Andrej Karpathys LLM Wiki: Wissensdatenbanken, die eine KI selbst pflegt

Was Andrej Karpathy veröffentlicht hat

Andrej Karpathy gehört zu den bekanntesten Köpfen der KI-Branche. Er war Mitgründer von OpenAI und leitete später die KI-Abteilung von Tesla. Anfang April 2026 hat er ein ungewöhnliches Dokument geteilt: eine einzelne Markdown-Datei auf GitHub, in der er beschreibt, wie er KI persönlich für sein Wissensmanagement nutzt.

Es ist kein neues Modell, kein Werkzeug und kein Code. Es ist eine Idee, und die hat sich in kurzer Zeit weit verbreitet. Viele Entwickler haben daraufhin eigene Umsetzungen gebaut, jeweils passend zu ihren eigenen Werkzeugen.

Karpathy nennt das Dokument ein „Idea File“. Gemeint ist eine bewusst abstrakte Beschreibung, die man einem KI-Agenten übergibt, damit dieser eine eigene Version davon baut. Der Kern der Idee heißt LLM Wiki.

Wo klassisches RAG an Grenzen stößt

Die meisten kennen die Kombination aus KI und Dokumenten so: Sie laden Dateien hoch, die KI durchsucht sie bei jeder Frage aufs Neue und formuliert eine Antwort. Dieses Verfahren heißt Retrieval Augmented Generation, kurz RAG. So arbeiten NotebookLM, ChatGPT mit Datei-Upload und viele Lösungen für Wissensdatenbanken.

Der Haken: Jede Anfrage beginnt bei null. Nichts sammelt sich an. Wenn Sie eine komplexe Frage stellen, die fünf Dokumente verbindet, muss die KI jedes Mal dieselben Bruchstücke suchen und neu zusammensetzen. Über die Zeit entsteht dabei kein Zusammenhang.

Karpathys Ansatz: das LLM Wiki

Karpathy geht einen anderen Weg. Statt bei jeder Frage von vorn zu beginnen, baut die KI eine dauerhafte, wachsende Wissensbasis auf. Das ist eine Sammlung verlinkter Markdown-Dateien, die mit jeder neuen Quelle besser wird.

Der Aufbau besteht aus drei Schichten.

1. Rohquellen

Die unveränderten Originaldokumente: Artikel, Fachaufsätze, Notizen, Dateien. Sie sind die Quelle der Wahrheit und werden nicht angefasst. Karpathy speichert Webseiten dafür mit dem Obsidian Web Clipper direkt als Markdown.

2. Das Wiki

Von der KI geschriebene Markdown-Dateien mit Zusammenfassungen, Seiten zu Personen, Firmen und Begriffen sowie Querverweisen. Die KI baut diese Struktur Schritt für Schritt auf, nicht bei jeder Frage neu, sondern als dauerhaftes, wachsendes Ergebnis. Karpathy vergleicht es so: Obsidian ist die Entwicklungsumgebung, das Sprachmodell ist der Programmierer, das Wiki ist der Quellcode.

3. Das Regelwerk

Eine Konfigurationsdatei, zum Beispiel eine CLAUDE.md, die dem KI-Agenten erklärt, wie das Wiki aufgebaut ist, welche Konventionen gelten und wie neue Inhalte eingeordnet werden. Mensch und KI entwickeln diese Regeln gemeinsam weiter.

Drei Arbeitsschritte, die alles abdecken

Karpathy beschreibt drei Grundoperationen.

Aufnehmen (Ingest): Eine neue Quelle kommt hinzu. Die KI liest sie, bespricht die wichtigsten Erkenntnisse, schreibt eine Zusammenfassung, ergänzt den Index und aktualisiert die betroffenen Wiki-Seiten. Eine einzige Quelle kann zehn bis fünfzehn bestehende Seiten berühren.

