LLM-Wiki
Ein LLM-Wiki ist eine Sammlung verlinkter Seiten, die ein großes Sprachmodell aus einem Bestand an Quelldokumenten schreibt und aktuell hält — so wird Wissen einmal aufbereitet und mit der Zeit verfeinert, statt für jede Frage neu aus den Rohdateien hergeleitet zu werden.
Woher kommt die Idee des LLM-Wikis?
Bekannt wurde der Begriff, nachdem Andrej Karpathy im April 2026 die Datei llm-wiki.md als GitHub-Gist veröffentlicht hatte — eine „Ideen-Datei“, die man einem Coding-Agenten wie Claude Code oder OpenAI Codex gibt, der die Einzelheiten dann gemeinsam mit einem ausarbeitet. Sein Ausgangspunkt ist eine Kritik an der üblichen Arbeit mit Sprachmodellen und Dokumenten: Dateien hochladen, zur Fragezeit passende Abschnitte heraussuchen, eine Antwort erzeugen. So entdecke das Modell das Wissen bei jeder Frage von vorn, schreibt Karpathy — „There's no accumulation“, es sammelt sich nichts an.
Seine Alternative: Das Modell baut schrittweise ein Wiki auf und pflegt es. Du bestimmst weiterhin, welche Quellen hineinkommen und welche Fragen gestellt werden; das Modell übernimmt Zusammenfassen, Querverweisen und Ablegen. Das Wiki wird so zu einem dauerhaften Bestand, der mit jeder Quelle an Wert gewinnt — im Gist „a persistent, compounding artifact“. Eine ausführlichere Einführung in das Muster gibt unser Leitfaden zum LLM-Wiki.
Wie funktioniert ein LLM-Wiki?
Karpathys Fassung hat drei Schichten:
- Rohquellen — die Artikel, Papers und anderen Dokumente, die du sammelst. Sie werden nie verändert; sie sind die Belege.
- Das Wiki — Markdown-Seiten, die das Modell schreibt: Zusammenfassungen, Seiten zu Entitäten und Begriffen und die Links dazwischen.
- Das Schema — ein Konfigurationsdokument (etwa eine CLAUDE.md-Datei), das dem Agenten sagt, wie das Wiki aufgebaut ist und welchen Abläufen er folgt.
Darauf setzen drei Arbeitsschritte auf:
- Einlesen (Ingest): Kommt eine neue Quelle hinzu, liest das Modell sie, zieht das Wesentliche heraus, aktualisiert die betroffenen Seiten und pflegt die Querverweise.
- Abfragen (Query): Du stellst eine Frage; das Modell durchsucht das Wiki und antwortet mit Quellenangaben. Eine brauchbare Antwort kann als neue Seite ins Wiki zurückwandern.
- Prüfen (Lint): In regelmäßigen Abständen untersucht das Modell das Wiki auf Widersprüche zwischen Seiten, auf Aussagen, die neuere Quellen überholt haben, auf verwaiste Seiten und fehlende Links.
Was unterscheidet ein LLM-Wiki von RAG?
Retrieval-Augmented Generation arbeitet zur Fragezeit: Für jede Antwort werden passende Abschnitte aus den Rohdokumenten gesucht und dem Modell übergeben. Zwischen zwei Fragen bleibt nichts erhalten. Dieselbe Synthese wird also immer wieder neu geleistet, und Widersprüche zwischen Quellen werden jedes Mal neu entdeckt — oder übersehen.
Ein LLM-Wiki verlegt die Synthese auf den Moment des Einlesens. Jede Quelle wird einmal gelesen und in dauerhafte Seiten eingearbeitet; spätere Fragen setzen bei einem geordneten, bereits abgeglichenen Wissensbestand an. In der Praxis ergänzen sich beide Ansätze: Auch ein gut gebautes LLM-Wiki nutzt Retrieval, um die richtigen Seiten zu finden, und gute Antworten verweisen weiterhin auf die zugrunde liegenden Quellen statt auf den Fließtext des Wikis.
Wie baut man heute ein LLM-Wiki?
Das Muster, das Karpathy beschreibt, ist Eigenbau: ein Ordner mit Markdown-Dateien, ein Coding-Agent mit Dateizugriff und eine Schema-Datei. Er erzählt, dass er auf der einen Bildschirmseite mit dem Agenten arbeitet und auf der anderen Obsidian offen hat — mit dessen Web Clipper sammelt er Quellen, in der Graph-Ansicht sieht er die Gestalt des Wikis, dazu kommen optionale Werkzeuge wie das Dataview-Plugin und eine lokale Suchmaschine. Seitdem haben viele Leserinnen und Leser eigene Varianten gebaut: für Forschung, für Team-Dokumentation, für die persönliche Lektüre.
Der Eigenbau ist ein sehr guter Weg, das Muster wirklich zu verstehen. Wer technisch versiert ist und einen überschaubaren, stabilen Quellenbestand hat, braucht womöglich auch nicht mehr. Die Open-Source-Umsetzungen auf GitHub und die Obsidian-Plugins, die aus dem Gist entstanden sind, vergleicht Karpathys LLM-Wiki: der Gist und die Open-Source-Projekte.
