Ist ein LLM-Wiki dasselbe wie RAG?

Nein. RAG sucht bei jeder Frage passende Textstücke und lässt ein Modell daraus eine Antwort formulieren; danach ist die Antwort weg. Ein LLM-Wiki schreibt das Ergebnis einmal auf, als Seite mit Belegen, und führt diese Seite weiter, wenn neue Quellen dazukommen. Du kannst sie lesen, zitieren und ihre früheren Fassungen ansehen.

Woher weiß ich, dass eine Aussage im Wiki stimmt?

Jeder Absatz verweist auf eine Quelle, die du selbst gespeichert hast. Du kannst die Stelle öffnen und nachlesen. Was das Modell sonst weiß, gehört nicht ins Wiki. Das macht eine Aussage nicht automatisch wahr, aber prüfbar.

Kann mein eigener KI-Assistent mit dem Wiki arbeiten?

Ja, über MCP. Dein Assistent kann Seiten suchen und lesen, ihre Versionsgeschichte abrufen und selbst Seiten schreiben. Jeder Schreibvorgang nennt die Version, die er gelesen hat; hat sich die Seite seitdem geändert, wird er abgelehnt, statt still zu überschreiben.

Ist Pith eine Pocket-Alternative?

Ja, für alle, die aus gespeicherten Artikeln mehr machen wollen als eine Leseliste. Pocket war eine Read-later-Liste mit einem sauberen Lesemodus und wurde 2025 von Mozilla eingestellt. Pith speichert ebenfalls, was du liest, schreibt daraus aber ein LLM-Wiki, in dem jeder Absatz seine Quelle nennt. Wer nur eine ruhige Leseliste sucht, ist mit einer reinen Read-later-App schlanker bedient.

Was sollte ein Bookmark-Manager mit KI können?

Das hängt davon ab, was zurückkommen soll. Einfache KI vergibt Tags oder fasst einzelne Links zusammen. Einen Schritt weiter geht ein Werkzeug, das aus vielen gespeicherten Quellen Wissen schreibt: Pith baut aus deinen Bookmarks ein LLM-Wiki, in dem jede Aussage zur gespeicherten Quelle führt, Seiten versioniert sind und Widersprüche zwischen Quellen festgehalten werden.

LLM-Wiki erklärt: mehr als ein Bookmark-Manager mit KI

Du liest in einer Woche einen Artikel über die NIS2-Umsetzung in Österreich, ein Interview mit einem BSI-Referenten und eine Analyse, welche Mittelständler plötzlich als „wichtige Einrichtung" gelten. Drei gute Texte. Vier Wochen später fragt ein Kunde, was NIS2 für seine Lieferkette bedeutet, und du weißt, dass du es gelesen hast — aber nicht mehr, wo, und nicht mehr genau, was.

Ein LLM-Wiki setzt an dieser Stelle an. Nicht beim Wiederfinden einzelner Texte, sondern beim Festhalten dessen, was sie zusammen ergeben. Pith ist ein Lese-Gedächtnis für Berater: Du speicherst, was du liest, und Pith schreibt daraus ein LLM-Wiki, in dem jeder Absatz die Quelle nennt, auf der er beruht.

Was ein LLM-Wiki ist

Ein LLM-Wiki ist eine Sammlung von Seiten, die ein Sprachmodell aus deinen Quellen schreibt. Jede Seite behandelt ein Konzept: „NIS2", „Lieferkettensicherheit", „Model Context Protocol". Speicherst du eine neue Quelle, liest das Modell ihren vollständigen Text, sieht nach, ob es die passenden Konzepte schon gibt, und führt die bestehenden Seiten weiter oder legt neue an.

Vier Eigenschaften machen daraus mehr als einen Stapel Zusammenfassungen:

Jeder Absatz nennt seine Quelle. Belege verweisen auf Texte, die du gespeichert hast. Was das Modell aus seinem Training weiß, gehört nicht hinein.
Seiten sind versioniert. Jede Änderung wird als neue Fassung abgelegt. Du siehst, was eine Seite vorher gesagt hat, und kannst eine frühere Fassung wiederherstellen.
Widersprüche werden festgehalten. Sagt eine neue Quelle etwas anderes als die Seite, schreibt das Modell den Widerspruch als normalen Satz hinein und legt ihn zusätzlich als Streitpunkt ab — mit beiden Quellen. Das Wiki behauptet dann nicht, eine Seite habe recht, sondern dass deine Quellen sich uneinig sind.
Die Seiten gehören dir. Sie sind Text, den du lesen, weitergeben und exportieren kannst, nicht eine Antwort, die nach dem Schließen eines Fensters verschwindet.

