Wissensmanagement mit KI (Andrej Karpathys llm-wiki)

Zettelwirtschaft? Schon x mal das Gleiche gegoogelt? Noch keinen Einsatzzweck für KI gefunden? Dann könnte dieser Artike was für dich sein!

Wir schauen uns an, wie man nach dem Ansatz von Andreji Karpathys llm-wiki ein Wissensmanagement aufbauen kann. Das geht ohne großes KI-Vorwissen und passt auf alle möglichen Einsatzgebiete, wie ein Projekt, eine Schulung oder eben alles, was über eine einfache Unterhaltung mit einer KI hinaus geht. Mit diesem Ansatz entsteht über die Zeit eine persönliche persistente Wissensquelle. Kein Hexenwerk, Schwierigkeitsgrad auch für Menschen geeignet, die noch wenig Berührungspunkte mit KI hatten oder noch nicht so richtig wissen, was sie damit anfangen sollen.

Teil 1 – Die Methode: Was ist KI gestütztes Wissensmanagement?

Man erfährt täglich Dinge, doch ist es schwer, dieses Wissen strukturiert zu behalten, geschweige denn alles im Kopf zu behalten.

Hier kommt dann Wissensmanagement ins Spiel. Aber was ist eigentlich Wissensmanagement?

Wissensmanagement ist die Aufgabe, Informationen und Erfahrungen so zu organisieren, dass sie nicht verloren gehen und gut genutzt werden können. Dazu gehören idR folgende Schritte:

Kurz: Wissensmanagement stellt sicher, dass das richtige Wissen zur richtigen Zeit bei der richtigen Person ist.

llm-wiki Ansatz

Andrej Karpathy hat April 2026 einen Beitrag verfasst, der die Idee des llm-wiki beschreibt, ein KI gestütztes Wissensmanagement. Das komplette Original kann man hier nachlesen:

https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

Welches Problem soll diese Methode lösen?

Immer wenn wir eine KI Assistenten befragen, fängt er „von vorne“ an. Die Ergebnisse anderer Sessions sind nicht vorhanden.

Die Idee ist also, die Ergebnisse unserer Arbeit strukturiert abzulegen und für zukünftige Sessions zur Verfügung zu stellen.

Dabei wächst die Wissensbasis um so mehr wir mit ihr arbeiten. Über die Zeit entsteht eine durch die KI gestützte, kurierte und persistente Wissensbasis.

Kurz: Anders als bei einfachen Anfragen an KI verfällt das erarbeitete Wissen nicht.

Wie funktioniert das?

Immer wenn neue Informationen vorliegen, verarbeitet die KI diese und extrahiert die Schlüsselinformationen. Diese werden in Form eines Wikis festgehalten.

Dabei „chatten“ wir wie gewohnt mit unserem KI Assistenten, und dieser aktualisiert entsprechend die Wissensbasis. Wir können diese Änderungen live verfolgen und auch gegensteuern, sollte eine Änderung nicht unseren Vorstellungen entsprechen. Das werden wir später im praktischen Teil noch sehen.

Kurz: Wir geben der KI Informationen, die KI pflegt das Wiki.

Was kann ich damit abbilden?

Die Einsatzmöglichkeiten sind mannigfaltig! Karpathy beschreibt eine Reihe von Beispielen:

• Persönliche Zwecke – Ziele, Gesundheit, Notizen
• Forschung – über Wochen und Monate in ein Thema tief einsteigen
• Buchzusammenfassung – Kapitel für Kapitel verarbeiten, eigene Erkenntnisse einfließen lassen und ein Wiki über Personen, Orte, Ereignisse etc erstellen lassen.
• Unternehmenskontext – das Wiki fasst Dinge zusammen, die Menschen nicht gerne mache: Meeting Notizen, Projekt Dokumente, Slack Informationen und so weiter.

Kurz: Alles, wo sich Wissen über die Zeit ansammelt und strukturiert organisiert sein soll.

