Das LLM-Wiki: Persistentes Wissen für Menschen und KI-Agenten

Die Leistungsfähigkeit vieler KI-Anwendungen wird heute weniger durch das zugrunde liegende Sprachmodell als durch die Verfügbarkeit und Qualität des relevanten Wissens bestimmt. Informationen liegen in Dokumenten, Notizen, E-Mails, Chats, Tickets oder anderen Quellen vor. Sie sind meist vorhanden, ihre Zusammenhänge, Entscheidungen und Hintergründe müssen jedoch häufig immer wieder neu erschlossen werden.

Für einen Ansatz, dieses Problem zu adressieren, prägte Andrej Karpathy im Jahr 2026 den Begriff LLM-Wiki (Karpathy, 2026). Dahinter steht die Idee einer von einem Large Language Model unterstützten, menschenlesbaren Wissensbasis, die Wissen kontinuierlich pflegt, miteinander verknüpft und weiterentwickelt.

Das LLM-Wiki behandelt Wissen nicht nur als Sammlung von Informationen, die bei Bedarf durchsucht werden. Stattdessen entsteht zwischen den ursprünglichen Quellen und ihrer späteren Nutzung eine kuratierte Wissensbasis, in der Zusammenhänge bereits aufbereitet und nachvollziehbar dokumentiert werden. Ziel ist es, Wissen so aufzubereiten, dass Menschen und KI-Agenten dessen Zusammenhänge nicht bei jeder Nutzung erneut erschließen müssen.

Die zentrale Idee besteht nicht darin, bestehende Verfahren zur Informationssuche oder Dokumentation zu ersetzen. Vielmehr ergänzt das LLM-Wiki diese um einen kontinuierlichen Pflegeprozess, der Wissen langfristig konsistent und wiederverwendbar hält. Verfahren wie Retrieval-Augmented Generation können auf einer solchen Wissensbasis aufsetzen, stehen jedoch nicht im Mittelpunkt des Konzepts.

Der vorliegende Artikel erläutert die Grundidee des LLM-Wiki-Patterns, beschreibt seinen Aufbau und ordnet es gegenüber verwandten Ansätzen ein. Die Übertragung auf die Softwareentwicklung sowie die Evaluation des Patterns in einer konkreten Domäne erfolgen in den nachfolgenden Beiträgen dieser Artikelserie.

1. Das Grundmuster: Wissen wird gepflegt

Im Mittelpunkt des LLM-Wiki-Patterns steht nicht ein neues Dateiformat oder ein bestimmtes Werkzeug, sondern eine andere Art, Wissen zu organisieren. Während klassische Dokumentensammlungen Informationen bereitstellen, verfolgt ein LLM-Wiki das Ziel, daraus eine kontinuierlich gepflegte Wissensbasis entstehen zu lassen. Neue Informationen werden nicht lediglich abgelegt, sondern in bestehende Zusammenhänge eingeordnet, miteinander verknüpft und bei Bedarf konsolidiert.

Der wesentliche Unterschied liegt dabei im Zeitpunkt der Wissensaufbereitung. Anstatt Wissen erst bei einer konkreten Anfrage aus einer Vielzahl einzelner Dokumente zusammenzuführen, wird diese Arbeit fortlaufend während der Pflege der Wissensbasis geleistet. Dadurch entstehen schrittweise Zusammenfassungen, Querverweise, offene Fragen und dokumentierte Entscheidungen, die bei späteren Abfragen unmittelbar zur Verfügung stehen.

Andrej Karpathy beschreibt dieses Prinzip anhand einer klaren Trennung zwischen den ursprünglichen Informationsquellen und einer daraus abgeleiteten Wissensbasis. Die Quellen bleiben unverändert erhalten. Parallel dazu entsteht eine kuratierte Schicht, in der Erkenntnisse verdichtet, Beziehungen sichtbar gemacht und Wissen kontinuierlich weiterentwickelt werden kann.

Aus dieser Grundidee ergibt sich die grundlegende Architektur eines LLM-Wikis nach Karpathy, die aus drei Schichten besteht: raw/ (die unveränderte Begelgbasis), wiki/ (einer daraus aufgebauten Wissensbasis) und einem Schema (Regeln, die den kontinuierlichen Pflegeprozess steuern). Dazu kommen operative Routinen für Aufnahme, Abfrage und Qualitätsprüfung (Karpathy, 2026).