Das Ergebnis ist ein Lese-Gedächtnis: Was du gelesen hast, liegt nicht mehr als Liste von Links vor, sondern als Wissen, geordnet nach dem, worum es geht.

Der Unterschied zur Suche über einen Ordner voller Dateien

Die naheliegende Alternative ist RAG: Man legt Dokumente in einen Ordner, zerlegt sie in Abschnitte, und bei jeder Frage sucht ein System die passendsten Abschnitte heraus und lässt ein Modell daraus eine Antwort formulieren.

Das funktioniert, solange die Frage zu einzelnen Stellen passt. Es hat drei Grenzen, die im Beratungsalltag schnell auffallen:

Die Arbeit wird bei jeder Frage neu gemacht. RAG fügt die Quellen jedes Mal frisch zusammen. Ob die Antwort heute dieselbe ist wie letzte Woche, hängt davon ab, welche Abschnitte die Suche gerade findet.
Zusammenhänge über viele Texte gehen verloren. Eine Suche liefert die fünf ähnlichsten Abschnitte. Dass sich zwei Quellen, die du im Abstand von drei Wochen gelesen hast, widersprechen, sieht sie nicht — sie werden selten zusammen gefunden.
Es bleibt nichts zum Nachlesen. Die Antwort steht im Chatfenster. Wer sie später prüfen will, muss dieselbe Frage noch einmal stellen und hoffen, dass dasselbe herauskommt.

Ein LLM-Wiki verschiebt die Arbeit nach vorn. Das Zusammenführen passiert beim Speichern, einmal, und das Ergebnis wird aufgeschrieben. Eine Suche gibt es trotzdem — aber sie findet Seiten, auf denen die Arbeit schon getan ist.

Der Unterschied zum Chatbot mit Gedächtnis

Viele Assistenten merken sich inzwischen Dinge über dich. Das ist nützlich für Vorlieben und laufende Aufgaben. Für Fachwissen hat es eine Schwäche: Du siehst nicht, was sich der Assistent gemerkt hat, woher es stammt und ob es noch gilt.

Ein Wiki macht dieses Gedächtnis sichtbar. Jede Aussage steht an einem Ort, hat einen Beleg und eine Geschichte. Ist sie falsch, kannst du sie finden und ändern. Den Unterschied haben wir ausführlicher in Ein LLM-Wiki ist kein Chatbot mit Gedächtnis beschrieben.

Was ein gutes LLM-Wiki ausmacht

Nicht jedes Wiki, das ein Modell schreibt, taugt als Grundlage für Arbeit, die ein Kunde bezahlt. Ein paar Eigenschaften entscheiden darüber:

Seiten nach Themen, nicht nach Artikeln. Eine Seite heißt „PostgreSQL", nicht wie die Überschrift des Artikels, aus dem sie entstand. Sonst wächst das Wissen unter Schlagzeilen statt unter dem Gegenstand.
Belege, die zur Stelle führen. Ein Verweis auf „eine Quelle" reicht nicht. Der Beleg muss auf den gespeicherten Text zeigen, damit du in Sekunden nachlesen kannst.
Du entscheidest, was hineinkommt. Ein Wiki, das jeden gelesenen Artikel aufnimmt, bildet deine Feeds ab, nicht dein Urteil. Bei Pith gibt es dafür eine eigene Entscheidung: ins Wiki, nur behalten oder überspringen.
Widerspruch ist erlaubt. Ein Modell glättet gern. Ein gutes Wiki lässt zwei Lesarten nebeneinander stehen, wenn deine Quellen sie hergeben — mit beiden Belegen.
Pflege ist eingebaut. Quellen werden gelöscht, Texte ändern sich, zwei Seiten beschreiben dasselbe. Ohne Pflege veraltet das Wiki. Wie wir das Sortieren, Aufbauen und Synchronisieren getrennt haben, steht in Wer pflegt eigentlich dein LLM-Wiki?.