Fragen (Query): Sie stellen eine Frage. Die KI durchsucht das Wiki, liest die passenden Seiten und formuliert eine Antwort mit Quellenangaben. Entscheidend ist: Gute Antworten werden als neue Wiki-Seiten gespeichert. Eine Analyse verschwindet also nicht im Chatverlauf, sondern wird Teil der Wissensbasis. Das Wissen wächst auch durch Ihre Fragen.

Aufräumen (Lint): Ein regelmäßiger Gesundheitscheck. Die KI sucht nach Widersprüchen zwischen Seiten, nach veralteten Aussagen, nach Seiten ohne eingehende Links und nach fehlenden Querverweisen. Sie schlägt neue Fragen vor und zeigt Wissenslücken auf.

Warum das funktioniert

Wer schon einmal ein Wiki oder einen gut sortierten Ordner gepflegt hat, kennt den Verlauf: Am Anfang ist alles ordentlich. Nach drei Monaten veralten die ersten Einträge. Nach einem halben Jahr traut sich niemand mehr, etwas zu ändern, weil unklar ist, was noch stimmt.

Karpathy fasst es so zusammen:

„The tedious part of maintaining a knowledge base is not the reading or the thinking, it’s the bookkeeping.“

Schwierig ist also nicht das Lesen neuer Artikel oder das Nachdenken über Zusammenhänge. Schwierig ist die Pflege: Querverweise aktualisieren, Zusammenfassungen auf Stand halten, Widersprüche erkennen. Menschen geben Wikis auf, weil der Pflegeaufwand schneller wächst als der Nutzen. Ein KI-Agent wird dabei nicht müde, vergisst keinen Querverweis und kann fünfzehn Dateien in einem Durchgang bearbeiten.

Karpathy berichtet, dass er auf diese Weise zu einem einzigen Forschungsthema rund 100 Artikel mit über 400.000 Wörtern aufgebaut hat, ohne selbst eine Zeile zu tippen. Die Verschiebung beschreibt er so:

„A large fraction of my recent token throughput is going less into manipulating code, and more into manipulating knowledge.“

Sein KI-Einsatz wandert also vom Programmieren zum Kuratieren von Wissen. Der Mensch wählt die Quellen aus, stellt die richtigen Fragen und lenkt die Auswertung. Die Fleißarbeit erledigt die KI.

Was die Form des Dokuments zeigt

Bemerkenswert ist auch die Form. Karpathy hat kein Werkzeug gebaut und keinen Code geteilt, sondern ein Muster beschrieben. Am Ende des Dokuments steht ausdrücklich:

„The right way to use this is to share it with your LLM agent and work together to instantiate a version that fits your needs. The document’s only job is to communicate the pattern.“

Das Dokument beschreibt das Was und das Warum, aber nicht das Wie im Detail. Verzeichnisstruktur, Seitenformate und Werkzeuge überlässt Karpathy dem Agenten und dem Nutzer.

Daran sieht man, wie Software heute entsteht: KI-Agenten wie Claude Code, Codex oder Cursor können eine abstrakte Beschreibung lesen, das Muster dahinter verstehen und eine funktionierende Umsetzung erzeugen. Der Code wird austauschbar. Was bleibt, ist das Denkmodell.

Was das für Unternehmen bedeutet

Karpathys Ansatz ist persönlich gedacht, lässt sich aber gut auf Unternehmen übertragen.

Firmenwissen nutzbar machen

In vielen Unternehmen steckt Wissen in Köpfen, Postfächern, Chatverläufen und unübersichtlichen Ordnern. Interne Wikis veralten, weil niemand die Pflege übernimmt. Ein LLM Wiki setzt genau dort an: Die KI pflegt, was im Team auf Dauer niemand pflegen möchte. Aus Besprechungsprotokollen, Kundengesprächen und Projektunterlagen entsteht eine lebendige Wissensbasis.

Wissen wächst, statt zu verfallen

Der wichtigste Unterschied zu klassischem RAG: RAG beginnt bei jeder Anfrage bei null, ein LLM Wiki sammelt an. Jede neue Quelle macht die Wissensbasis reicher, jede Frage kann sie erweitern. Querverweise sind schon gesetzt, Widersprüche schon markiert.