Wie wird das umgesetzt?

Es gibt 3 Kernbereiche:

1. Die Quellen – alles Wissen in Form von Dokumenten, Daten und Bildern, welches verarbeitet werden soll. Hier darf der KI Assistent nur lesen, aber niemals Dinge verändern. das ist die Quelle der Wahrheit.
2. Das Wiki – eine strukturierte, untereinander verlinkte, zusammengefasste Wissensbasis, die vom KI Assistent erstellt wird. Wir lesen und korrigieren durch Unterhaltung mit dem KI Assistenten.
3. Das Schema – eine Beschreibung, wie sich der KI Assistent verhalten soll. Wie soll das Wiki und Seiten darin aussehen? Welche Regeln und Konventionen gilt es zu beachten? Welche Operationen und Workflows sind erlaubt? Dadurch enablen wir den KI Assistenten von einem generischen Chatbot zu zu deinem persönliche Wiki Author.

Kurz: Wir liefern die Quellen, der KI Assistent baut das Wiki auf Grund unserer Vorgaben.

Welche Operationen brauchen wir?

Karpathy definiert 3 Operationen:

1. Ingest – also „zu sich nehmen“. Ich würde das im Deutschen „verarbeiten“ nennen. Hier soll neues Quellmaterial analysiert und die Ergebnisse ins Wiki geschrieben werden.
2. Query – die „Abfrage“. Wir stellen eine Frage. Der KI Assistent soll nun, nicht wie sonst üblich, „sein Ding machen“, sondern unsere Wissensbasis berücksichtigen. Damit erhalten wir Expertenantworten, und keine generische LLM Antwort. Die Antworten können dann auch wieder im Wiki festgehalten werden.
3. Lint – „to lint“ ist ein Begriff aus der Coding Welt und bedeutet so viel wie „Überprüfen“. Dies ist die Anfrage an den KI Assistent den Wiki Inhalte insgesamt auf Widersprüche zu prüfen oder verwaiste Seiten und inhaltliche Fehler zu finden. Es geht hier darum, das wachsende Wissen gelegentlich einer Prüfung zu unterziehen und zu pflegen.

Kurz: Die drei Hauptfunktionen: Verarbeiten, Abfragen, Prüfen.

Wie kann man den Überblick behalten?

Alle unsere Quellen und das gesamte Wiki sind nicht automatisch im Kontext des KI Assistenten oder unseren Köpfen. Damit wir und der KI Assistent trotzdem relevante Inhalte finden und berücksichtigen können definiert der llm-wiki Ansatz noch 2 „spezielle“ Dateien.

1. 🗂️ Den Index – eine Katalog aller Seiten und deren Inhalte, zusammengefasst als Einzeiler. Somit ist immer klar, welche Informationen und bereits zur Verfügung stehen und bei Anfragen berücksichtigt werden können.
2. 📜 Das Log – eine chronologische Auflistung aller Änderungen, die uns ermöglicht nachzuvollziehen, wie das Wiki entstanden ist.

Kurz: Der KI Assistent erstellt immer eine aktuelle Übersicht und speichert eine Änderungshistorie.

Teil 2 – Das Tooling: Was brauche ich?

Das Tooling ist denkbar einfach:

1. ✍️ Eine Markdown Editor um Quellen zu erstellen und das Wiki zu lesen.
2. 🤖 Einen KI Assistenten.

Was ist Markdown? Markdown ist nichts anderes als reiner Text mit einigen wirklich einfachen Formatierungsangaben wie Überschrift oder Aufzählung. Markdown ist sowohl für Menschen als auch KI sehr einfach zu verstehen, bietet Struktur und ist „Token-Effizient“, also günstig.

Als Markdown Editor werde ich Obsidian nutzen. Dieses kostenlose Programm bietet auf einfachste Weise das Erstellen und Pflegen von Inhalten an, hat eine tolle Übersicht wie Inhalte zusammenhängen und kann, wenn gewünscht, durch etliche Plugins, erweitert werden.

