KI-Wissensdatenbank wie bei Karpathy erstellen – ganz ohne Programmierung

FOMO-geplagt? Karpathy hat dich mal wieder drangekriegt

Letzte Woche twitterte Andrej Karpathy, dass er seine KI-Token nicht mehr massenhaft für das Schreiben von Code ausgibt, sondern für den Aufbau einer persönlichen Wissensdatenbank. Dieser Tweet erreichte 17 Millionen Aufrufe und verbreitete sich wie ein Lauffeuer in der chinesischen und englischsprachigen KI-Szene.

Der Großmeister hat mal wieder eine ordentliche Portion FOMO (Fear of Missing Out) ausgelöst, und plötzlich will es jeder ausprobieren.

Doch wer es wirklich versucht, merkt schnell: Die Methode klingt theoretisch extrem stark, stößt aber in der praktischen Umsetzung auf massive Probleme.

Problem 1: Hohe Hürden bei der Einrichtung

Karpathys Ansatz für eine LLM-gestützte Wissensdatenbank sieht so aus: Man füttert das LLM mit Rohmaterial – ohne RAG, ohne Vektordatenbank. Das LLM „kompiliert“ alles hart in eine Markdown-Wissensdatenbank inklusive Zusammenfassungen, Backlinks und einem Konzept-Index.

Sein Tweet war kaum 600 Wörter lang. Ehrlich gesagt: Für jemanden, der programmieren kann, ist dieser Prozess nicht kompliziert.

Aber Karpathy ist ein Ausnahme-Ingenieur. Seine flüchtigen Notizen wirken simpel, verbergen aber eine Menge „implizites Wissen“. Nicht ohne Grund folgten auf seinen Tweet unzählige Step-by-Step-Anleitungen.

Schaut man sich diese Tutorials jedoch an, stellt man fest: Sie sind alle von Ingenieuren für Ingenieure geschrieben. Zwar sind sie detailliert – wie man eine dreistufige Ordnerstruktur (raw/, wiki/, outputs/) anlegt, wie man Claude Code im Terminal konfiguriert, wie man den System Prompt schreibt, damit das LLM Markdown im richtigen Format ausgibt …

Doch Ingenieure sind die Minderheit. Die überwiegende Mehrheit der Wissensarbeiter steht vor diesen Tutorials wie vor einer Wand. Das erklärt auch, warum die FOMO so groß ist.

Blogger, Marketer, Studenten, Lehrer oder Investoren – sie alle betreiben täglich „Informationen sammeln → Informationen verstehen → Inhalte produzieren“. Sie brauchen ein KI-Wissenssystem vielleicht sogar dringender als Ingenieure. Aber von ihnen zu verlangen, Terminal-Umgebungen einzurichten, Markdown zu schreiben und Prompts zu tunen?

Völlig unrealistisch.

Die meisten Menschen, die nicht programmieren können, müssen erst einmal ihre Berührungsängste mit dem Terminal und der Kommandozeile überwinden.

Werkzeuge sollten dem Nutzer dienen, nicht umgekehrt.

Problem 2: Die „Wissensdatenbank“ ist eine Sackgasse

Karpathy nutzt LLMs, um die Kosten für die „Informationsaufbereitung“ drastisch zu senken. Früher mussten wir Zusammenfassungen selbst schreiben, Tags setzen und Links manuell erstellen. Jetzt erledigt das die KI. Der Weg zum „Zweiten Gehirn“ (Second Brain) ist damit einen Schritt weiter.

Doch das Ziel bleibt gleich: Diese Wissensdatenbank kann man nur „lesen“.

Wenn es nur um Forschung und Lernen geht, reicht eine „automatisch perfekt organisierte Wissensdatenbank“ völlig aus.

Aber der Kern eines Wissensarbeiters ist der eines Schreibenden, und der Kern eines Schreibenden ist der eines Schöpfers. Die eigentliche Arbeit besteht nicht darin, Wissen zu sammeln, sondern mit Wissen Inhalte zu erschaffen.

Alles Lernen und Forschen im Arbeitsalltag dient letztlich dem Output. Das bedeutet: Ein schönes Wiki allein hilft uns nicht dabei, die eigentliche Arbeit zu erledigen.

Das Konzept der Wissensdatenbank ist oft eine glanzvolle Sackgasse. Man erhält die kurzfristige Befriedigung des „Was du siehst, ist was du hast“, erntet aber nicht die realen Früchte von „Output und Lieferung“.

In diesem Sinne ist eine reine Wissensdatenbank oft „Produktivitäts-Porno“ – sie simuliert perfekt das Glücksgefühl des Erwerbs, liefert aber keine produktiven Ergebnisse.

Lass mich den Unterschied an einem realen Szenario verdeutlichen.

Nehmen wir Karpathys Tweet als Beispiel. Angenommen, du arbeitest im Marketing eines KI-Unternehmens. Du siehst seinen Post und willst auf den Hype-Zug aufspringen, um eine Content-Serie zu diesem Thema zu erstellen.

Nach Karpathys Methode müsstest du folgende Schritte durchlaufen:

1. Seinen Tweet, Idea-Files und relevante Kommentare per Skript scrapen und im Ordner raw/ speichern.
1. Node.js installieren, Claude Code im Terminal einrichten, Befehlsdateien schreiben, damit Claude Code das Material in Wiki-Artikel kompiliert.
1. Obsidian oder einen anderen Markdown-Editor herunterladen, um die strukturierte Wissensdatenbank zum Thema „LLM Knowledge Base“ überhaupt betrachten zu können.
1. Dann öffnest du ein leeres Dokument und fängst an, selbst zu schreiben.

