LLM Wiki erklärt: Karpathys Idee und was sie für Unternehmen bedeutet
Ein LLM Wiki ist eine Sammlung verknüpfter Markdown-Seiten, die ein Sprachmodell aus Ihren Quellen schreibt und laufend aktuell hält. Der KI-Forscher Andrej Karpathy hat dieses Muster im April 2026 auf GitHub beschrieben. Das Modell durchsucht dann nicht bei jeder Frage die Rohdokumente neu, sondern liest in einem Wiki nach, das es selbst gepflegt hat.
Dieser Ratgeber erklärt die Idee in einfachen Worten, vergleicht sie mit RAG und beantwortet die Frage, die in den meisten Beiträgen fehlt: Was ändert sich, wenn nicht eine Person, sondern ein Team mit einem LLM Wiki arbeitet?
Karpathys Idee in einfachen Worten
Die meisten KI-Werkzeuge, die mit Ihren Dokumenten arbeiten, fangen bei jeder Frage von vorn an. Sie suchen passende Textstücke heraus und formulieren daraus eine Antwort. Das Wissen aus der letzten Frage ist danach weg.
Karpathy dreht das um. Das Modell liest eine neue Quelle einmal gründlich und schreibt auf, was darin steht. Es legt Seiten an, ergänzt bestehende Seiten und verknüpft sie. Beim nächsten Mal liest es das fertige Wiki. Das Wissen wird einmal aufbereitet und danach aktuell gehalten, statt bei jeder Anfrage neu hergeleitet zu werden.
Die drei Schichten
Das Muster besteht aus drei Teilen, die Sie sich als drei Ordner vorstellen können.
- 01
Rohquellen.
Mails, Protokolle, PDFs, Artikel, Notizen. Sie bleiben unverändert liegen. Das Modell liest sie, schreibt aber nie hinein.
- 02
Das Wiki.
Markdown-Dateien, die das Modell schreibt und pflegt: Zusammenfassungen, Seiten zu Themen, Personen, Projekten, dazu ein Inhaltsverzeichnis und ein Protokoll, was wann geändert wurde. Sie lesen mit, Sie schreiben kaum selbst.
- 03
Die Regeldatei.
Eine Textdatei, die dem Modell sagt, wie das Wiki aufgebaut ist, wie Seiten heißen und was bei einer neuen Quelle zu tun ist. Karpathy nennt als Beispiele
CLAUDE.mdfür Claude Code undAGENTS.mdfür Codex. Das Muster ist an kein bestimmtes Sprachmodell gebunden. Sie ist der Teil, an dem Sie am meisten feilen.
Die drei Handgriffe
Im Alltag passieren nur drei Dinge:
Einlesen.
Sie legen eine neue Quelle ab und lassen das Modell sie verarbeiten. Eine einzelne Quelle berührt dabei laut Karpathy oft 10 bis 15 Wiki-Seiten.
Fragen.
Sie stellen eine Frage, das Modell antwortet aus dem Wiki und verweist auf die Seiten. Eine gute Antwort kann es als neue Seite ablegen.
Prüfen.
In regelmäßigen Läufen sucht das Modell nach Widersprüchen, veralteten Aussagen und Seiten, die auf nichts mehr verweisen.
Weil alles aus einfachen Textdateien besteht, können Sie jede Seite öffnen, lesen und korrigieren. Liegt der Ordner in einem Git-Repository, sehen Sie außerdem, wer wann was geändert hat.
LLM Wiki und RAG im Vergleich
RAG steht für Retrieval Augmented Generation. Das Modell sucht bei jeder Frage passende Textstücke in Ihren Dokumenten und antwortet daraus. Beide Ansätze lösen dasselbe Problem, Wissen für ein Sprachmodell nutzbar zu machen. Sie setzen an verschiedenen Stellen an.
Wann wird das Wissen aufbereitet?
einmal beim Einlesen, danach fortgeschrieben
Wo liegt das aufbereitete Wissen?
in Markdown-Dateien, die Sie lesen können
Wie nachvollziehbar ist eine Antwort?
über Wiki-Seiten und deren Verlauf in Git
Was braucht der Betrieb?
Regeldatei und regelmäßige Prüfläufe
Wo liegt die Stärke?