Als KI Assistenten nehme ich aktuell Claude Code, ein sehr mächtiger KI Assistent von Anthropic. Man kann aber auch Anbieter- und Modell-unabhängige open source Varianten wie OpenCode verwenden oder minimalistische Ansätze wie die von Pi verfolgen. Nutzt den Assistenten, der euch gefällt!

Zudem nutze ich noch Obsidian Web Clipper, ein Browser Plugin, welches Webseiteninhalte als Markdown kopiert, um diese leicht als Quelle zur Verfügung zu stellen.

Wer die Kommandozeile scheut kann sich z. B. das Claudian Obsidian-Plugin installieren

Damit wird Claude Code direkt in Obsidian integriert.

Kurz: Man braucht einen Editor und einen KI Assistent. Es ist praktisch egal welchen.

Teil 3 – Praktischer Teil: Wie setzte ich das alles um?

Also, wir haben nun die Methode kennen gelernt und haben die benötigten Tools zur Hand.

Jetzt brauchen wir ein Beispielprojekt. Aktuell sehe ich viele KI Grundlagenkurse, so wie diesen hier. Warum verproben wir den llm-wiki Ansatz nicht mit einer KI Wissensdatenbank?

Disclaimer: euer Ergebnis wird nicht 1:1 meinem entsprechen, da KI Modelle in der Regel nicht deterministisch sind

Projekt anlegen

Projekt klingt etwas hochtrabend. Es ist eigentlich ganz simpel: Wir arbeiten einfach mit ein paar Markdown Dateien in einem Verzeichnis.

Also legen wir uns ein Verzeichnis und eine CLAUDE.md für unsere Wissenssammlung an, entweder im Dateimanager der Wahl (Finder, etc.) oder, wer mag, direkt auf der Kommandozeile:

mkdir llm-wiki-ki
cd llm-wiki-ki
touch CLAUDE.md

Die CLAUDE.md ist unser Schema, also die Datei, die Claude immer ließt und den Anweisungen darin folgen soll. Das sind z. B. Verzeichnisstrukturen, Regeln, Formate und spezifische Verhaltensweisen für den Assistenten.

Nun können wir Obsidian starten und über „Ordner als Vault öffnen...“ den gerade angelegten Ordner öffnen. Vault bedeutet in diesem Kontext nur, dass Obsidian diesen Ordner als einen Obsidian Ordner erkennt und dort auch Meta Informationen, wie z. B. zuletzt geöffnete Dateien, speichert.

Die CLAUDE.md Vorlage

Wie kommen wir jetzt an den Inhalt der CLAUDE.md? Nun, ich habe ein Template im Internet gefunden, jedoch ist es auch schlicht möglich, sich eine solche Vorlage mit einem Chatbot erstellen zu lassen, hier als Beispiel Google Gemini:

Pro-Tip: Dies ist immer noch eine sehr generische Beschreibung. Wenn ihr bereits wisst, was ich genau vor habt, welche Rolle Claude einnehmen soll oder es andere Vorraussetzungen gibt könnt ihr das bereits im Prompt angeben.

Ich nutze für dieses Beispiel ein Template, welches ich im Internet gefunden habe als Basis.

# LLM Wiki

A personal knowledge base maintained by Claude Code.
Based on Andrej Karpathy's LLM Wiki pattern.

## Purpose

This wiki is a structured, interlinked knowledge base.
Claude maintains the wiki. The human curates sources, asks questions, and guides the analysis.