Wo stößt ein selbst gebautes LLM-Wiki an Grenzen?
Die schwierigen Stellen zeigen sich meist erst nach den ersten Wochen:
- Mühsames Erfassen. Jede Quelle muss als sauberer Text im richtigen Ordner landen. PDFs, Seiten hinter einer Paywall und Newsletter bedeuten Zusatzarbeit.
- Wandernde Belege. Wenn das Modell Seiten zusammenführt und umschreibt, können Aussagen die Verbindung zu ihrer Quelle verlieren — oder einen Beleg behalten, den die Quelle gar nicht hergibt. Ohne Kontrolle sammelt ein LLM-Wiki so unbemerkt Halluzinationen an.
- Das Prüfen ist der schwere Teil. Widersprüche und überholte Aussagen über Hunderte Seiten hinweg aufzuspüren, ist teuer und lässt sich bequem verschieben — oft so lange, bis es nie passiert.
- Ein Rechner, eine Person. Ein Ordner auf dem Laptop lässt sich schlecht mit Kolleginnen und Kollegen teilen, vom Handy aus erreichen oder an mehrere KI-Tools zugleich anbinden.
- Kosten und Aufmerksamkeit. Jeder Einlese- und Prüflauf kostet Tokens und braucht jemanden, der ihn anstößt.
Wie setzt Pith das LLM-Wiki-Muster um?
Pith ist ein gehostetes LLM-Wiki, das aus deiner Lektüre entsteht. Die Zuordnung ist direkt:
- Rohquellen sind das, was du speicherst — Webseiten, PDFs und Newsletter, mit einem Handgriff über die Browser-Erweiterung oder das Handy erfasst, mit vollem Text.
- Einlesen: Nach jedem Speichern schreibt oder aktualisiert Pith die passenden Seiten im Wiki mit Quellenangaben, mit nummerierten Belegen im Text. Lieber dein eigenes Modell? Im BYO-Agent-Modus schreiben Claude, ChatGPT oder Cursor die Seiten stattdessen über MCP.
- Abfragen: Suche, ein Chat, der Fragen zu deinen Bookmarks und deinem Wiki beantwortet, und MCP-Werkzeuge, die dein Assistent aufrufen kann.
- Prüfen: Eine nächtliche Prüfung listet wahrscheinliche Duplikate, Seiten ohne Bezug zu deinen gespeicherten Quellen und Seiten, die seit 90 Tagen niemand angefasst hat. Widersprechen sich Quellen, markiert die Seite den Konflikt und zeigt beide Seiten.
Jede Seite hat eine Versionsgeschichte, aus der dein Assistent frühere Stände wiederherstellen kann, und der ganze Workspace lässt sich als Markdown plus JSON exportieren. Eigenbau oder gehostete Lösung? Die Abwägung steht in Pith vs. Obsidian.
Häufige Fragen
Wer hat den Begriff LLM-Wiki geprägt?
Populär gemacht hat das Muster Andrej Karpathy mit seinem Gist llm-wiki.md vom April 2026. Er beschreibt darin einen KI-Agenten, der aus Rohquellen ein Wiki aufbaut und pflegt — über die drei Schritte Einlesen, Abfragen und Prüfen (Ingest, Query, Lint).
Ist ein LLM-Wiki besser als RAG?
Es löst ein anderes Problem. Für einzelne Fragen an einen Dokumentenbestand reicht RAG. Ein LLM-Wiki lohnt sich, wenn laufend neue Quellen zu denselben Themen dazukommen und sich die Synthese ansammeln soll — mit sichtbaren Widersprüchen, statt sie bei jeder Frage neu herzuleiten. Die meisten echten Systeme nutzen beides.
Brauche ich Obsidian für ein LLM-Wiki?
Nein. Karpathy nutzt Obsidian als Ansicht für die Markdown-Dateien, aber das Muster braucht nur Quellen, Seiten und einen Agenten, der sie bearbeiten kann. Gehostete Tools wie Pith fahren denselben Kreislauf ohne lokalen Ordner.
Wie verhindert man, dass ein LLM-Wiki halluziniert?
Rohquellen unverändert lassen, für jede Aussage einen Beleg verlangen, Belege beim Zusammenführen von Seiten prüfen und regelmäßig nach Widersprüchen und veralteten Aussagen suchen. Einem Wiki, das seine Quellen nicht nennen kann, sollte man nicht trauen.
Kann mein eigener KI-Assistent das Wiki pflegen?
Im Eigenbau ist genau das die Idee. In Pith hast du die Wahl: Pith schreibt die Seiten (verwalteter Modus), oder dein eigener Agent schreibt sie über MCP (BYO-Agent-Modus). Lesen und Wiki-Schreiben über MCP kosten dabei nichts.
Siehe auch
Zuletzt geprüft: · Lizenziert CC BY 4.0 · frei zitierbar unter Namensnennung von Pith.