Wissen, das wächst und zusammenhängt
Beide haben Grenzen. Bei sehr großen Dokumentmengen bleibt die Suche über einen Index sinnvoll. Karpathy selbst schreibt, dass ein einfaches Inhaltsverzeichnis bis etwa 100 Quellen und einige hundert Seiten reicht. Darüber braucht auch das Wiki eine Suche. Ein Wiki hat eine eigene Schwäche: Macht das Modell beim Einlesen einen Fehler, steht der Fehler danach auf einer Seite und wird bei späteren Fragen weitergetragen. Deshalb gehören die Prüfläufe und ein Mensch, der Stichproben liest, fest dazu. In der Praxis werden beide Ansätze auch kombiniert.
Was passiert, wenn ein Team damit arbeitet
Karpathy beschreibt das Muster vor allem für persönliche Wissenssammlungen. Den Einsatz im Team nennt er als Beispiel: ein internes Wiki aus Chatverläufen, Besprechungsprotokollen und Projektdokumenten, bei dem Menschen die Änderungen prüfen. Eine Frage behandelt er nicht, und sie ist mit Technik allein nicht gelöst: Wer darf was lesen?
Das Problem steckt im Mechanismus selbst. Das Modell fasst Quellen zusammen. Steht in einer vertraulichen Quelle etwas zu einem Projekt, kann diese Information in einer Wiki-Seite landen, die das ganze Team liest. Niemand hat das beschlossen, es ist ein Nebeneffekt des Zusammenfassens. Ein Wiki, das alles mit allem verknüpft, hebt damit Zugriffsgrenzen auf, die in Ihren Ordnern und Systemen vorher galten.
Hier liegt die Kernthese, mit der wir bei AllBytes arbeiten: Es ist eine Berechtigungsfrage, keine Suchfrage. Das Finden übernimmt die KI, auch bei Material, das nie jemand sauber einsortiert hat. Offen bleibt, wer welche Information bekommen darf. Daraus folgt für ein Team:
Geteilte und private Bereiche.
Jede Person hat einen eigenen Bereich für Entwürfe und Persönliches. Daneben gibt es eine gemeinsame Ablage für das, was alle brauchen. Ein rein privates Wiki trägt nicht, sobald mehrere Menschen damit arbeiten.
Rechte an der Quelle.
Wer eine Quelle lesen darf, entscheidet sich beim Ablegen. Die KI schreibt Seiten für einen Bereich nur aus Quellen, die zu diesem Bereich gehören.
Rechte im Git-Repository.
Liegt das Wiki in Git, regeln Sie Lesen und Schreiben über die Rechte des Repositorys. Jede Änderung der KI bleibt als Commit sichtbar und lässt sich zurücknehmen.
Klare Regeln für die KI.
Die Regeldatei legt fest, welche Bereiche das Modell lesen und beschreiben darf und was es nie in gemeinsame Seiten übernimmt.
Bei Verwaltungen und Betrieben mit sensiblen Daten kommt der Datenschutz hinzu. Welches Modell ein Teil des Wikis sehen darf, gehört in dieselbe Rechtefrage. Mehr dazu steht in unserem Beitrag zu DSGVO-konformer KI.
Second Brain und LLM Wiki: wie beides zusammenpasst
Bei AllBytes läuft das Second Brain seit Ende April 2026 täglich. Es folgt nicht dem LLM Wiki, sondern dem Second-Brain-Ansatz von Tiago Forte. Die Ordner sind nach seiner PARA-Methode aufgebaut: Projekte, Bereiche, Ressourcen, Archiv. Forte ordnet nach Handlungsbezug, also danach, wofür man etwas gerade braucht, und nicht nach Themen.
Diese Struktur ist für Menschen gemacht. Die KI bräuchte sie nicht, sie findet ihre Themen auch ohne. Beim LLM Wiki ordnet die KI das Wissen für sich selbst, nach Themen, Personen und Quellen. Wir halten trotzdem an PARA fest. Zusammen mit Obsidian führt die Struktur dazu, dass unser Team öfter hineinschaut, liest, was drinsteht, und es verbessert.
Beides schließt sich nicht aus. Ein LLM Wiki lässt sich als Baustein in ein Second Brain einbauen. Ein Beispiel: Aus umfangreichen technischen Beschreibungen legt die KI nach dem LLM-Wiki-Prinzip eine Ressource an und hält sie aktuell. Im Second Brain steht diese Ressource dann neben Projekten und Bereichen zur Verfügung.
Mit Rohquellen gehen wir je nach Fall um. Manche arbeiten wir ein, andere bleiben liegen, und die Notiz verweist darauf. Jede Änderung liegt in Git: Seit Ende April sind es über 1.450 Commits, bei 1.246 Notizen (Stand 19. Oktober 2026). Die ganze Firma arbeitet damit, auf den drei Ebenen privat, Firma und Projekt. Bei einem Schulungsanbieter sind wir mitten im Aufbau, bei weiteren Kunden ebenfalls. Was ein Second Brain ausmacht und wie es aufgebaut ist, erklärt unser Leitfaden zum Second Brain.