## Folder structure

```
raw/          -- source documents (immutable -- never modify these)
wiki/         -- markdown pages maintained by Claude
wiki/index.md -- table of contents for the entire wiki
wiki/log.md   -- append-only record of all operations
```

## Ingest workflow

When the user adds a new source to `raw/` and asks you to ingest it:

1. Read the full source document
2. Discuss key takeaways with the user before writing anything
3. Create a summary page in `wiki/` named after the source
4. Create or update concept pages for each major idea or entity
5. Add wiki-links ([[page-name]]) to connect related pages
6. Update `wiki/index.md` with new pages and one-line descriptions
7. Append an entry to `wiki/log.md` with the date, source name, and what changed

A single source may touch 10-15 wiki pages. That is normal.

## Page format

Every wiki page should follow this structure:

```markdown
# Page Title

**Summary**: One to two sentences describing this page.

**Sources**: List of raw source files this page draws from.

**Last updated**: Date of most recent update.

---

Main content goes here. Use clear headings and short paragraphs.

Link to related concepts using [[wiki-links]] throughout the text.

## Related pages

- [[related-concept-1]]
- [[related-concept-2]]
```

## Citation rules

- Every factual claim should reference its source file
- Use the format (source: filename.pdf) after the claim
- If two sources disagree, note the contradiction explicitly
- If a claim has no source, mark it as needing verification

## Question answering

When the user asks a question:

1. Read `wiki/index.md` first to find relevant pages
2. Read those pages and synthesize an answer
3. Cite specific wiki pages in your response
4. If the answer is not in the wiki, say so clearly
5. If the answer is valuable, offer to save it as a new wiki page

Good answers should be filed back into the wiki so they compound over time.

## Lint

When the user asks you to lint or audit the wiki:

- Check for contradictions between pages
- Find orphan pages (no inbound links from other pages)
- Identify concepts mentioned in pages that lack their own page
- Flag claims that may be outdated based on newer sources
- Check that all pages follow the page format above
- Report findings as a numbered list with suggested fixes

## Rules

- Never modify anything in the `raw/` folder
- Always update `wiki/index.md` and `wiki/log.md` after changes
- Keep page names lowercase with hyphens (e.g. `machine-learning.md`)
- Write in clear, plain language
- When uncertain about how to categorize something, ask the user

Nehmen wir also nun den Text und fügen ihn in unsere CLAUDE.md ein.

Initialisierung

Wir haben nun ein leeres Verzeichnis und eine CLAUDE.md. Claude selber kann uns nun die Struktur unserer Wissensbasis anlegen. Dazu starten wir, wieder auf der Kommandozeile, Claude Code. Kleiner Tipp: um sowohl Claude als auch Obsidian im Auge zu behalten habe ich die beiden Programme einfach nebeneinander auf. Die Screenshots werde ich aber einzeln zeigen.

Nun sagen wir Claude, dass wir bitte die initiale Verzeichnisstruktur und Dateien haben wollen: Claude fängt nun an, und erstellt alle benötigten Verzeichnisse und Dateien. Im Anschluss sehen wir das Ergebnis direkt in Obsidian:

Let's speak German.

Was direkt auffällt: sowohl die CLAUDE.md als auch das Wiki werden in English geschrieben. Zudem gefällt mir der Ordername raw nicht. Nichts leichter als das! Wir müssen noch nicht einmal selber Hand anlegen, wir sagen die KI einfach, was wir anders wollen und sowohl die CLAUDE.md als auch die Verzeichnisstruktur wird entsprechend angepasst: Auch diesen Prompt hätte ich bereits in Deutsch schreiben können, das hätte die KI nicht gestört.

Das Ergebnis kann man wieder direkt in Obsidian sehen. Das Verzeichnis für Quellen heißt nun input und die Wiki Seiten sind nun auf Deutsch. Die CLAUDE.md Datei wurde entsprechend angepasst. Das Schema ist also nicht in Stein gemeißelt, es entwickelt sich auch über die Zeit weiter.

Pro-Tip: nutzt ein Versionierungssystem wie git um Änderungen für euch und euer Team nachvollziehbar zu machen.

