100.000 Leute haben @karpathys [Post](https://x.com/karpathy/status/2039805659525644595) mit einem Lesezeichen versehen:
Dann veröffentlichte er ein komplettes GitHub Gist. 5.000+ Sterne. 1.400+ Forks. Zwei Tage.
Die meisten Leute werden das auch mit einem Lesezeichen versehen. Und dann nichts tun.
Nicht, weil es schwer wäre. Sondern weil niemand ihnen die exakten Prompts gegeben hat.
Das werde ich jetzt ändern.
Ich führe dich durch das gesamte System, gebe dir Copy-Paste-Prompts für jeden Schritt und sage dir, wo es scheitert, damit du kein Wochenende mit etwas verschwendest, das im großen Maßstab auseinanderfällt.
„Die Aufgabe des Menschen ist es, Quellen zu kuratieren, die Analyse zu lenken, gute Fragen zu stellen und darüber nachzudenken, was alles bedeutet. Die Aufgabe des LLM ist alles andere.“ – Andrej Karpathy
Das Konzept (60-Sekunden-Version)
Du hast Wissen, das überall verstreut ist. Artikel, die in 4 Apps gespeichert sind. Lesezeichen aus dem Jahr 2023, die du nie wieder ansehen wirst. Notizen von Meetings, die in einem Ordner leben, von dem du vergessen hast, dass er existiert.
Wenn du der KI gerade eine Frage zu deinen Sachen stellst, fängt sie jedes Mal bei Null an. Dokumente hochladen, eine Frage stellen, eine Antwort bekommen. Nächste Sitzung? Sie hat alles vergessen. So funktionieren ChatGPT-Datei-Uploads, NotebookLM und die meisten RAG-Systeme. Keine Akkumulation.
Karpathys Idee dreht das um.
Anstatt dass die KI jedes Mal deine Rohdateien durchsucht, liest die KI deine Quellen einmal und erstellt ein strukturiertes Wiki. Zusammenfassungen, Querverweise, Verbindungen zwischen Ideen, Widersprüche werden markiert.
Alles von der KI gepflegt. Alles in einfachen Markdown-Dateien.
Wenn du das nächste Mal eine Frage stellst, durchwühlt die KI keine Rohdokumente. Sie liest das Wiki, das sie bereits aufgebaut hat.
Die Verbindungen sind bereits da.
Die Synthese spiegelt bereits alles wider, was du gelesen hast.
Jede neue Quelle, die du hinzufügst, macht das Wiki reicher. Jede Frage, die du stellst, kann wieder eingefügt werden. Wissen vermehrt sich, anstatt zurückgesetzt zu werden.
Sein Ergebnis: ~100 Artikel, ~400.000 Wörter zu einem einzigen Forschungsthema. Er hat kein Wort davon geschrieben. Die KI hat alles geschrieben, verlinkt, kategorisiert und gepflegt.
Keine Datenbank. Keine Embeddings. Kein Vektor-Store. Nur Ordner und Textdateien.
Warum sollte dich das interessieren?
Drei Anwendungsfälle, die jetzt relevant sind:
Wenn du ein Creator oder Marketer bist, ist das eine Content-Recherche-Engine. Wirf Konkurrenzanalysen, Trendartikel, Erkenntnisse über deine Zielgruppe in raw/. Das Wiki zeigt Muster und Blickwinkel auf, die du manuell nie finden würdest.
Wenn du ein Gründer oder Berater bist, ist das dein zweites Gehirn für Kundenarbeit, Marktforschung oder Wettbewerbsanalyse. Jeder Bericht, den du erstellst, fließt zurück ins System. Nach 3 Monaten kennt deine KI deine Domain besser als die meisten Neueinstellungen.
Wenn du ein Student oder Forscher bist, ist das, wofür Karpathy es eigentlich gebaut hat. Tiefgehende Recherche über Dutzende von Papieren hinweg, wobei die KI verfolgt, wie Ideen zusammenhängen, wo Autoren uneins sind und welche Lücken noch bestehen.
*Dies kann auch für viele Arbeitsabläufe in der Unternehmensforschung und -entwicklung genutzt werden.
