Leitfaden · LLM-Wiki

Was ist ein LLM-Wiki? Karpathys Muster, erklärt

Ein LLM-Wiki ist eine Sammlung verlinkter Markdown-Seiten, die ein Sprachmodell aus deinen Quellen schreibt und laufend aktualisiert – das Wissen wird einmal verdichtet, statt bei jeder Frage neu aus Rohdokumenten zusammengesucht zu werden. Andrej Karpathy hat das Muster im April 2026 beschrieben; Pith ist ein gehostetes LLM-Wiki, das aus dem entsteht, was du liest, mit nummerierten Belegen zu jeder gespeicherten Quelle.

Von Stefan Hartmann · Aktualisiert

Was ist ein LLM-Wiki?

Die meisten kennen Sprachmodelle und Dokumente aus Retrieval-Augmented Generation (RAG): Du lädst Dateien hoch, das Modell holt bei jeder Frage ein paar passende Abschnitte und formuliert eine Antwort. Behalten wird nichts. Die nächste Frage beginnt bei null, und wer etwas wissen will, das in fünf Dokumenten steckt, lässt das Modell dieselben Bruchstücke jedes Mal neu zusammensuchen.

Ein LLM-Wiki dreht das um. Kommt eine neue Quelle dazu, liest das Modell sie einmal und arbeitet sie in einen festen Bestand an Seiten ein: Es ergänzt die Seite zu einer Person oder Firma, überarbeitet die Zusammenfassung eines Themas, trägt die neue Zahl in den Vergleich ein und vermerkt, wo die neue Quelle einer älteren widerspricht. Du liest die Seiten, das Modell pflegt sie. Über Monate entsteht so eine Wissensbasis, in der alles steckt, was du gelesen hast – mit Querverweisen, die schon da sind.

Drei Eigenschaften machen es aus:

  • Dauerhaft. Die Synthese liegt in Dateien oder Seiten, die jede Chat-Sitzung überleben.
  • Vom Modell gepflegt, nicht von dir. Du wählst Quellen und stellst Fragen; das Modell fasst zusammen, sortiert ein und verlinkt.
  • Auf Quellen rückführbar. Die Rohquellen bleiben unverändert neben dem Wiki liegen, jede Aussage lässt sich am Original prüfen.

Das liegt nah an einem persönlichen Wiki oder einem Second Brain, mit einem entscheidenden Unterschied: Niemand muss es schreiben. Genau deshalb hat sich die Idee so schnell verbreitet. Persönliche Wikis scheitern selten am Interesse, fast immer an der Pflege.

Was hat Andrej Karpathy vorgeschlagen?

Am 4. April 2026 hat Andrej Karpathy ein kurzes Dokument namens „LLM Wiki“ als GitHub-Gist veröffentlicht. Er nennt es eine „Ideen-Datei“: keine Software, sondern eine Beschreibung, die du deinem eigenen Coding-Agenten gibst (er nennt OpenAI Codex, Claude Code und OpenCode), damit der die Details mit dir zusammen ausarbeitet. Ordnerstruktur, Seitenformate und Werkzeuge lässt das Dokument bewusst offen. Eine genauere Lektüre des Gists und eine Tabelle der Open-Source-Umsetzungen auf GitHub findest du unter Karpathys LLM-Wiki: der Gist und die Open-Source-Projekte.

Der Gist beschreibt drei Ebenen:

  • Rohquellen – Artikel, Paper, Bilder, Datendateien, die du sammelst. Sie bleiben unverändert: Das Modell liest sie, bearbeitet sie aber nie. Sie sind die maßgebliche Grundlage.
  • Das Wiki – ein Ordner mit Markdown-Dateien, die das Modell schreibt und verantwortet: Zusammenfassungen, Seiten zu Personen, Firmen und Begriffen, Vergleiche, ein Überblick.
  • Das Schema – eine Datei wie CLAUDE.md oder AGENTS.md, die dem Agenten sagt, wie das Wiki aufgebaut ist und wie er beim Einlesen, bei Fragen und bei der Pflege vorgehen soll. Du und der Agent entwickeln sie gemeinsam weiter.