Bei Bedarf is auch Handarbeit erlaubt

Natürlich können wir trotzdem auch selber Hand anlegen, wenn uns etwas auffällt. Es ist ja bekanntlich gut den Kontext und die Rollen klar zu definieren.

Aus:

This wiki is a structured, interlinked knowledge base.

Wird:

This wiki is a structured, interlinked knowledge base for all topics about AI. You are an expert on AI and it's concepts, the wiki is meant to be understood by non-tech people.

Ausserdem soll das Wiki für non-tech Menschen verständlich sein. Ich füge also noch etwas bei Rules hinzu:

Use easy language that non tech people will understand. Provide each concept with an easy to understand cooking or food related analogy.

So, das sollte reichen um endlich Inhalte hinzuzufügen. Habt ihr die neue Regel bis zum Ende gelesen? Die Idee mit Analogien zu arbeiten ist gold wert und bringt erstaunliche Ergebnisse!

Was ist eigentlich dieses Claude Code?

Fangen wir doch ganz vorne an. Was ist eigentlich dieses Claude Code? Ich gehe auf die Claude Code Webseite und importiere mit den Inhalt mit dem Obsidian Web Clipper Plugin.

Dieses Plugin speichert alle Seiten im Clippings-Ordner. Ich nenne die Datei noch um, Overview alleine reicht mir nicht, ich nennen sie Claude Code Overview und verschiebe sie in den input-Ordner. Jetzt bitte ich Claude Code diese zu verarbeiten.

Jetzt schauen wir uns das Ergebnis wieder in Obsidian an, und siehe da, alles da, Konzepte, leicht erklärt, mit Koch-Analogien! Ein Träumchen!

Was mir hier direkt auffällt: die Quellen sind nicht verlinkt. Ja, sie gehören nicht direkt zum Wiki, aber es wäre doch praktisch, auch diese direkt verlinkt zu haben, um sich bei Bedarf die Quelle durchlesen zu können.

Also, bitten wir Claude Code doch darum, diesen Missstand aufzuräumen und, wie zuvor, entsprechend die CLAUDE.md anzupassen, damit das in Zukunft nicht mehr passiert. Und voilà, sind die Quellen im Wiki verlinkt:

Mad skillz

Jetzt gibt es zwar schon eine Seite zu Skills, diese basiert aber bisher nur auf dem Claude Code Overview. Ich möchte aber sicherstellen, dass wirklich alle benötigten Informationen vorliegen. Also besorge ich mir die Dokumentation zu Skills und lasse sie durch die KI ins Wiki einfließen.

Hier Claude Codes Output:

1- 📈 Ausgebaut – `skills.md` von der Kurzseite zur Hauptseite, zweite Quelle ergänzt
2- 🆕 Neu – `skill-md-datei.md` mit technischen Details (Frontmatter, `$ARGUMENTS`, …)
3- 🔗 Querverweise – neuer Abschnitt in `claude-md.md`
4- ♻️ Aktualisiert – `index.md` und `log.md`
5
6⚠️ Korrigierter Widerspruch: Die alte Seite beschrieb einen Skill nur als „Arbeitsablauf". Die neue
7Quelle zeigt: ein Skill kann auch reines Wissen sein. Claude hat das explizit korrigiert – statt
8die Quellen stillschweigend zu überschreiben.

Immer, wenn ich, oder mein Team nun etwas neues lernt in Bezug auf KI kann ich dieses Wissen in meine Wissensbasis für KI einfließen lassen. Das Wiki wächst über die Zeit und wird um so mehr eine wertvolle Resource, um so mehr man damit arbeitet.

Fragen wir das Wiki doch mal!

Nun, der große Unterschied zu Web Anfragen oder dem Chatten mit einem Bot ist ja, dass wir hier unser gesammeltes Wissen abfragen wollen. Wir haben noch nicht viel, aber was ein Skill ist, sollte wir doch jetzt abfragen können:

Was ist ein KI Skill?

