LLM Wiki 2026: Wie Karpathys Pattern die Wissensarbeit mit KI neu definiert

📷 "Neither the devil you know nor the devil you don't" by gruntzooki is licensed under CC BY-SA 2.0. To view a copy of this license, visit https://creativecommons.org/licenses/by-sa/2.0/.

Im April 2026 veröffentlichte Andrej Karpathy, Mitbegründer von OpenAI und ehemaliger AI-Direktor bei Tesla, ein GitHub Gist mit dem Titel „LLM Wiki" – ein Konzept, das sich innerhalb weniger Tage viral verbreitete und mittlerweile über 5.000 Stars und Forks aufweist. Die Kernidee ist überraschend einfach: Statt Wissen bei jeder Anfrage neu aus Rohdokumenten zu extrahieren (wie RAG es tut), baut und pflegt ein KI-Agent einen persistenten, strukturierten Wissensspeicher aus verlinkten Markdown-Dateien. Das Wissen wird einmal kompiliert und dann kontinuierlich aktualisiert – ein „compounding artifact", das mit jeder Quelle und jeder Frage reicher wird.

Die Drei-Schichten-Architektur

Karpathys LLM-Wiki besteht aus drei klar getrennten Schichten:

Raw Sources (Rohquellen): Ein unveränderliches Verzeichnis mit Originaldokumenten – PDFs, Artikel, Web-Clippings, Notizen. Der Agent liest daraus, verändert aber nie die Quelle. Dies ist die „Source of Truth", die jederzeit eine Neukompilierung erlaubt.

Das Wiki: Ein Ordner mit LLM-generierten Markdown-Dateien. Jedes Konzept, jede Entität und jedes Thema erhält eine eigene Seite. Der Agent erstellt und aktualisiert diese Seiten, pflegt Querverweise ([[Wiki-Links]]) und stellt Widersprüche zwischen Quellen fest. Karpathy selbst berichtet, dass sein Wiki auf etwa 100 Artikel und 400.000 Wörter angewachsen ist, ohne unübersichtlich zu werden.

Das Schema: Eine Konfigurationsdatei (z. B. CLAUDE.md für Claude Code oder AGENTS.md für Codex), die dem Agenten die Regeln vorgibt: Wie wird eine neue Quelle eingepflegt? Welches Seitenformat gilt? Wie werden Verweise gesetzt? Der entscheidende Punkt: Das Schema ist das eigentliche institutionelle Gedächtnis – die Seiten können jederzeit neu generiert werden, das Schema bleibt.

Die drei Betriebsmodi

Karpathy beschreibt drei zentrale Operationen, die das System am Laufen halten:

Ingest (Einspeisen): Eine neue Quelle landet im Rohverzeichnis. Der Agent liest sie, diskutiert die Kernaussagen mit dem Nutzer, schreibt eine Zusammenfassungsseite, aktualisiert die davon betroffenen 10 bis 15 bestehenden Seiten und ergänzt einen Eintrag im Änderungslog. Eine einzelne Quelle kann so Dutzende Seiten im Wiki verändern – die Verknüpfungsarbeit passiert einmalig beim Einspeisen, nicht bei jeder Abfrage.

Query (Abfragen): Der Nutzer stellt eine Frage. Der Agent sucht die relevanten Wiki-Seiten, liest sie und synthetisiert eine Antwort mit Quellenangaben. Wichtig: Gute Antworten können als neue Seiten zurück ins Wiki fließen – Vergleiche, Analysen oder neu entdeckte Zusammenhänge verschwinden nicht im Chatverlauf.

Lint (Gesundheitscheck): In regelmäßigen Abständen prüft der Agent das Wiki auf Widersprüche, veraltete Behauptungen, verwaiste Seiten ohne eingehende Links und fehlende Querverweise. Der Lint-Durchlauf hält das Wiki auch bei Hunderten von Seiten konsistent – eine Aufgabe, die in menschlich gepflegten Wikis meist nach wenigen Wochen vernachlässigt wird.