Karpathy arbeitet mit dem Agenten auf der einen und Obsidian auf der anderen Seite des Bildschirms und schaut zu, wie die Seiten entstehen. Seine Zusammenfassung des Aufbaus:

“Obsidian is the IDE; the LLM is the programmer; the wiki is the codebase.”
— Andrej Karpathy, „LLM Wiki“ (GitHub-Gist, 4. April 2026)

Als Einsatzfelder nennt er persönliche Ziele, Recherche über Wochen und Monate, das Lesen eines Buchs, Team-Wikis aus Meeting-Notizen und Kundengesprächen, Wettbewerbsanalyse und Due Diligence. Er verweist auf Vannevar Bushs Memex von 1945 – einen privaten, kuratierten Wissensspeicher mit Pfaden zwischen Dokumenten – und meint: Was Bush nicht lösen konnte, nämlich wer die Pflege übernimmt, erledigt heute das Modell.

Der Gist richtet sich an Leute, die einen Agenten im Terminal bedienen. Der Rest dieser Seite erklärt das Muster ohne Fachjargon, die Stellen, an denen es mit wachsendem Wiki schwierig wird, und wo eine gehostete Variante wie Pith passt – und wo nicht.

Wie funktioniert ein LLM-Wiki, Schritt für Schritt?

Ob selbst gebaut oder gehostet: Der Kreislauf hat immer dieselben fünf Teile.

1. Eine Quelle einlesen

Du fügst einen Artikel, ein Paper oder ein PDF hinzu. Das Modell liest es und zieht heraus, was sich zu behalten lohnt: Aussagen, Zahlen, Namen, Termine. Karpathy empfiehlt, anfangs eine Quelle nach der anderen einzulesen und dabeizubleiben – die Zusammenfassung lesen und dem Modell sagen, worauf es ankommt.

2. Neue Seiten schreiben oder bestehende ergänzen

Das ist der Kern. Für jeden Begriff, den die Quelle berührt, legt das Modell eine Seite an oder bearbeitet die vorhandene – ergänzt den neuen Punkt, schärft die Zusammenfassung, stützt oder hinterfragt, was dort stand. Laut Karpathy kann eine einzige Quelle 10 bis 15 Seiten betreffen. Wichtig ist, zu ergänzen statt neu zu schreiben: Wer bei jeder Quelle die ganze Seite neu erzeugt, verliert nach und nach Details.

3. Index und Logbuch nachführen

Zwei besondere Dateien halten ein wachsendes Wiki überschaubar. index.md ist ein Katalog aller Seiten mit je einer Zeile Zusammenfassung; das Modell liest ihn zuerst, wenn es eine Frage beantwortet. log.md ist ein fortlaufendes Protokoll von Einlesen, Fragen und Pflegedurchläufen, jeder Eintrag mit gleichem Präfix, damit er sich mit einfachen Werkzeugen durchsuchen lässt. Karpathy berichtet, dass der Index allein bis etwa hundert Quellen und einige hundert Seiten gut trägt – ganz ohne Vektorsuche.

4. Fragen stellen und gute Antworten zurückspielen

Du fragst das Wiki, nicht die Rohdateien. Das Modell sucht die passenden Seiten, liest sie und antwortet mit Belegen. Der Schritt, den viele auslassen: Eine gute Antwort – ein Vergleich, eine Analyse, ein entdeckter Zusammenhang – wird selbst zur Seite. So wächst das Wiki auch durch Fragen.

5. Das Wiki prüfen (Lint)

In Abständen prüft das Modell das Ganze: Widersprüche zwischen Seiten, Aussagen, die neuere Quellen überholt haben, verwaiste Seiten ohne Links, Begriffe, die überall vorkommen, aber keine eigene Seite haben, fehlende Querverweise. Diese Pflege sorgt dafür, dass man dem Wiki auch bei ein paar hundert Seiten noch trauen kann.

