Ein LLM-Wiki nach dem Muster von Andrej Karpathy ist eine Wissensdatenbank, die ein LLM-Agent gemeinsam mit der Person pflegt, der sie gehört. Dieser Artikel zeigt am Beispiel dieser Wissensdatenbank, wie so etwas funktioniert. Statt einer Liste von Beiträgen ist sie ein Wissensgraph: Jeder Punkt ist eine Markdown-Datei, jede Linie eine Relation, die in dieser Datei steht.1
Grundsatz
Die Markdown-Dateien sind das Projekt. Alles andere, vom Tooling bis zur Darstellung, lässt sich austauschen, ohne eine einzige Notiz anzufassen. Warum es neben den Listen einen Graphen gibt, steht in Warum ein Graph. Warum Dateien statt einer Datenbank, steht in Markdown als Datenbank.
Daten, Tool und Website
Die Wissensdatenbank lag anfangs im Website-Projekt. Ich habe sie herausgelöst, damit sie nicht mehr von einem Website-Build abhängt. Es gibt drei Teile:
- Die Wissensdatenbank ist ein Ordner mit Markdown- und YAML-Dateien in einem eigenen Git-Repository auf meinem Mac. Sie enthält nur Daten.
- Das
kb-Tool ist ein kleines lokales Python-Programm mit Kommandozeile und MCP-Server. Es prüft, durchsucht, exportiert und schreibt die Wissensdatenbank, und es ist der einzige Teil, der schreibt. - Die Website zeigt die Wissensdatenbank nur an. Sie liest im laufenden Betrieb die Knoten, die Notizen, die Ontologie und das Log, lädt sie nach einer Dateiänderung innerhalb von Sekunden neu und schreibt nie hinein.4
Der Suchindex und das Embedding-Modell liegen in einem Cache-Ordner außerhalb der Wissensdatenbank, damit iCloud und Git die Modelldateien nicht synchronisieren.3 Mit BGE-M3 belegen sie etwa 600 MB.5
Die drei Schichten
- Rohquellen: In
raw/liegt das Ausgangsmaterial. Neues Material landet inraw/inbox/. Ein Agent sortiert es nach Thema in einen Ordner für den Tag ein,raw/<jahr>/<datum>/, als eine Markdown-Datei pro Thema oder als Ordner, wenn Bilder dazugehören. Einsortierte Quellen sind für Agenten schreibgeschützt. Ausgenommen sind Chat-Zusammenfassungen, die das MCP-Tool im Tagesordner ablegt. - Das Wiki: die Knoten in den Typ-Ordnern von
en/undde/, vom Agenten geschrieben und von mir geprüft. - Die Regeln:
AGENTS.mdbeschreibt die Abläufe: eine Quelle einarbeiten, einen Chat aufnehmen, eine Frage beantworten, den Graphen prüfen. Die Ontologie inontology.yamlund das Schema gehören ebenfalls zu den Regeln.
Neben dem Wiki liegen in en/notes/ und de/notes/ meine Notizen: kurze, datierte Einträge, wahlweise mit Foto. Sie sind keine Knoten, haben keine Relationen und bleiben außerhalb von Graph, Suche und OKF-Paket. Verlinkt eine Notiz einen Knoten, steht sie auf dessen Seite.
Inhaltsmodell
- Eine Datei pro Knoten in
<sprache>/<ordner>/<id>.md, zum Beispielen/topics/markdown.md. Der Dateiname ist die ID und die URL/n/<id>/. Der Ordner dient nur der Ordnung. - Ein strenges Frontmatter-Schema: Titel, Typ, eine Zusammenfassung mit 40 bis 180 Zeichen, Datumsangaben, Tags, typisierte Relationen, ein optionaler Link,
draft,privateund Felder zur Herkunft. - Die Ontologie in
ontology.yamllegt die Entitätstypen fest (Thema, Werkzeug, Projekt, Artikel, Quelle, Ort) und die Relationstypen (behandelt, baut auf, ist Teil von, nutzt, stützt sich auf, hängt zusammen mit). Dazu kommt „erwähnt“, das aus Links im Text abgeleitet wird. Für jeden Typ stehen dort die Regeln und der deutsche Name. - Der Graph hat eine feste Struktur. Der Index führt zu den Hauptthemen, Themen gliedern sich in Unterthemen (
part-of), Artikel und Projekte behandeln Themen (about). Werkzeuge und Quellen kommen über die Artikel und Projekte hinein, die sie nutzen oder zitieren. Themen verlinken weder Werkzeuge noch Quellen. Jeder Entitätstyp nennt die Typen, mit denen er sich verbinden darf (connects), undkb lintmeldet Links und Relationen, die dagegen verstoßen.4 kb checkprüft jede Datei gegen Schema und Ontologie. Dazu gehören erlaubte Subjekt- und Objekttypen, mindestens einaboutpro Artikel, keine Relation in beide Richtungen, keine Zyklen bei transitiven Relationen, Fußnoten passend zu den Quellen-IDs und vorhandene Dateien inraw/. Jeder Schreibvorgang über MCP führt vorher dieselbe Prüfung aus.3- Tags sind kleingeschriebene Wörter, mit Bindestrichen verbunden, in der Sprache des Inhalts. Ein Tag bekommt keine Kante im Graphen. Gibt es einen Knoten mit derselben ID wie ein Tag, erklärt er ihn auf der Tag-Seite.