1.1. raw/: Die unveränderte Belegbasis

Die erste Ebene eines LLM-Wikis bildet die unveränderte Belegbasis (raw/). Sie enthält die ursprünglichen Informationsquellen, aus denen die Wissensbasis aufgebaut wird. Dazu gehören beispielsweise Artikel, Notizen, Meeting-Protokolle, PDFs oder andere Primärquellen. Diese Dokumente werden nicht durch das LLM verändert, sondern bleiben als nachvollziehbare Ausgangsbasis erhalten.

Die Trennung zwischen Rohquellen und Wissensbasis erfüllt einen wichtigen Zweck. Erkenntnisse, Zusammenfassungen oder Schlussfolgerungen entstehen nicht innerhalb der Originaldokumente, sondern werden in einer separaten Wissensbasis gepflegt. Dadurch bleibt jederzeit nachvollziehbar, auf welche Quellen sich eine Aussage stützt und wie sie entstanden ist.

Für Unternehmen bedeutet dies, dass operative Systeme ihre jeweilige Rolle behalten. Quellcode verbleibt im Versionsverwaltungssystem, Tickets im Ticketsystem und Kundendaten im Fachsystem. Das LLM-Wiki ersetzt diese Systeme nicht. Es ergänzt sie um eine Wissensbasis, die Zusammenhänge, Entscheidungen und Hintergrundwissen dokumentiert.

1.2. wiki/: Der synthetisierte Knowledge Layer

Aus den Rohquellen entsteht die eigentliche Wissensbasis des LLM-Wikis (wiki/). Hier werden Informationen nicht einfach gesammelt, sondern zu einer nachvollziehbaren Wissensrepräsentation verdichtet. Das LLM erstellt dort Markdown-Seiten für Begriffe, Personen, Systeme, Entscheidungen, Prozesse oder Themen. Diese Seiten enthalten Zusammenfassungen, Beziehungen, Widersprüche, offene Fragen und Links zu Quellen oder anderen Wiki-Seiten (Karpathy, 2026).

Der praktische Mehrwert liegt in der Pflegearbeit. Klassische Wikis scheitern häufig nicht am ersten Schreiben, sondern an der laufenden Wartung: Zusammenfassungen altern, Querverweise fehlen, verwandte Konzepte driften auseinander. Ein LLM kann diese Routinearbeit unterstützen, indem es Seiten aktualisiert, Indizes pflegt und neue Quellen in bestehende Zusammenhänge einordnet.

Das entbindet Menschen nicht von Verantwortung. Sie müssen Quellen auswählen, Prioritäten setzen, fachlich prüfen und Korrekturen vornehmen. Das LLM-Wiki ist deshalb kein autonomer Wahrheitsapparat, sondern ein Arbeitsmodell für geteilte Pflege von Wissen.

Weil diese Schicht aus Markdown besteht, bleibt sie bewusst einfach. Sie kann in VS Code, Obsidian, GitHub, MkDocs oder jedem anderen Markdown-fähigen Werkzeug gelesen werden. Obsidian ist in vielen Beispielen beliebt, weil Wikilinks, Backlinks und Graph-Ansichten dort sichtbar werden. Architektonisch ist das Pattern aber nicht an Obsidian gebunden.

1.3. Schema und Governance

Damit die Wissensbasis konsistent bleibt, benötigt das LLM-Wiki klare Regeln für ihren Aufbau und ihre Pflege. Diese Regeln fasst Karpathy im sogenannten Schema zusammen. Die dritte Schicht beschreibt die Regeln, nach denen das LLM arbeiten soll. Sie legt fest, wie Seiten benannt werden, welche Metadaten erforderlich sind, wie neue Quellen aufgenommen werden, wie Fragen beantwortet werden und wie mit Konflikten oder offenen Punkten umzugehen ist (Karpathy, 2026).

Je nach Werkzeug kann diese Governance in einer schema.md, einer AGENTS.md, einer CLAUDE.md oder einer ähnlichen Datei liegen. Entscheidend ist nicht der Dateiname, sondern die Funktion: Das LLM erhält Arbeitsregeln und wird dadurch zu einem disziplinierteren Wiki-Maintainer.

Praktische Regeln können sein:

• Jede Wiki-Seite enthält ein Quellen- oder source_of_truth-Feld.
• Zentrale Aussagen sind auf Rohquellen, Dokumentation, Tickets oder explizit markierte Schlussfolgerungen zurückführbar.
• Neue Informationen überschreiben ältere Aussagen nicht stillschweigend, wenn ein fachlicher Widerspruch besteht.
• Unsichere oder veraltete Informationen werden mit Status, Datum und Klärungsbedarf markiert.