Der eigentliche Wert des Musters steckt in Schritt 2 und 5. Einlesen und Antworten sind leicht; hunderte Seiten stimmig, aktuell und belegt zu halten, ist die Arbeit, die niemand machen will – genau deshalb übernimmt sie das Modell.

LLM-Wiki, RAG oder Notiz-App: Was ist der Unterschied?

Alle drei halten fest, was du weißt. Sie unterscheiden sich darin, wer verdichtet – und wann.

LLM-WikiRAG (Chat über Dateien)Notiz-App
Wer schreibt das WissenDas Modell, aus deinen QuellenNiemand – Antworten entstehen pro FrageDu, von Hand
Wann verdichtet wirdEinmal, wenn eine Quelle kommtBei jeder Frage neuWenn du Zeit findest
Was du liestGepflegte SeitenEine Chat-AntwortDeine eigenen Notizen
Bezug zur QuelleBelege auf der Seite, Rohquelle bleibtGefundene Abschnitte, falls das Tool sie zeigtWas du hineinkopiert hast
Widersprüche zwischen QuellenBeim Einlesen oder Prüfen markiertFallen selten aufFallen auf, wenn du dich an beide erinnerst
Wird mit der Zeit besserJa – jede Quelle, jede gute Antwort zähltNein – der Bestand wächst, das Verständnis nichtSo schnell, wie du schreibst
HauptrisikoEin Fehler wird eingebaut und wiederholtFlache Antworten, übersehene ZusammenhängeDie Notizen veralten
Passt fürEin Fachgebiet, das du über Monate verfolgstGroße Dokumentbestände, einzelne NachschlagefragenEigene Gedanken und Entwürfe

Das ist kein Entweder-oder. Ein Wiki, das groß genug ist, braucht Suche, um seine eigenen Seiten zu finden, und eigene Schlussfolgerungen gehören weiter in deine Notizen. Die genaueren Abwägungen zwischen den ersten beiden stehen unter LLM-Wiki oder RAG.

Was ist schwierig, wenn man ein LLM-Wiki selbst baut?

Das erste Wochenende ist leicht: ein Ordner, eine Schema-Datei, zehn Artikel – und der Agent liefert überzeugende Seiten. Die Probleme kommen bei ein paar hundert Seiten und ein paar Monaten Nutzung. Hier die sechs häufigsten und wie Pith jeweils damit umgeht.

Belege, die auch nach der zehnten Überarbeitung stimmen

Eine Seite, die ein Modell zwanzigmal ergänzt hat, behält ihre Sätze, verliert aber gern den Faden, woher sie stammen. Markdown-Fußnoten brechen, wenn Absätze wandern, und ein Agent zitiert bereitwillig eine Quelle, die er nie gelesen hat.

In Pith: Jede Wiki-Seite trägt nummerierte Verweise auf die gespeicherten Quellen, auf denen sie beruht, und listet sie unter „Sources“ – mit Link zum Original und zu deiner gespeicherten Kopie; verschwindet das Original, bleibt der gespeicherte Text. Schreibt ein externer Agent über MCP eine Seite, prüft Pith vor dem Speichern, dass jeder Beleg auf eine Quelle zeigt, die wirklich in deinem Workspace gespeichert ist. Löschst du eine Quelle, verschwindet ihr Beleg aus allen Seiten, und die übrigen Nummern werden neu vergeben, damit kein Verweis auf die falsche Quelle zeigt. Für eigene Entwürfe gibt es zusätzlich die Zitat-Prüfung, die jede Aussage gegen deine gespeicherten Quellen einstuft: belegt, teilweise belegt, unbelegt oder falsch zitiert (49 ct je angefangene 10 Seiten).

Seiten aktuell halten, ohne sie neu zu schreiben

Jede Seite bei jeder neuen Quelle komplett neu zu erzeugen, ist teuer und schleift Details ab. Sie nie wieder anzufassen, lässt sie veralten.