Bevor wir bauen: Was du brauchst
→ Ein beliebiges KI-Coding-Tool, das lokale Dateien lesen kann (Claude Code, Cursor, Codex oder ähnliches)
→ Einen Texteditor (Obsidian empfohlen, aber VS Code, Notepad, alles funktioniert)
→ 10+ Quelldokumente zu einem Thema, das dich interessiert
→ 30 Minuten für die anfängliche Einrichtung, dann 10 Minuten pro Quelle danach
Das war's. Keine spezielle Software. Keine zu erstellenden Konten. Keine zu installierenden Plugins.
Der Rest dieses Artikels ist der Bau. 7 Schritte. Jeder Schritt enthält den exakten Prompt, den du in deine KI einfügen wirst. Folge ihnen in der Reihenfolge.
Schritt 1: Die Ordnerstruktur erstellen (2 Minuten)
Erstelle dies irgendwo auf deinem Rechner:
1my-knowledge-base/2├── raw/ # Dein Quellmaterial. Die KI liest es, ändert es aber nie.3│ └── assets/ # Bilder, Screenshots, Diagramme4├── wiki/ # Von der KI gepflegtes Wiki. Du liest es. Die KI schreibt.5├── outputs/ # Berichte, Analysen, Antworten auf Abfragen6└── CLAUDE.md # Die Schema-Datei, die das Ganze zum Laufen bringt
Drei Ordner, eine Datei. Wenn du hier mehr als 2 Minuten verbringst, denkst du zu kompliziert.
Schritt 2: Deine Schema-Datei schreiben (Der Schritt, den jeder überspringt. Tu es nicht.)
Das Schema ist der Unterschied zwischen einem generischen Chatbot und einem disziplinierten Wiki-Verwalter.
Es sagt deiner KI, worum es in der Wissensdatenbank geht, wie sie organisiert werden soll und was zu tun ist, wenn du Quellen hinzufügst, Fragen stellst oder Wartungsarbeiten durchführst.
Jeder andere Leitfaden gibt dir eine 10-zeilige Vorlage. Hier ist das vollständige Produktionsschema, basierend auf Karpathys Gist, entwickelt für den realen Einsatz:
1# Wissensdatenbank-Schema23## Identität4Dies ist eine persönliche Wissensdatenbank über [DEIN THEMA].5Gepflegt von einem LLM-Agenten. Der Mensch kuratiert Quellen und stellt Fragen. Das LLM erledigt alles andere.67## Architektur8- raw/ enthält unveränderliche Quelldokumente. Ändere NIEMALS Dateien in raw/.9- wiki/ enthält das kompilierte Wiki. Das LLM besitzt dieses Verzeichnis vollständig.10- outputs/ enthält generierte Berichte, Analysen und Antworten auf Abfragen.1112## Wiki-Konventionen13- Jedes Thema bekommt eine eigene .md-Datei in wiki/14- Jede Wiki-Datei beginnt mit YAML-Frontmatter:15 ---16 title: [Themenname]17 created: [Datum]18 last_updated: [Datum]19 source_count: [Anzahl der Rohquellen, die diese Seite informiert haben]20 status: [draft | reviewed | needs_update]21 ---22- Nach dem Frontmatter eine einleitende Zusammenfassung23- Verwende [[themenname]] für interne Links zwischen Wiki-Seiten24- Jede sachliche Behauptung zitiert ihre Quelle: [Quelle: dateiname.md]25- Wenn neue Inhalte bestehenden Inhalten widersprechen, markiere dies explizit:26 > WIDERSPRUCH: [alte Behauptung] vs. [neue Behauptung] aus [Quelle]2728## Index und Log29- wiki/index.md listet jede Seite mit einer einzeiligen Beschreibung, nach Kategorie30- wiki/log.md ist ein append-only chronologischer Eintrag31- Logeintragsformat: ## [JJJJ-MM-TT] Aktion | Beschreibung32 (Aktionen: ingest, query, lint, update)3334## Ingest-Workflow35Bei der Verarbeitung einer neuen Quelle:361. Lies das vollständige