Wie dein eigener Agent das Wiki liest und schreibt

Ein LLM-Wiki ist nicht nur für dich zum Lesen da. Über das Model Context Protocol kann dein eigener KI-Assistent damit arbeiten — der, den du ohnehin nutzt.

Er kann Seiten suchen und lesen, zu einer Seite die Versionsgeschichte abrufen und eine frühere Fassung wiederherstellen. Er kann nachsehen, welche gespeicherten Quellen noch nicht im Wiki sind, und selbst Seiten schreiben. Zum Beispiel: Du bittest deinen Assistenten, vor einem Kundentermin zusammenzufassen, was dein Wiki zu NIS2 und Lieferketten sagt. Er liest die Seiten, nennt die Belege und sagt dir, wo deine Quellen sich widersprechen.

Beim Schreiben gilt eine Regel, die aus einem praktischen Problem kommt: An einem Wiki arbeiten oft zwei Agenten, Piths eigener und deiner. Jeder Schreibvorgang nennt deshalb die Version, die er gelesen hat. Hat sich die Seite seitdem geändert, wird der Vorgang abgelehnt, und der Agent muss neu lesen und zusammenführen. Niemand überschreibt still, was er nie gesehen hat.

Dein Agent bleibt dabei das Werkzeug, mit dem du denkst und schreibst. Das Wiki ist das Gedächtnis, auf das er zugreift — mit Belegen, die du selbst ausgewählt hast.

Und was ist mit Raindrop, Readwise oder Pocket?

Bookmark- und Read-later-Dienste lösen eine andere Aufgabe, und viele lösen sie sehr gut. Der Unterschied liegt in dem, was zurückkommt.

Pocket war eine saubere Read-later-Liste mit einem ruhigen Lesemodus: speichern, später lesen, fertig. Mozilla hat den Dienst 2025 eingestellt. Gespeichert wurde der Artikel; eine Synthese über mehrere Quellen gab es nicht.
Raindrop.io ist ein ausgereifter Bookmark-Manager mit Sammlungen, verschachtelten Ordnern, Tags, Volltextsuche und dauerhaften Kopien. Die Bookmarks bleiben dabei bewusst einzelne Links, die du öffnen und lesen musst.
Readwise ist das Werkzeug der Wahl, um Markierungen aus vielen Quellen zu sammeln und per Wiederholung wieder vorzulegen, und Reader ist ein sehr guter Leser. Konzeptseiten, die über viele Quellen hinweg geschrieben werden, gehören nicht zum Kern.
Recall fasst gespeicherte Inhalte zusammen und verknüpft sie in einem Graphen, belegt aber nicht jede einzelne Aussage mit ihrer Quelle.

Bei diesen Diensten bekommst du einen gut geordneten Bestand zurück: Links, Markierungen, Zusammenfassungen pro Eintrag. Ein LLM-Wiki gibt dir Seiten, die aus vielen Quellen geschrieben sind und jede davon nennen. Wer vor allem lesen, markieren oder Links ordnen will, ist mit ihnen gut bedient. Wer aus dem Gelesenen zitierbares Wissen braucht, braucht die Ebene darüber.

Die Einzelvergleiche: Pith vs. Pocket, Pith vs. Raindrop, Pith vs. Readwise und Pith vs. Recall. Einen Überblick geben Bookmark-Manager mit KI und Read-later-Alternativen nach Pocket.

Was ein LLM-Wiki nicht ist

Ein LLM-Wiki ist kein Faktencheck. Es sagt dir, was deine Quellen sagen, und wo sie sich widersprechen. Ob eine Quelle recht hat, bleibt deine Beurteilung. Es ist auch keine Suchmaschine für das ganze Netz: Es kennt nur, was du gespeichert hast. Genau das ist der Punkt. Wenn jemand fragt „Sagt wer?", ist die Antwort eine Quelle, die du selbst gelesen hast.

Weiterlesen

Wer pflegt eigentlich dein LLM-Wiki? — Sortieren, Aufbauen und Synchronisieren als drei getrennte Arbeiten.
Jede Aussage nennt ihre Quelle — warum Quellenverankerung die Reihenfolge umdreht.

Was ist ein LLM-Wiki? Die Grundlagen