Solche Regeln sind besonders wichtig, weil eine synthetisierte Wissensschicht sonst glaubwürdiger wirken kann, als sie tatsächlich ist.

1.4. Ingest, Query und Lint

Auf Grundlage dieser Architektur beschreibt Karpathy drei zentrale Arbeitsprozesse: Ingest, Query und Lint. Gemeinsam sorgen sie dafür, dass die Wissensbasis aufgebaut, genutzt und kontinuierlich überprüft werden kann (Karpathy, 2026).

Beim Ingest nimmt das LLM eine neue Quelle auf. Es liest das Dokument, extrahiert relevante Informationen, erstellt bei Bedarf neue Seiten, aktualisiert bestehende Seiten, ergänzt Querverweise und protokolliert die Änderung. Ein einzelnes Dokument kann dadurch mehrere Wiki-Seiten berühren.

Query bezeichnet die Abfrage gegen das Wiki. Das LLM beantwortet Fragen nicht nur aus einem zufälligen Ausschnitt des Rohmaterials, sondern aus der bereits verdichteten Wissensschicht. Gute Antworten können selbst wieder als Analyse- oder Überblicksseiten ins Wiki zurückfließen, sofern sie prüfbar und sauber eingeordnet sind.

Lint ist die Gesundheitsprüfung. Das LLM sucht nach Widersprüchen, veralteten Aussagen, fehlenden Quellen, verwaisten Seiten, fehlenden Querverweisen oder wichtigen Konzepten ohne eigene Seite. Linting garantiert keine Wahrheit. Es macht aber Pflegebedarf sichtbar und wiederholbar bearbeitbar.

2. Der praktische Nutzen eines LLM-Wikis

Für Nutzer ist ein LLM-Wiki nicht deshalb interessant, weil ein Markdown-Verzeichnis besonders ordentlich ist. Der Nutzen entsteht, wenn verstreutes Material wieder zu abrufbarem und erklärbarem Wissen wird.

Der Zugriff kann auf mehreren Wegen erfolgen. Menschen können Wiki-Seiten direkt lesen, etwa in einem Markdown-Editor, in Obsidian, in GitHub oder in einer Dokumentationsoberfläche. Sie können über Links, Backlinks, Übersichtsseiten und Themenpfade navigieren. Sie können aber auch eine Frage in natürlicher Sprache stellen und das LLM nutzt die kuratierte Wiki-Schicht, statt bei jeder Anfrage erneut alle Rohquellen durchsuchen zu müssen.

Der Unterschied zu einer normalen Dateiablage zeigt sich im Alltag. Statt sich zu erinnern, in welcher Notiz ein Gedanke stand, fragt der Nutzer nach dem Thema. Statt alte Entscheidungen aus Chats und Dokumenten zu rekonstruieren, liest er eine Wiki-Seite, die Entscheidung, Begründung, offene Punkte und Quellen bündelt. Statt nach einem einzelnen Artikel zu suchen, fragt er nach dem Konzept, das aus mehreren Artikeln, Notizen und späteren Gedanken entstanden ist.

Ein LLM-Wiki ist dabei nicht einfach ein Chatfenster. Der Chat ist nur eine Zugriffsschicht. Die eigentliche Stärke liegt darin, dass Wissen als lesbares Artefakt erhalten bleibt. Menschen können es prüfen, korrigieren, erweitern, verlinken und versionieren. Das LLM kann es später wiederverwenden, ohne jede Antwort neu aus ungeordnetem Rohmaterial zu improvisieren.

So nutzt der Nutzer das LLM-Wiki im Kern auf drei Arten:

• Lesen: Er öffnet Wiki-Seiten, Übersichten oder Themenpfade, wenn er sich selbst orientieren will.
• Fragen: Er stellt dem LLM natürliche Fragen und bekommt Antworten, die auf Wiki-Seiten und Quellen zurückverweisen.
• Weiterpflegen: Er fügt neue Quellen, Notizen oder Korrekturen hinzu, damit das LLM die Wissensschicht aktualisieren kann.

Der eigentliche Vorteil ist also nicht mehr Dokumentation. Es ist weniger Wiederverlust von Kontext. Gedanken, Belege und Entscheidungen werden nicht nur gespeichert, sondern in eine Form gebracht, in der Menschen und Agenten später wieder sinnvoll damit arbeiten können.

3. Standardisierung des LLM-Wiki-Patterns: Das Open Knowledge Format (OKF)

Das LLM-Wiki beschreibt zunächst ein Pattern für den Aufbau und die kontinuierliche Pflege einer Wissensbasis. Es macht bewusst nur wenige Vorgaben hinsichtlich Werkzeugen oder Dateiformaten. Dadurch lässt sich das Pattern mit unterschiedlichen Anwendungen umsetzen – von einfachen Markdown-Editoren bis hin zu spezialisierten Wissensmanagement-Werkzeugen.