Quelldokument372. Besprich die wichtigsten Erkenntnisse mit dem Benutzer383. Erstelle oder aktualisiere eine Zusammenfassungsseite in wiki/394. Aktualisiere wiki/index.md405. Aktualisiere ALLE relevanten Entitäts- und Konzeptseiten im gesamten Wiki416. Füge Backlinks von vorhandenen Seiten zu neuen Inhalten hinzu427. Markiere etwaige Widersprüche zu vorhandenen Wiki-Inhalten438. Füge einen Eintrag in wiki/log.md hinzu449. Eine einzelne Quelle sollte 10–15 Wiki-Seiten berühren4546## Query-Workflow47Bei der Beantwortung einer Frage:481. Lies zuerst wiki/index.md, um relevante Seiten zu finden492. Lies alle relevanten Wiki-Seiten503. Synthetisiere die Antwort mit [Quelle: seitenname]-Zitaten514. Wenn die Antwort neue Erkenntnisse offenbart, biete an, sie wieder in wiki/ zu archivieren525. Speichere wertvolle Antworten in outputs/5354## Lint-Workflow (monatlich)55Überprüfe auf:56- Widersprüche zwischen Seiten57- Veraltete Behauptungen, die durch neuere Quellen ersetzt wurden58- Verwaiste Seiten ohne eingehende Links59- Konzepte, die erwähnt, aber nie erklärt wurden60- Fehlende Querverweise61- Behauptungen ohne Quellenangabe62Ausgabe: wiki/lint-report-[datum].md mit Schweregraden6364## Schwerpunktbereiche65[Liste 3–5 Themen auf, die diese Wissensdatenbank abdeckt]
Kopiere dies. Passe die Schwerpunktbereiche an. Lege es als CLAUDE.md im Projektstammverzeichnis ab.
Schritt 3: Deinen raw-Ordner füllen (10 Minuten Herumwerfen, null Organisieren)
Öffne raw/ und wirf alles hinein:
→ Kopiere Artikel in .md- oder .txt-Dateien
→ Exportiere Notizen aus der App, die du gerade verwendest
→ Speichere Screenshots und Diagramme in raw/assets/
→ Füge Forschungspapiere, PDFs, Konkurrenzanalysen ein
→ Wirf Lesezeichen hinein, die du seit Monaten hortest
Organisiere es nicht. Benenne nichts um. Räume es nicht auf. Das ist der Job der KI.
Profitipp von Karpathy: Die Obsidian Web Clipper Browsererweiterung konvertiert jeden Webartikel mit einem Klick in Markdown.
Lege eine Tastenkombination fest (Einstellungen → Tastenkombinationen → „Anhänge herunterladen"), um alle Bilder lokal zu speichern, damit die KI darauf verweisen kann.
Wenn du Obsidian nicht verwendest, reicht Kopieren und Einfügen aus deinem Browser.
Das Ziel ist Menge. Nicht Perfektion.
Schritt 4: Deinen ersten Ingest ausführen
Öffne deinen KI-Agenten. Richte ihn auf deinen Projektordner aus. Füge dies ein:
INGEST-PROMPT:
1„Lies das Schema in CLAUDE.md. Verarbeite dann [DATEINAME] aus raw/. Lies es vollständig, besprich die wichtigsten Erkenntnisse mit mir, dann: erstelle eine Zusammenfassungsseite in wiki/, aktualisiere wiki/index.md, aktualisiere alle relevanten Konzept- und Entitätsseiten, füge Backlinks hinzu, markiere etwaige Widersprüche und füge einen Eintrag in wiki/log.md hinzu."
Beginne mit einer Quelle nach der anderen. Karpathy macht das genauso. Lies die Zusammenfassungen. Überprüfe die Aktualisierungen. Leite die KI an, worauf sie den Schwerpunkt legen soll. Das führt zu deutlich besseren Ergebnissen, als alles auf einmal stapelweise zu verarbeiten.
Nach 5–10 Quellen enthält dein wiki/-Ordner einen Index, ein Log und 15–30 miteinander verknüpfte Seiten.
Dann wird es richtig spannend.
