LLM-Wiki: Karpathys Pattern für persistentes KI-Wissensmanagement

Im April 2026 veröffentlichte der KI-Forscher und OpenAI-Mitbegründer Andrej Karpathy einen vielbeachteten GitHub Gist mit dem Titel „LLM Wiki“. Das Konzept verbreitete sich innerhalb weniger Tage viral – über 16 Millionen Aufrufe auf X und mehr als 5.000 Sterne auf GitHub. Der Grund für diese Resonanz: Karpathy schlug einen grundlegend anderen Weg für KI-gestütztes Wissensmanagement vor, der an die Grenzen des bisher dominierenden RAG-Paradigmas (Retrieval-Augmented Generation) stößt.

Das Kernproblem traditioneller Wissenssysteme

Die meisten heutigen KI-Wissenssysteme arbeiten nach dem RAG-Prinzip: Dokumente werden in einer Vektordatenbank indexiert, bei einer Frage werden die relevanten Textabschnitte herausgesucht und an ein Sprachmodell übergeben, das daraus eine Antwort synthetisiert. Das Problem: Bei jeder Frage beginnt das System von vorn. Es entsteht keine Wissensakkumulation. Eine Frage, die das Zusammenspiel von fünf verschiedenen Dokumenten erfordert, wird jedes Mal aufs Neue aus Rohdaten zusammengesucht – ohne dass das System aus vorherigen Interaktionen lernt.

Karpathy vergleicht diesen Ansatz mit der Ausführung von Quellcode bei jeder Anfrage, anstatt ihn einmal zu kompilieren und das optimierte Artefakt wiederzuverwenden. Sein LLM-Wiki-Pattern überträgt diese „Compile“-Metapher auf das Wissensmanagement.

Die Drei-Schichten-Architektur des LLM-Wikis

Das LLM-Wiki ist kein fertiges Produkt, sondern ein Architektur-Pattern, das auf einer strikten Trennung von drei Schichten basiert:

Schicht 1 – raw/ (Die unveränderliche Quelle der Wahrheit): In diesem Verzeichnis landen alle Ursprungsdokumente in ihrem Rohformat – Artikel, Papers, Meeting-Transkripte, Blog-Beiträge. Diese Dateien sind immutable (unveränderlich). Das LLM liest sie, modifiziert sie aber nie. Sie dienen als überprüfbare Faktenbasis und Audit-Trail.

Schicht 2 – wiki/ (Der synthetisierte Wissenslayer): Dies ist das Herzstück des Patterns. Das LLM liest die Rohdaten und generiert daraus strukturierte, untereinander verknüpfte Markdown-Dateien – eine Seite pro Konzept, Entität oder Thema. Die Seiten sind über Wikilinks ([[Konzept]]) miteinander vernetzt und enthalten YAML-Frontmatter mit Metadaten wie Herkunft und Zeitstempel. Drei Spezialdateien (index.md, log.md, overview.md) halten den Überblick.

Schicht 3 – Das Schema (Governance): Das Schema (z. B. eine CLAUDE.md-Datei) definiert, welche Konzepte das Wiki überhaupt verfolgen soll. Es ist der Vertrag zwischen menschlicher Intention und KI-Ausführung: Menschen legen fest, was Wissen sein soll, das LLM kümmert sich darum, wie dieses Wissen organisiert und aktuell gehalten wird.

Unterschiede zu klassischem RAG

Der entscheidende konzeptionelle Unterschied: RAG ist zustandslos (stateless), das LLM-Wiki ist zustandsbehaftet (stateful). Während RAG bei jeder Frage die gleichen Rohdaten neu durchforstet, kompiliert das LLM-Wiki das Wissen einmalig in ein persistentes, sich ständig anreicherndes Artefakt.

Wenn eine neue Quelle hinzugefügt wird, indexiert das LLM sie nicht nur für die spätere Suche, sondern extrahiert die Kerninformationen, integriert sie in bestehende Seiten, aktualisiert Zusammenfassungen, markiert Widersprüche zu früheren Erkenntnissen und stärkt oder hinterfragt die laufende Synthese. Die Querverweise sind bereits vorhanden, die Synthese spiegelt alles wider, was jemals gelesen wurde.

Einsatzmöglichkeiten und Werkzeuge

Karpathy selbst beschreibt Anwendungen von der persönlichen Wissensverwaltung (Tagebuch, Gesundheitsdaten, Selbstverbesserung) über Forschungsthemen (Papers, Artikel, Berichte über Wochen und Monate hinweg) bis hin zu Team-Wikis, die aus Slack-Threads, Meeting-Transkripten und Projektdokumenten gespeist werden.

Als Frontend empfiehlt sich Obsidian – die Markdown-Dateien lassen sich dort direkt im Graph View visualisieren und durchsuchen. Der Workflow: Der KI-Agent (z. B. Claude Code, OpenAI Codex oder OpenCode) ist auf einer Bildschirmhälfte geöffnet, Obsidian auf der anderen. Der Mensch kuratiert die Quellen und stellt Fragen, der Agent erledigt die gesamte Schreib- und Pflegearbeit.

Die Community hat das Pattern schnell aufgegriffen. Projekte wie LLMWikiNG, obsidian-llm-wiki-local (vollständig lokal mit Ollama und Qwen3) oder OpenKnowledge (mit WYSIWYG-Editor und MCP-Unterstützung) zeigen, dass das Konzept in verschiedenen Umgebungen umsetzbar ist.

Fazit

Das LLM-Wiki-Pattern von Andrej Karpathy ist mehr als ein kurzfristiger Hype – es adressiert ein grundlegendes Problem des KI-gestützten Wissensmanagements: die fehlende Wissensakkumulation in reinen RAG-Systemen. Indem es die Stärken von LLMs (Zusammenfassen, Verknüpfen, Aktualisieren) gezielt für die Wartung einer persistenten Wissensbasis einsetzt, entsteht ein System, das mit jeder neuen Quelle besser wird. Für alle, die regelmäßig mit großen Mengen an Informationen arbeiten und diese strukturiert erschließen wollen, lohnt sich ein genauer Blick auf dieses Architekturmuster.

Quellen

• Karpathy, A.: LLM Wiki – GitHub Gist
• Hermanns, C.: Das LLM-Wiki nach Andrej Karpathy – cherware.de
• Starmorph: How to Build Karpathy’s LLM Wiki – Complete Guide
• Nayak, P.: Beyond RAG – How Andrej Karpathy’s LLM Wiki Pattern Builds Knowledge That Actually Compounds – Level Up Coding
• NiharShrotri/llm-wiki: Local LLM-maintained personal wiki – GitHub