Gerade diese Offenheit wirft jedoch eine neue Frage auf: Wie können LLM-Wikis zwischen unterschiedlichen Werkzeugen, Teams oder Organisationen möglichst einheitlich beschrieben und ausgetauscht werden?

Eine mögliche Antwort darauf liefert das Open Knowledge Format (OKF). Es verfolgt das Ziel, Markdown-basierte Wissensbestände durch gemeinsame Konventionen interoperabler zu machen. Dazu definiert OKF eine leichtgewichtige Struktur aus Markdown-Dateien, YAML-Frontmatter und standardisierten Metadaten, die sowohl von Menschen als auch von KI-Systemen verarbeitet werden kann (McVeety und Hormati, 2026a; GoogleCloudPlatform, 2026).

Während Karpathys LLM-Wiki das zugrunde liegende Pattern beschreibt, adressiert OKF dessen technische Austauschbarkeit. Beide Konzepte verfolgen damit unterschiedliche Ziele: Das LLM-Wiki beantwortet die Frage, wie Wissen kontinuierlich gepflegt werden kann. OKF beschreibt, wie eine solche Wissensbasis möglichst einheitlich strukturiert und zwischen unterschiedlichen Werkzeugen übertragen werden kann.

Mit Version 0.2 erweitert OKF diesen Ansatz um zusätzliche Metadaten für Herkunft (Provenance), Vertrauenswürdigkeit (Trust), Aktualität (Freshness) und Lebenszyklus (Lifecycle). Dadurch lassen sich Wissensbestände nicht nur strukturieren, sondern auch hinsichtlich ihrer Qualität und Aktualität besser bewerten (McVeety und Hormati, 2026b).

OKF ist damit keine Voraussetzung für ein LLM-Wiki und ersetzt das Pattern auch nicht. Es stellt vielmehr eine mögliche Standardisierung dar, die den Austausch und die langfristige Nutzung von LLM-Wikis über unterschiedliche Werkzeuge und Organisationen hinweg erleichtern kann.

4. Potenzial und Grenzen des LLM-Wiki-Patterns

Das LLM-Wiki versteht sich nicht als Ersatz bestehender Informations- oder Fachsysteme, sondern als ergänzendes Pattern zur kontinuierlichen Pflege von Wissen. Sein Potenzial liegt insbesondere dort, wo Wissen über längere Zeit entsteht, sich kontinuierlich weiterentwickelt und von mehreren Menschen oder KI-Agenten gemeinsam genutzt werden soll. In solchen Szenarien kann eine gepflegte Wissensbasis dazu beitragen, Zusammenhänge dauerhaft nachvollziehbar zu halten und den erneuten Aufwand zur Wissenserschließung zu reduzieren.

Dabei bleibt das LLM-Wiki bewusst technologieoffen. Es setzt weder ein bestimmtes Werkzeug noch ein spezielles Dateiformat voraus und lässt sich in unterschiedliche Arbeitsumgebungen integrieren. Ansätze wie das Open Knowledge Format können diese Offenheit durch gemeinsame Konventionen ergänzen, sind jedoch keine Voraussetzung für das Pattern selbst.

Wie jedes Organisations- und Architekturpattern besitzt jedoch auch das LLM-Wiki klare Grenzen. Es ersetzt weder Primärquellen noch operative Systeme. Quellcode verbleibt in Versionsverwaltungssystemen, Tickets im Ticketsystem und Geschäftsdaten in den jeweiligen Fachanwendungen. Die Wissensbasis ergänzt diese Systeme um dokumentierte Zusammenhänge, Entscheidungen und Hintergrundwissen.

Ebenso garantiert ein LLM-Wiki keine inhaltliche Wahrheit. Die Qualität der Wissensbasis hängt unmittelbar von der Qualität ihrer Quellen, einer geeigneten Governance und der regelmäßigen fachlichen Überprüfung ab. Große Sprachmodelle können Wissen strukturieren, zusammenführen und aktualisieren, die fachliche Verantwortung verbleibt jedoch beim Menschen.

Das LLM-Wiki ist damit weder ein universeller Ersatz für bestehende Wissensmanagement-Ansätze noch eine fertige Softwarelösung. Es beschreibt vielmehr ein Pattern zur kontinuierlichen Pflege von Wissen, dessen Nutzen wesentlich von seiner sorgfältigen Anwendung und der jeweiligen Domäne abhängt. Welche Möglichkeiten sich daraus speziell für die Softwareentwicklung ergeben, ist Gegenstand des folgenden Artikels dieser Serie.