Schritt 5: Beginne, deine Wissensdatenbank abzufragen
Sobald du 10+ Wiki-Seiten hast, wird das System wirklich nützlich. Füge dies ein:
QUERY-PROMPT:
1„Lies wiki/index.md. Basierend auf dem, was in der Wissensdatenbank ist, beantworte: [DEINE FRAGE]. Zitiere, welche Wiki-Seiten deine Antwort informiert haben. Wenn dies neue Verbindungen offenbart, die es wert sind, bewahrt zu werden, erstelle eine neue Seite in wiki/ und aktualisiere den Index."
Fragen, die den größten Mehrwert bringen:
→ „Was sind die drei größten Lücken in dieser Wissensdatenbank?"
→ „Welche Quellen widersprechen sich gegenseitig und worin?"
→ „Was sollte ich als Nächstes recherchieren, basierend auf dem, was hier ist?"
→ „Schreibe ein 500-Wörter-Briefing zu [Thema] unter ausschließlicher Verwendung von Wiki-Inhalten"
→ „Welche Verbindungen bestehen zwischen [Konzept A] und [Konzept B]?"
Die kritische Schleife: gute Antworten sollten wieder in das Wiki eingepflegt werden.
Ein Vergleich, eine Analyse, eine Verbindung, die du entdeckt hast.
Diese vermehren sich in der Wissensdatenbank genauso wie die aufgenommenen Quellen.
Jede Frage macht die nächste Antwort besser.
Schritt 6: Führe monatliche Gesundheitschecks durch
Das ist der Schritt, den niemand macht. Es ist der Schritt, der verhindert, dass das gesamte System langsam verrottet. Füge dies ein:
LINT-PROMPT:
1„Führe eine vollständige Gesundheitsprüfung von wiki/ gemäß dem Lint-Workflow in CLAUDE.md durch. Gib die Ausgabe in wiki/lint-report-[datum].md mit Schweregraden aus (🔴 Fehler, 🟡 Warnungen, 🔵 Informationen). Schlage 3 Artikel vor, um die größten Wissenslücken zu schließen."
Warum das wichtig ist: Wenn die KI etwas leicht Falsches schreibt und du es wieder speicherst, baut die nächste Antwort auf dem Falschen auf.
Zwei Monate später hast du fünf Seiten, die denselben Fehler verstärken. Gesundheitschecks fangen das ab, bevor es sich ausweitet.
Ein Check pro Monat. Zehn Minuten deiner Zeit. Nicht verhandelbar, wenn das System vertrauenswürdig bleiben soll.
Schritt 7: Lass es sich vermehren
Hier beweist das System seinen Wert.
Nach 4–6 Wochen konsequenter Nutzung durchsuchst du nicht mehr nur Notizen.
Du fragst ein strukturiertes Wissenssystem ab, das Zusammenhänge zwischen deinen Quellen besser versteht als du.
Drei Möglichkeiten, die Vermehrung zu beschleunigen:
Speichere Explorationsergebnisse zurück: Wenn die KI einen Vergleich oder eine Analyse erstellt, die du wertvoll findest, speichere sie in wiki/ oder outputs/.
Karpathy sagt, dass seine eigenen Erkundungen und Abfragen „sich immer summieren" in der Wissensdatenbank.
Füge visuelle Ausgaben hinzu: Lass die KI Antworten als Markdown-Tabellen, Diagramme oder Folienpräsentationen (Marp-Format) rendern.
Diese werden zu wiederverwendbaren Assets, nicht zu wegwerfbaren Chat-Nachrichten.
Versioniere alles: Dein Wiki ist nur eine Sammlung von Markdown-Dateien.
Initialisiere ein Git-Repository. Du erhältst den vollständigen Verlauf, Verzweigungen und die Möglichkeit, alles rückgängig zu machen, was die KI vermasselt.
Okay. Das war der Bau. Jetzt kommt der Teil, den dir sonst niemand sagen wird.
Wo dieses System scheitert (Die ehrliche Version)
Dies ist ein entstehendes Muster, kein fertiges Produkt. Karpathy selbst nannte es „eine zusammengehackte Sammlung von Skripten" und sagte, es gebe Raum für ein richtiges Produkt.
Hier ist, was du wissen musst, bevor du dein Wissen darauf vertraust:
Kontextfenster-Obergrenze.