In Pith: Bei jedem Speichern vergleicht der Wiki-Agent die neue Quelle mit den Seiten, die sie betrifft. Bringt sie nichts Neues, wird sie nur als weiterer Beleg angehängt; bringt sie etwas, wird die Seite ergänzt; ein Begriff ohne Seite bekommt eine neue. Danach verknüpft ein eigener Durchlauf verwandte Seiten. Eine tägliche Prüfung meldet Seiten ohne Quellen, verwaiste Seiten, Seiten, die seit 90 Tagen nicht aktualisiert wurden, und Beinahe-Dubletten – etwa denselben Begriff, einmal auf Deutsch und einmal auf Englisch angelegt.

Widersprüche zwischen Quellen

Zwei Analysten nennen unterschiedliche Zahlen für denselben Markt. Ein Modell, das beide „einarbeiten“ soll, mittelt sie gern zu einem selbstsicheren Satz – und der Widerspruch ist verschwunden.

In Pith: Echte Widersprüche zwischen belegten Quellen werden als Quellenkonflikte festgehalten. Eine Seite mit Konflikten zeigt einen kleinen Chip, der die Herkunftsspur mit beiden Passagen nebeneinander öffnet; die Konflikte sind Teil des Exports und für deinen KI-Assistenten lesbar.

Versionen und Rückgängig

Karpathys Antwort ist git – das passt, wenn man ohnehin im Terminal arbeitet. Ohne Versionierung überschreibt ein missglücktes Einlesen still eine gute Seite.

In Pith: Jede Änderung am Text einer Seite wird als Version festgehalten, egal wer sie geschrieben hat – der Wiki-Agent, du selbst oder ein externer Agent. Über deinen KI-Assistenten (MCP) kannst du Versionen auflisten, zwei vergleichen und eine ältere wiederherstellen; die Wiederherstellung ist selbst eine neue Version, es geht also nichts verloren.

Eine Seite mit jemandem teilen, der dein Setup nicht hat

Ein Ordner voller Markdown-Dateien auf dem Laptop lässt sich schwer einem Kunden oder einer Kollegin zeigen, ohne gleich alles zu verschicken.

In Pith: Eine Seite lässt sich als Link teilen – mit Ablaufdatum, optionalem Passwort und Abruf-Limit; alle Links verwaltest du an einer Stelle. Den ganzen Workspace kannst du jederzeit als ZIP mit einer JSON-Datei und Markdown-Fassungen exportieren.

Kosten, die sich vorhersagen lassen

Beim Selbstbau zahlst du deinen Modellanbieter pro Token, und ein Einlesen, das 10 bis 15 Seiten berührt, liest und schreibt viel Text. Das ist oft in Ordnung, nur schwer vorab abzuschätzen.

In Pith: Es gibt kein Abo. Eine Quelle mit KI-Aufbereitung zu speichern kostet 2 ct, eine Wiki-Seite, die Pith schreibt oder aktualisiert, 5 ct, eine Frage ans Wiki 2 ct. Lesen und Suchen im Wiki ist kostenlos, ebenso Lesen und Wiki-Schreiben durch deinen eigenen KI-Assistenten über MCP. Fehlgeschlagene Jobs kosten nichts. Aktuelle Preise stehen auf der Preisseite.

Was macht Pith als gehostetes LLM-Wiki?

Pith ist ein Lese-Gedächtnis: Du speicherst, was du liest, und ein KI-Agent schreibt und pflegt daraus ein Wiki – das Muster von oben, ohne Terminal. Konkret:

  • Was es liest: Links, die du in der App, mit der Browser-Erweiterung, am Handy oder per weitergeleitetem Newsletter speicherst; PDFs; Lesezeichen-Exporte aus anderen Tools; und RSS-Feeds, deren Einträge du aus der Inbox oder dem Morgenreport ins Wiki schickst.
  • Was es schreibt: Seiten zu Begriffen, Personen und Firmen in Markdown, jede mit nummerierten Belegen und Quellenliste, verknüpft mit verwandten Seiten. Code-Repositories, Video- und Social-Seiten sowie Tool- und Landingpages bleiben standardmäßig draußen; die Domain-Liste kannst du ändern.
  • Was es prüft: dass Belege auf gespeicherte Quellen zeigen, wo Quellen sich widersprechen, ob eine gespeicherte Quelle seit dem Lesen geändert wurde – und auf Wunsch, ob die Aussagen in deinem eigenen Entwurf durch deine Quellen gedeckt sind.
  • Wo du es nutzt: im Browser und aus Claude, ChatGPT, Cursor oder jedem anderen Client, der das Model Context Protocol spricht. Dein Assistent kann das Wiki durchsuchen und lesen, neue Quellen speichern und Seiten zurückschreiben.
  • Wo es läuft: gehostet in Deutschland (EU). Der Text deiner Quellen wird von OpenAI verarbeitet, um Zusammenfassungen und Seiten zu schreiben.

Ein echtes Pith-Wiki siehst du ohne Anmeldung in der Demo. Auch Piths Erklärseiten zur EU-Regulierung entstehen so: aus amtlichen Quellen, jede Aussage mit Verweis auf ihre Herkunft.

Wann solltest du Pith nicht nehmen?

Karpathys Selbstbau-Ansatz ist wirklich gut, und für manche ist er die bessere Wahl:

  • Du willst das Wiki als Dateien im eigenen Repository. Wenn reines Markdown in git, deine eigene Ordnerstruktur und deine eigene Schema-Datei der Punkt sind, nimm den Gist mit Claude Code oder Codex. Pith speichert Seiten in seiner eigenen Datenbank; du kannst sie exportieren, aber das Original liegt in Pith.
  • Du willst jeden Schritt selbst gestalten. Der Gist lädt ein, den Ablauf mit dem Agenten zu entwerfen – Seitenformate, Foliensätze, Diagramme, eigene Prüfregeln. Piths Ablauf ist fest und auf Arbeit mit viel Lesestoff abgestimmt.
  • Deine Quellen dürfen deinen Rechner nicht verlassen. Pith ist gehostet, Zusammenfassungen und Seiten schreiben OpenAI-Modelle. Wenn das ausscheidet, ist ein lokales Setup mit lokalem Modell richtig.
  • Deine Quellen sind Chat-Verläufe und Meeting-Protokolle. Pith liest Artikel, PDFs, Newsletter und Feeds. Ein Team-Wiki aus Slack ist nicht, wofür es gebaut ist.
  • Du lebst in Obsidians Graph-Ansicht. Wenn du dein Wiki genau so durchstöbern willst, behalte die Dateien lokal. (Der ausführliche Vergleich: Pith vs Obsidian.)

Das schließt sich nicht aus. Pith stellt sein Wiki über MCP bereit; ein Agent, der Karpathys Muster in deinem Terminal ausführt, kann belegte Seiten und gespeicherte Quellen aus Pith als einen seiner Eingänge nutzen – und Pith übernimmt den Teil, der im Eigenbetrieb mühsam ist: Erfassen von überall, Belege, die Überarbeitungen überstehen, Versionen und Konflikte.

Wie fängst du mit einem LLM-Wiki an?

Nimm den Weg, der zu deiner Arbeitsweise passt:

  • Ohne Code: Bei Pith registrieren, zehn Artikel zu einem Thema speichern, das Wiki öffnen. Die Schritt-für-Schritt-Anleitung samt Verbindung zu Claude über MCP: Karpathys LLM-Wiki ohne Code.
  • Mit eigenem Agenten: den Gist lesen, einen Ordner mit raw/ und wiki/ anlegen, eine kurze Schema-Datei schreiben und eine Quelle nach der anderen einlesen. git von Anfang an dazunehmen.
  • Unsicher, ob du überhaupt ein Wiki brauchst? Die Entscheidungshilfe LLM-Wiki oder RAG hilft bei der Wahl.

