases — Überblick über die wichtigsten Projekte und Diskussionen