Karpathys Wiki funktioniert bei ~100 Artikeln und ~400.000 Wörtern. Aber selbst 128K-Token-Kontextfenster fassen nur ~96.000 Wörter. Die KI liest selektiv über den Index, was bedeutet, dass sie Dinge übersehen kann. Die Forschung zeigt, dass LLMs unter dem „Lost in the Middle"-Effekt leiden, bei dem Informationen in der Mitte langer Eingaben herabgestuft werden. Deine Abfrageergebnisse werden blinde Flecken haben. Akzeptiere dies.
Fehlerverstärkung.
Die KI schreibt eine Wiki-Seite mit einem subtilen Fehler. Du fragst sie ab. Der Fehler gelangt in deine Antwort. Du speicherst diese Antwort zurück. Jetzt verstärken zwei Seiten denselben Fehler. Die monatliche Lint-Prüfung hilft, aber die KI, die die Prüfung durchführt, hat dieselben blinden Flecken wie die KI, die den Fehler gemacht hat. Dies ist das größte Einzelrisiko. Ein Kommentator zu Karpathys Gist hat es auf den Punkt gebracht: „Wenn Ausgaben zurückgespeichert werden, verstärken sich auch Fehler."
Halluzinationen verschwinden nicht.
Der Wiki-Ansatz reduziert Halluzinationen, weil die KI Antworten auf deine Quellen stützt. Aber er beseitigt sie nicht. Die KI kann immer noch Verbindungen synthetisieren, die im Quellmaterial nicht existieren. Und weil das Wiki autoritär aussieht (sauberes Markdown, Querverweise, Zitate), neigst du eher dazu, falschen Informationen zu vertrauen. Tu es nicht.
Die Kosten sind nicht Null.
Jeder Ingest, jede Abfrage, jeder Lint-Check kostet Tokens. Eine einzelne Quelle, die 10–15 Seiten berührt, kann $2–5 an API-Aufrufen mit Frontier-Modellen kosten. 50 Quellen sind $100–250 nur für die Aufnahme. Billiger als ein wissenschaftlicher Assistent. Nicht kostenlos.
Es skaliert nicht auf Unternehmen.
Karpathy sagt, dass der Index-Datei-Ansatz ohne RAG bei ~100 Artikeln funktioniert. Bei 10.000+ Quellen bricht dieses Muster zusammen. Der Index wird zu groß. Konsistenz über Tausende von Seiten hinweg wird unmöglich. Du wirst die Infrastruktur brauchen, die dieses System vermeiden sollte. Kenne die Obergrenze.
Blinde Flecken durch ein einzelnes Modell.
Dein gesamtes Wiki ist die Interpretation eines einzigen Modells deiner Quellen. Dieses Modell hat Vorurteile und Tendenzen. Für Entscheidungen mit hohem Einsatz schlug ein Kommentator des Gists vor, Abfragen unabhängig durch 4+ Modelle laufen zu lassen und dann die Übereinstimmung zu vergleichen. Robuster. Auch 4x teurer.
Was du dagegen tun kannst
→ Fehlerverstärkung: Monatliche Lint-Checks. Überprüfe kritische Behauptungen manuell. Vertraue dem Wiki bei Entscheidungen mit hohem Einsatz niemals blind.
→ Kontextgrenzen: Halte jedes Wiki auf eine Domain fokussiert. Mehrere Domains? Mehrere Wissensdatenbanken.
→ Kosten: Verwende Frontier-Modelle für Ingest und komplexe Abfragen. Günstigere Modelle für einfache Aktualisierungen.
→ Halluzination: Das obige Schema erfordert Quellenangaben bei jeder Behauptung. Wenn eine Seite eine Behauptung ohne [Quelle: dateiname] aufstellt, wird der Lint sie markieren.
→ Skalierung: Akzeptiere, dass dies ein persönliches Werkzeug ist, keine Unternehmensinfrastruktur. Wenn du darüber hinauswächst, ist das ein gutes Problem.
Warum es trotzdem wichtig ist
Trotz alledem ist dies das praktischste persönliche Wissenssystem, das es derzeit gibt.
Der Grund ist denkbar einfach: Menschen geben Wikis auf, weil der Wartungsaufwand schneller wächst als der Nutzen.