5. Wie lässt sich das Pattern bewerten?

Mit dem LLM-Wiki beschreibt Andrej Karpathy ein Pattern zur kontinuierlichen Pflege von Wissen. Die Architektur, ihre Bestandteile und die zugrunde liegenden Prinzipien lassen sich unabhängig von einer konkreten Domäne nachvollziehen. Ob das Pattern jedoch tatsächlich einen messbaren Mehrwert bietet, lässt sich aus seiner Beschreibung allein nicht ableiten.

Der praktische Nutzen eines LLM-Wikis hängt wesentlich vom jeweiligen Anwendungskontext ab. Entscheidend ist nicht nur, ob sich Wissen strukturierter organisieren lässt, sondern ob dadurch die tägliche Wissensarbeit tatsächlich verbessert wird. Dazu gehören beispielsweise Fragen wie:

• Können Zusammenhänge schneller und zuverlässiger erschlossen werden?
• Bleiben Entscheidungen und ihre Begründungen langfristig nachvollziehbar?
• Verringert sich der Aufwand, vorhandenes Wissen erneut zu erschließen?
• Unterstützt eine gepflegte Wissensbasis sowohl Menschen als auch KI-Agenten bei ihrer täglichen Arbeit?
• Steht der erforderliche Pflegeaufwand in einem sinnvollen Verhältnis zum erzielten Nutzen?

Diese Fragen lassen sich nicht theoretisch beantworten. Sie erfordern die Evaluation des Patterns in einer konkreten Domäne.

6. Fazit und Ausblick

Das LLM-Wiki beschreibt ein Pattern zur kontinuierlichen Pflege von Wissen. Im Mittelpunkt steht nicht ein neues Werkzeug oder ein bestimmtes Dateiformat, sondern die Idee, Wissen so aufzubereiten und weiterzuentwickeln, dass seine Zusammenhänge langfristig erhalten bleiben und sowohl Menschen als auch KI-Agenten darauf aufbauen können.

Die von Andrej Karpathy vorgeschlagene Trennung zwischen Rohquellen, einer gepflegten Wissensbasis und klaren Governance-Regeln schafft dafür einen nachvollziehbaren und technologieoffenen Rahmen. Das Pattern ergänzt bestehende Informations- und Dokumentationssysteme, ersetzt sie jedoch nicht. Sein Ziel besteht darin, Wissen so zu organisieren, dass es nicht bei jeder Nutzung erneut erschlossen werden muss.

Wie groß der praktische Nutzen eines LLM-Wikis tatsächlich ist, lässt sich jedoch nicht allein aus seiner Architektur ableiten. Er hängt wesentlich von der jeweiligen Domäne, der Qualität der Wissensbasis und ihrer kontinuierlichen Pflege ab. Gerade deshalb sollte das LLM-Wiki weniger als fertige Lösung, sondern vielmehr als ein Pattern verstanden werden, dessen Mehrwert sich erst im praktischen Einsatz bewähren muss.

Genau an dieser Stelle setzt wir als Nächstes an. Während dieser Artikel die Grundidee des LLM-Wiki-Patterns erläutert hat, fokussieren wir im nächsten Schritt seine Anwendung. Am Beispiel der agentenbasierten Softwareentwicklung wird untersucht, welchen Beitrag ein LLM-Wiki zur langfristigen Pflege von Wissen leisten kann, wie sich sein Nutzen bewerten lässt und welche Erfahrungen sich aus einer praktischen Umsetzung ergeben.

Quellenverzeichnis

Externe Primärquellen

• Karpathy, Andrej (2026). LLM Wiki. GitHub Gist. https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
• McVeety, Sam; Hormati, Amir (2026a). Introducing the Open Knowledge Format. Google Cloud Blog, 12. Juni 2026. https://cloud.google.com/blog/products/data-analytics/how-the-open-knowledge-format-can-improve-data-sharing
• McVeety, Sam; Hormati, Amir (2026b). Open Knowledge format v0.2 tackles agentic trust. Google Cloud Blog, 24. Juli 2026. https://cloud.google.com/blog/products/data-analytics/okf-v0-2-adds-trust-signals
• GoogleCloudPlatform (2026). Open Knowledge Format (OKF). GitHub Repository. https://github.com/GoogleCloudPlatform/knowledge-catalog/tree/main/okf