LLM Wiki vs. RAG: Ein Paradigmenwechsel

Der grundlegende Unterschied liegt im Zeitpunkt der Synthese:

Dimension	Traditionelles RAG	LLM Wiki
Synthese-Zeitpunkt	Bei jeder Abfrage	Beim Einspeisen
Wissenszustand	Zustandslos, jede Frage beginnt bei Null	Persistent, wächst mit jeder Quelle
Querverweise	Implizit (Embedding-Ähnlichkeit)	Explizit (Markdown-Links zwischen Seiten)
Widersprüche	Werden nicht erkannt	Werden aktiv markiert
Infrastruktur	Vektordatenbank, Embedding-Modell	Nur Markdown-Ordner + LLM-Agent
Skalierung	Millionen Dokumente	Hunderte Seiten (kontextfenster-begrenzt)

RAG skaliert horizontal mit mehr Dokumenten. Das LLM Wiki skaliert vertikal mit tieferer Synthese. Für die Suche in 100.000 Support-Tickets ist RAG die richtige Wahl. Wer 50 Forschungsarbeiten zu einem kohärenten Verständnis synthetisieren will, gewinnt mit dem LLM Wiki.

Werkzeuge und Community-Implementierungen

Seit Karpathys Veröffentlichung im April 2026 hat die Community mehrere Implementierungen hervorgebracht:

llm-wiki (dudarik.com): Ein Tool, das Claude Code in einen Wiki-Verwalter verwandelt. Es kompiliert Quellen in Obsidian-kompatible, kreuzreferenzierte Markdown-Dateien und hält sie aktuell.
nashsu/llm_wiki (GitHub): Eine plattformübergreifende Desktop-Anwendung, die Dokumente automatisch in ein organisiertes, verlinktes Wissensnetz verwandelt.
LLMWikiNG: Eine lokale, datenschutzfreundliche Plattform, die Dokumente einmalig in ein OKF-konformes (Open Knowledge Format) Markdown-Wiki kompiliert.
ScrapingArt/Karpathy-LLM-Wiki-Stack (GitHub): Eine umfassende Referenz-Implementierung für Obsidian und Claude Code, die in 15 Minuten einsatzbereit sein soll.

Herausforderungen und Grenzen

So überzeugend das Konzept ist: Es gibt praktische Grenzen. Ab etwa 150 bis 200 Seiten können die meisten Agenten das gesamte Wiki nicht mehr im Kontextfenster halten. Der Ausweg ist eine Master-Index-Datei, die jede Seite mit einer einzeiligen Zusammenfassung auflistet. Der Agent liest zuerst den Index und lädt nur die benötigten Seiten – das erweitert die praktische Kapazität auf über 300 Seiten.

Zudem eignet sich das LLM Wiki nicht für Echtzeit-Daten oder hochdynamische Umgebungen. Jede neue Quelle erfordert einen Kompilierungsschritt – anders als RAG, das frisch indexierte Dokumente sofort verfügbar macht.

Fazit

Das LLM Wiki ist mehr als ein weiterer KI-Trend. Es ist eine architektonische Neuausrichtung: Statt Rohdaten zu indizieren und bei jeder Frage neu zu synthetisieren, wird Wissen einmal kompiliert und dann lebendig gehalten. Die Community hat das Konzept in Rekordzeit von einer Idee in einsatzbereite Werkzeuge übersetzt. Für alle, die tiefer in ein Thema einsteigen, einen Forschungsüberblick aufbauen oder ihr persönliches Wissensmanagement auf die nächste Stufe heben wollen – und die bereit sind, die Kontrolle über die Struktur an einen KI-Agenten abzugeben – ist das LLM Wiki der vielversprechendste Ansatz seit Langem. Die nächsten Monate werden zeigen, ob das Pattern auch im Enterprise-Umfang funktioniert oder ob die kontextfenster-bedingten Grenzen eine grundsätzliche Weiterentwicklung erfordern.