Du fängst an zu organisieren, fühlst dich zwei Wochen lang großartig, dann tötet der Unterhalt die Motivation und du rührst es nie wieder an.
LLMs langweilen sich nicht. Sie vergessen nicht, einen Querverweis zu aktualisieren. Sie können 15 Dateien in einem Durchgang bearbeiten, ohne zu murren.
Lex Fridman bestätigte, dass er ein ähnliches Setup betreibt.
Er generiert interaktive HTML-Visualisierungen und erstellt „Mini-Wissensdatenbanken", die er für 7–10-Meilen-Läufe in den Sprachmodus lädt.
Elvis Saravia von DAIR.AI baut LLM-Wissensdatenbanken für die Kuratierung von KI-Forschung.
Mehrere Open-Source-Implementierungen landeten innerhalb von 48 Stunden nach Karpathys Gist auf GitHub.
Dies ist kein Experiment mehr.
Es wird zur Standardpraxis für alle, die ernsthafte Forschung betreiben.
Deine vollständige Prompt-Bibliothek (Kopiere alles)
Jeder Prompt aus diesem Artikel, an einem Ort gesammelt:
SCHEMA: Kopiere die vollständige CLAUDE.md-Vorlage aus Schritt 2.
INGEST (eine Quelle):
1„Lies das Schema in CLAUDE.md. Verarbeite [DATEINAME] aus raw/. Lies es vollständig, besprich die wichtigsten Erkenntnisse mit mir, dann: erstelle eine Zusammenfassungsseite, aktualisiere den Index, aktualisiere alle relevanten Seiten, füge Backlinks hinzu, markiere Widersprüche, protokolliere den Ingest."
INGEST (Stapel, weniger überwacht):
1„Lies CLAUDE.md. Verarbeite nacheinander alle unverarbeiteten Dateien in raw/. Für jede: erstelle eine Zusammenfassung, aktualisiere den Index, aktualisiere relevante Seiten, protokolliere den Ingest. Fahre automatisch fort."
QUERY:
1„Lies wiki/index.md. Beantworte: [FRAGE]. Zitiere Wiki-Seiten. Wenn diese Antwort es wert ist, bewahrt zu werden, biete an, sie als neue Wiki-Seite zu archivieren."
LINT:
1„Führe eine vollständige Gesundheitsprüfung von wiki/ gemäß dem Lint-Workflow in CLAUDE.md durch. Gib die Ausgabe in wiki/lint-report-[datum].md mit 🔴/🟡/🔵 Schweregrad aus. Schlage 3 Artikel vor, um Lücken zu schließen."
EXPLORE:
1„Lies wiki/index.md und identifiziere die 5 interessantesten unerforschten Verbindungen zwischen vorhandenen Themen. Erkläre für jede, welche Erkenntnis sie offenbaren könnte und welche Quelle helfen würde, sie zu bestätigen."
BRIEF:
1„Schreibe basierend auf allem in wiki/ ein 500-Wörter-Executive-Briefing zu [THEMA]. Zitiere Quellen. Strukturiere es als: aktueller Stand, wichtigste Spannungsfelder, offene Fragen, empfohlene nächste Schritte."
Los geht's – Bau es auf
Der Unterschied zwischen dem Speichern von Karpathys Gist und dem Nutzen daraus ist ein Nachmittag.
Wähle dein Thema. Erstelle die Ordner. Kopiere das Schema.
Wirf hinein, was du bereits hast. Führe deinen ersten Ingest durch.
Dann mach es morgen mit einer weiteren Quelle wieder.
Und nächste Woche mit fünf weiteren.
Das Wiki wird mit jedem Mal intelligenter. Das ist der springende Punkt.
Drei Ordner. Ein Schema.
Eine KI, die die Drecksarbeit erledigt, die du niemals selbst machen würdest.
Hör auf, Lesezeichen zu sammeln. Fang an, Wissen zusammenzustellen.
Verwandle Claude in 20+ verschiedene Spezialisten für Marketing und Business.
Installiere echtes Fachwissen, nicht nur Prompts.
Hol dir mein Claude Skills Bundle 👇