Nick Spisak demonstriert den Aufbau einer LLM-Wissensdatenbank

Abgesehen von Schritt 4: Allein für die ersten drei Schritte musst du das Terminal beherrschen, Node.js installieren, API-Keys konfigurieren, Prompts schreiben, Obsidian laden … Die meisten Leute geben schon bei der Toolchain auf, bevor sie überhaupt angefangen haben.

Und selbst wenn du alles zum Laufen bringst, stehst du bei Schritt 4 wieder am Anfang. Die Wissensdatenbank hat dir geholfen, die Sache zu verstehen, aber das Schreiben, die Grafiken, die Veröffentlichung … das musst du alles wieder bei Null anfangen.

Gibt es also eine Methode, die beide Probleme gleichzeitig löst und ganz einfach ein ergebnisorientiertes „Zweites Gehirn“ aufbaut?

Ja. Der Artikel, den du gerade liest, ist genau so entstanden. Ich habe dafür nur ein einziges Tool benutzt: YouMind. Hier sind die konkreten Schritte:

Wie geht das konkret?

Schritt 1: Materialien sammeln

Öffne YouMind im Browser, erstelle ein neues Board (stell es dir wie einen Projektraum vor) und speichere alle relevanten Materialien darin:

• Web-Artikel: Link einfügen, der Volltext wird automatisch erfasst.
• YouTube-Videos: Link einfügen, Untertitel und Inhalt werden automatisch abgerufen.
• PDF-Paper: Direkt hochladen.
• Podcasts: Link einfügen, Audio wird automatisch analysiert.
• Eigene Gedanken: Einfach als Notiz dazuschreiben.

Das ist Karpathys raw/-Ordner, aber ohne manuelles Herunterladen und ohne Dateisystem-Akrobatik.

Schritt 2: KI-Verständnis und Dialog

Sobald die Materialien gespeichert sind, kannst du direkt im Board mit der KI chatten. Der Kontext der KI besteht aus den von dir kuratierten Primärquellen zum Thema, nicht aus vagen Internet-Informationen.

Du kannst fragen:

• „Was sind die Gemeinsamkeiten und Unterschiede der Kernpunkte dieser Artikel?“
• „Wo liegt der wesentliche Unterschied zwischen Karpathys Methode und Tiago Fortes PARA-Methodik?“
• „Schlage mir basierend auf diesem Material drei spannende Blickwinkel für einen Artikel vor.“

Dies entspricht Karpathys Wiki-Kompilierung. Der Unterschied: Du musst nicht warten, bis das LLM ein komplettes Wiki generiert, sondern steuerst das Verständnis aktiv durch den Dialog.

Schritt 3: Vom Verstehen zum Erschaffen

Dies ist der entscheidende Wendepunkt. Karpathys Workflow endet beim vorherigen Schritt. In YouMind kannst du der KI direkt in natürlicher Sprache befehlen, vom Verstehen in die Kreation überzugehen:

• Erstelle basierend auf dem Material und dem Dialog einen strukturierten Blog-Entwurf.
• Extrahiere aus dem Verständnis kurze Inhalte, die sich für Twitter eignen.
• Verwandle die Kernargumente in eine visuelle Infografik.
• Erstelle direkt Slides für eine Präsentation.

Alle diese Ergebnisse werden im selben Board gespeichert, zusammen mit deinen Quellen und Chat-Protokollen. Es sind keine isolierten Dateien, sondern verschiedene Knotenpunkte in derselben Wissenskette.

Schritt 4: Wissen, das kontinuierlich wächst

Ein Board ist kein Einwegprodukt. Du kannst Aufgaben automatisieren, sodass YouMind regelmäßig Karpathys Twitter-Updates für dich erfasst und im selben Board speichert. So entsteht ein Zinseszinseffekt für dein Wissen.

So sollte ein „Zweites Gehirn“ aussehen: Nicht nur ansammeln, sondern produzieren.

Vergleicht man Karpathys Methode mit YouMind, stehen sie für zwei unterschiedliche Philosophien des „KI-Zweiten-Gehirns“:

Die wahre Lösung für Informationsangst

Zum Schluss noch eine interessante Beobachtung.

Karpathy hat ein Wiki mit 400.000 Wörtern aufgebaut. Aber überleg mal: Was zitiert die Welt? Nicht dieses Wiki. Es sind seine Tweets, seine Videos, seine Artikel. Seine Markdown-Dateien sieht nur er selbst, seine Tweets sehen 12 Millionen Menschen.

Eine echte Wissensdatenbank ist kein System, sondern ein Mensch.

Wenn du einen Artikel schreibst, der eine Sache auf den Punkt bringt, und andere deinen Artikel speichern oder deine Meinung zitieren – dann bist du deren Wissensdatenbank.

Das ist das Heilmittel gegen Wissensangst. Ängstliche Menschen füttern Informationen in ein System und hoffen, dass das System für sie versteht. Menschen mit echtem Einfluss geben ihr Verständnis nach außen ab und werden selbst zur Informationsquelle für andere.

Erstere werden immer ängstlich sein, weil Informationen unendlich sind. Letztere sind gelassen, weil sie durch den Ausdruck den Prozess des Verstehens abgeschlossen haben.

Die Frage ist also nie „Wie baue ich eine bessere Wissensdatenbank?“, sondern „Wie werde ich selbst zur Wissensdatenbank?“. Die Antwort ist simpel: Kontinuierlicher Output.

YouMind hilft dir dabei, vom Konsumenten von Informationen zum Ursprung von Informationen zu werden.

Dieser Artikel und die Illustrationen wurden gemeinsam von der Redaktion und YouMind erstellt.