Beratung und Kundenarbeit

Für Beratungen, Agenturen und Dienstleister ergibt sich eine neue Möglichkeit: eine eigene Wissensbasis pro Kunde. Jede Analyse, jeder Bericht und jede Empfehlung fließt ein. Der Agent erkennt Muster, findet Lücken und schlägt nächste Schritte vor, auf Basis des gesamten Projektverlaufs und nicht nur der letzten Nachricht.

Marketing und Inhalte

Keyword-Recherchen, Wettbewerbsanalysen und Kennzahlen lassen sich als Quellen in ein LLM Wiki geben. Der Agent erkennt Themenlücken, veraltete Inhalte und neue Chancen. Statt einmal im Quartal eine Bestandsaufnahme zu machen, haben Sie eine Wissensbasis, die laufend mitdenkt.

Die Verbindung zu Vannevar Bush

Karpathy verweist in seinem Dokument auf den „Memex“, den Vannevar Bush 1945 beschrieben hat: die Vision eines persönlichen Wissensspeichers, der Dokumente über Querverweise verbindet, sodass Wissen nicht linear, sondern als Netz zugänglich wird.

Bush hatte die richtige Idee, aber ein ungelöstes Problem: Wer pflegt das Ganze? Gut 80 Jahre später liefert die KI eine Antwort. Ein KI-Agent übernimmt genau die Pflegearbeit, an der die Idee bisher gescheitert ist.

Was Sie jetzt tun können

Sie müssen nicht programmieren können, um von dem Ansatz zu profitieren.

• Quellen an einem Ort sammeln. Artikel, Notizen, Berichte, am besten als Text- oder Markdown-Dateien.
• Einen KI-Agenten die Struktur aufbauen lassen. Zusammenfassungen, Querverweise und ein Index entstehen dabei automatisch.
• Fragen stellen und gute Antworten speichern. So wächst das System mit Ihrer Arbeit.
• Regelmäßig aufräumen lassen. Der Agent findet veraltete Einträge, fehlende Verlinkungen und Widersprüche.

Achten Sie dabei auf den Datenschutz: Welche Unterlagen ein Cloud-Modell sehen darf und welche besser auf einem eigenen KI-Server bleiben, sollte vor dem Start geklärt sein.

Eigene Idea Files

Angeregt von Karpathy hat unser Gründer Christian Synoradzki eigene Denkmodelle als Idea Files veröffentlicht. Es sind Muster aus der täglichen Projektarbeit, die jeder KI-Agent lesen und umsetzen kann:

• FAQ-First Chatbot: ein Chatbot, der nur aus geprüften FAQ antwortet und dadurch kaum Raum für erfundene Antworten lässt.
• MCP-Server als Agenten-Werkzeug: wie ein KI-Agent Zugriff auf echte Datenquellen bekommt.
• KI-Video-Produktion: automatisierte Videos mit Stimmklon und programmatischem Schnitt, gedacht für Kurzvideos.

Fazit: Wissen statt Code

Andrej Karpathy zeigt, dass eine der wichtigsten Anwendungen von KI womöglich nicht das Programmieren ist, sondern das Ordnen und Vernetzen von Wissen. Ein LLM Wiki ist kein Zukunftsprojekt. Es besteht aus einem Ordner mit Markdown-Dateien, einem KI-Agenten und klaren Regeln. Die Technik ist vorhanden.

Wenn Sie wissen möchten, wie KI-gestütztes Wissensmanagement in Ihrem Unternehmen aussehen könnte, sprechen Sie uns an. In der KI-Beratung klären wir, welche Quellen sich eignen, und als Custom KI-Agent setzen wir die Lösung auf Wunsch um.

Quellen

• Andrej Karpathy, „LLM Wiki“ (Idea File), GitHub Gist, April 2026: gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
• Vannevar Bush, „As We May Think“, The Atlantic, Juli 1945: theatlantic.com