In jedem Fall: eng anfangen. Ein Fachgebiet, das du wirklich verfolgst, Quellen, denen du traust, und die Gewohnheit, zu lesen, was das Modell geschrieben hat. Ein Wiki aus fünfzig guten Quellen ist mehr wert als eines aus fünfhundert überflogenen.

Häufige Fragen

Was ist ein LLM-Wiki?

Ein LLM-Wiki ist eine Sammlung verlinkter Markdown-Seiten, die ein Sprachmodell aus den Quellen schreibt und pflegt, die du sammelst. Statt bei jeder Frage Rohdokumente zu durchsuchen, arbeitet das Modell jede neue Quelle einmal in bestehende Seiten ein – das Wissen wächst und bleibt auf seine Quellen rückführbar.

Was ist Karpathys LLM-Wiki?

Eine „Ideen-Datei“, die Andrej Karpathy am 4. April 2026 als GitHub-Gist veröffentlicht hat. Sie beschreibt drei Ebenen (unveränderte Rohquellen, ein vom Modell geschriebenes Markdown-Wiki, eine Schema-Datei wie CLAUDE.md), drei Abläufe (Einlesen, Fragen, Prüfen) und zwei Hilfsdateien (index.md und log.md) – gedacht zum Einfügen in einen Coding-Agenten wie Claude Code oder Codex.

Ist ein LLM-Wiki besser als RAG?

Für ein Fachgebiet, das du über Monate verfolgst, meist ja: Die Verdichtung passiert einmal und wird mit jeder Quelle besser. Für große, schnell wechselnde Dokumentbestände oder einzelne Nachschlagefragen ist RAG einfacher. Viele Setups kombinieren beides – mehr dazu in der Entscheidungshilfe LLM-Wiki oder RAG.

Brauche ich Obsidian für ein LLM-Wiki?

Nein. Karpathy nutzt Obsidian zum Ansehen der Markdown-Dateien, aber jeder Editor geht, und gehostete Tools wie Pith zeigen das Wiki im Browser. Obsidian hilft vor allem mit Graph-Ansicht und Plugins.

Kann ich ein LLM-Wiki ohne Programmieren aufbauen?

Ja. Mit Pith speicherst du Links oder PDFs, und die Wiki-Seiten entstehen mit Belegen; danach kannst du über MCP aus Claude oder ChatGPT Fragen stellen. Die Anleitung „Karpathys LLM-Wiki ohne Code“ führt Schritt für Schritt durch.

Wie hält Pith die Belege korrekt?

Jede Seite listet ihre nummerierten Quellen, und Seiten von externen Agenten werden nur gespeichert, wenn ihre Belege auf Quellen in deinem Workspace zeigen. Löschst du eine Quelle, verschwindet ihr Beleg überall und die übrigen werden neu nummeriert. Quellenkonflikte werden markiert, und eine eigene Zitat-Prüfung stuft die Aussagen deiner Entwürfe gegen deine gespeicherten Quellen ein.

Was kostet ein LLM-Wiki mit Pith?

Es gibt kein Abo. Du zahlst pro KI-Aktion aus einem Prepaid-Guthaben – wenige Cent pro gespeicherter Quelle und pro Wiki-Seite –, während Lesen, Suchen und der Zugriff deines eigenen KI-Assistenten über MCP kostenlos sind. Die aktuelle Preisliste steht auf der Preisseite von Pith.

Verlassen meine Daten mit Pith die EU?

Pith ist in Deutschland gehostet, der Text deiner Quellen wird aber von OpenAI verarbeitet, um Zusammenfassungen und Wiki-Seiten zu schreiben – es ist also kein reiner EU-Betrieb. Müssen deine Quellen auf deinem eigenen Rechner bleiben, passt ein lokales Setup mit lokalem Modell besser.

Weiterlesen

Verwandte Begriffe

Ein gehostetes LLM-Wiki ausprobieren

Speichere, was du liest; Pith schreibt das belegte Wiki. Kein Abo, keine Kreditkarte zum Start.