Erste Schritte
Für einen ersten Versuch brauchen Sie weder ein Projekt noch ein Budget.
- 1
Ein Thema wählen.
Nehmen Sie einen Bereich, in dem das Wissen verstreut liegt, etwa ein Produkt, ein Kundentyp oder ein Prozess.
- 2
Drei Ordner anlegen.
Quellen, Wiki, Regeln. Legen Sie zehn bis zwanzig Quellen zu diesem Thema in den Quellenordner.
- 3
Die Regeldatei schreiben.
Zwei Absätze genügen: Worum geht es im Wiki, wie heißen Seiten, was passiert bei einer neuen Quelle.
- 4
Eine Quelle einlesen lassen und das Ergebnis lesen.
Kontrollieren Sie, ob die Seiten stimmen. Passen Sie die Regeldatei an, bevor Sie die nächste Quelle verarbeiten.
- 5
Fragen stellen und einen Prüflauf starten.
Beides zeigt, wo das Wiki Lücken hat.
Als Werkzeuge reichen ein Sprachmodell mit Zugriff auf Dateien, zum Beispiel Claude Code oder Codex (mehr zu KI-Agenten im Unternehmen), und ein Markdown-Editor wie Obsidian zum Mitlesen. Wie Sie dafür einen Vault aufbauen, zeigt unser Ratgeber Obsidian mit KI. Für ein Team kommt die Rechtefrage aus dem Abschnitt oben vor dem ersten Einlesen. Nachträglich lässt sie sich nur mit viel Aufwand klären.
Wie sich Firmenwissen mit einem Second Brain bündeln lässt, beschreiben wir in einem eigenen Beitrag.
Häufige Fragen zum LLM Wiki
Was ist ein LLM Wiki?
Ein LLM Wiki ist eine Sammlung verknüpfter Markdown-Seiten, die ein Sprachmodell aus Quellen schreibt und aktuell hält. Das Modell liest später das Wiki statt jedes Mal die Rohdokumente.
Von wem stammt die Idee?
Von Andrej Karpathy, der das Muster im April 2026 als Beschreibung auf GitHub veröffentlicht hat. Die Umsetzung hängt am Werkzeug, das Prinzip nicht.
Ist ein LLM Wiki dasselbe wie ein Second Brain?
Es ist ein Baustein davon. Ein Second Brain ist das gesamte gemeinsame Wissen eines Menschen oder Teams, mit Struktur, Regeln und Betrieb. Beim Second Brain nach Tiago Forte ist die Struktur für Menschen gemacht. Im LLM Wiki ordnet und pflegt die KI das Wissen selbst. Eine so gepflegte Ressource lässt sich wiederum im Second Brain nutzen.
Ersetzt ein LLM Wiki RAG?
Nicht in jedem Fall. Bei sehr vielen, sich oft ändernden Dokumenten bleibt die Suche über einen Index sinnvoll. Ein Wiki lohnt sich dort, wo Wissen wächst und zusammenhängt. Beide Ansätze lassen sich kombinieren.
Können mehrere Personen mit einem LLM Wiki arbeiten?
Ja, wenn vorher geklärt ist, wer was lesen und schreiben darf. Dafür braucht es geteilte und private Bereiche und Rechte, am besten über ein Git-Repository.
Wie fange ich an?
Mit einem Thema, einem Ordner mit zehn bis zwanzig Quellen und einer kurzen Regeldatei. Der Abschnitt „Erste Schritte“ oben beschreibt die fünf Schritte.
Ihr Wissen als LLM Wiki aufbauen
Wenn Sie das Muster in Ihrem Unternehmen einsetzen möchten, richten wir gemeinsam mit Ihnen den Aufbau ein, mit geteilten und privaten Bereichen, Rechten und Schulung. Alles zum Angebot steht auf der Seite Second Brain für Unternehmen.
Mehr zum Second Brain
Technologie ist unser Werkzeug.
Empathie ist unser Antrieb.
Hinter jedem erfolgreichen KI-Projekt stehen Menschen, die verstehen, worum es wirklich geht: Ihr Geschäft. Ihre Vision. Ihr Team.
Bei uns sprechen Sie direkt mit den Machern – persönlich, nicht nur über Ticketnummern. Lassen Sie uns gemeinsam herausfinden, ob wir zueinander passen.