  Kurz gesagt: Ein Skill erweitert das, was Claude kann. Man legt eine Datei
  namens SKILL.md mit Anweisungen an, und Claude nimmt sie in seinen
  Werkzeugkasten auf. Claude nutzt den Skill von selbst, wenn er gerade passt –
  oder man ruft ihn direkt mit /skill-name auf (siehe [[skills]]).

  Zwei Arten von Inhalt (siehe [[skills]]):
  - Wissens-Skill (Reference): enthält Wissen, das Claude anwendet – z. B.
  Konventionen oder Stil-Regeln.
  - Aufgaben-Skill (Task): enthält eine Schritt-für-Schritt-Anleitung für eine
  konkrete Aktion, z. B. „ausrollen" oder „einbuchen".
  
  Analogie aus dem Wiki: Ein Skill ist wie ein Rezept-Kärtchen im Karteikasten
  der Küche. Manche Kärtchen sind Schritt-Rezepte („so machst du die Sauce"),
  andere reine Wissens-Kärtchen („unsere Gewürzregeln im Haus"). Der Koch zieht
  das passende Kärtchen genau dann, wenn er es braucht – es liegt griffbereit,
  ohne ständig auf dem Tisch zu liegen.

Das Konzept wird einfach erklärt, mit Koch-Analogie und die Antwort kommt aus unserer Wissensbasis, nicht generisch aus dem LLM. Prima!

Gelerntes in die Praxis umsetzen

Wir haben nun gelernt, was Skills sind. Nachdem, was ich da gelesen habe sind doch die Operationen, die wir in der CLAUDE.md angegeben haben auch so etwas wie Skills, oder? Fragen wir doch einfach die KI!

Hier mein Prompt, dieses Mal ohne Screenshot:

Erstelle aus den 3 Operationen, die du in der CLAUDE.md definiert hast, Skills und lagere sie entsprechend aus.

Gut, nun sind die Operationen als Skills ausgelagert. Prima! Wie das aussieht kann man leicht in der CLAUDE.md Datei sehen. Die neuen Skills Dateien findet man jetzt unter .claude/skills/ und man kann diese, genau wie jede andere Markdown Datei, lesen und bei Bedarf anpassen.

Aufräumen!

Wir haben nun neue Inhalte ins Wiki einfügen lassen, haben unseren Wissenstand abgefragt und weiter unsere Claude Umgebung optimiert, indem wir Operationen als Skills ausgelagert habenn. Jetzt schauen wir uns noch die dritte Operation an, welche im llm-wiki Ansatz definert ist, also lint bzw. die Überprüfung der Inhalte auf Fehler, sowohl inhaltlich (hier widerspricht sich was) also auch technisch (z. B. fehlende Verlinkungen). Diese Funktion steht nun als Kommando zur Verfügung, welches wir direkt aufrufen können. Aber auch ein Prompt wie Räume das Wiki auf. würde Claude nun dazu bringen, genau diesen Skill zu nutzen.

Zusammenfassung

Was haben wir gelernt?

Wie wir mit einer einfachen CLAUDE.md Datei Claude Code dazu nutzen können, unsere KI zum Aufbau einer Wissensbasis zu sein. Diese Basis wächst mit der Zeit und wird immer besser.

Wir haben gelernt iterativ Claude neue Regeln und Verhaltensweisen anzutrainieren und unsere ersten Skills erstellt. Das ist schon mehr Wissen, als man braucht, um eine Wissensbasis zu einem beliebigen Thema zu erstellen.

Aber vielleicht hat dieses Ansatz ja auch die Motivation geschürt im Bereich der KI mehr Wissen anzuhäufen? Gerade die doch teils lustigen Analogien haben mir die Arbeit mit der Teils trockenen Materie „versüßt“.

Was sind eure Ideen für ein Wissensmanagement mit KI? Und lasst ihr euch auch Analogien verfassen?