- Entwürfe und private Knoten erscheinen nie auf der öffentlichen Website. Ein veröffentlichter Knoten darf nicht auf einen Entwurf zeigen und ein öffentlicher nicht auf einen privaten.
Graphansicht
Alle Relationen zusammen ergeben einen Graphen, den eine eigene Seite zeigt: /knowledge-graph/. Die Startseite stellt die Website vor und listet die neuesten Notizen und Änderungen. Der Server berechnet das Layout mit einer Python-Portierung von ForceAtlas2 und rückt die Knoten danach in einem eigenen Schritt auseinander. Ein Index-Knoten ist in der Mitte fixiert und verlinkt die Hauptthemen, also die Themen ohne übergeordnetes Thema. Der Browser zeichnet den Graphen mit Sigma.js und Graphology.
Ich habe die Ansicht neu gestaltet, nachdem ich auf eine andere LLM-Wiki-Seite als Vorbild gezeigt hatte:
- kleine Knoten, die mit der Zahl ihrer Verbindungen wachsen, Beschriftungen rechts daneben, dünne Kanten, Pfeile nur an den Kanten des fokussierten Knotens;
- eine Einstiegsanimation: Die Knoten starten nahe der Mitte und pendeln sich mit gedämpften Federn im berechneten Layout ein (das entfällt, wenn das System weniger Bewegung verlangt);
- beim Überfahren ein Leuchten statt eines Rahmens und ein Ring um den ausgewählten Knoten, während Knoten ohne Bezug verblassen;
- ein Lesebereich, der die vollständige Knotenseite samt Herkunft und Quellen lädt und Links innerhalb des Graphen folgt. Er gleitet von rechts herein, und ein Knopf blendet ihn ein oder aus;4
- eine Legende unter dem Graphen, mit der du Entitätstypen ein- und ausblendest, und ein Graph, der fast das ganze Browserfenster füllt.
Seiten und Exporte
Jeder Entitätstyp ist ein Bereich der Website (/topics/, /tools/, /projects/, /articles/, …) mit einer Leseseite pro Knoten. Außerdem hat jeder Knoten eine Seite unter /n/<id>/. Dort stehen seine Relationen in beide Richtungen, die Herkunft („Geschrieben von“, „Geprüft von“, Hinweise auf ungeprüfte oder veraltete Inhalte) und die Quellen. Dazu kommen die Notizen unter /notes/, alle Tags unter /tags/ mit einer Seite pro Tag, die Knoten und Notizen gemeinsam auflistet, und eine Seite zur Ontologie. Auf Anfrage erzeugt die Website außerdem:4
graph.jsonmit Knoten, Kanten und Layout;- einen RAG-Export:
/rag/chunks.jsonl(Textabschnitte mit Metadaten und Herkunft),/rag/triples.jsonl(eine Zeile pro Kante) und/rag/ontology.json; - ein Paket im Open Knowledge Format (OKF 0.2) unter
/okf/: eine Markdown-Datei pro Knoten, Listen pro Typ, die Ontologie und das Log. Es enthält die englischen Inhalte.
kb export schreibt dieselben Dateien im selben Format, ganz ohne Website.3
Zwei Sprachen
Die Website gibt es auf Englisch und auf Deutsch. Deutsche Seiten liegen unter /de/ mit denselben Pfaden, und ein Umschalter im Kopf der Seite führt zur selben Seite in der anderen Sprache. Jeder Text der Oberfläche ist einmal pro Sprache festgelegt. Die deutschen Namen der Entitäts- und Relationstypen kommen aus ontology.yaml.3
Die Inhalte sind nach Sprache getrennt. Jede Sprache hat in der Wissensdatenbank einen eigenen Ordner (en/, de/) und bildet einen eigenen Graphen. Deutsche Knoten haben deshalb nur Relationen und Links zu deutschen Knoten. Eine deutsche Datei mit demselben Namen wie eine englische ist ihre Übersetzung. Der Sprachumschalter und die hreflang-Links verbinden die beiden. Das Log ist englisch und erscheint nur auf der englischen Website.
Suche
kb index bettet die veröffentlichten und privaten Knoten beider Sprachen lokal mit dem mehrsprachigen Modell BGE-M3 (Xenova/bge-m3) ein. So finden auch deutsche Fragen englische Inhalte, und ein API-Schlüssel ist nicht nötig. Entwürfe bleiben draußen, und neu eingebettet werden nur geänderte Abschnitte. Deutsche Knoten haben im Index den Schlüssel de/<id>. Eine Anfrage kombiniert Vektorsuche mit einem Mindestwert von 0,48, eine Erweiterung entlang der Kanten der Treffer und die Definitionen der beteiligten Relationstypen. Das ist Retrieval-Augmented Generation über einem Graphen. Abschnitte, die ein Agent geschrieben und kein Mensch geprüft hat, tragen einen Warnhinweis. kb query --prompt gibt den gefundenen Kontext als Prompt für ein beliebiges LLM aus.3
Bis November 2026 war multilingual-e5-small das Modell. Ich habe es mit 26 Testfragen gegen vier andere lokale Modelle gemessen. BGE-M3 setzte bei allen 26 den richtigen Knoten an die erste Stelle, e5-small bei 19. Der alte Mindestwert von 0,75 hatte nichts herausgefiltert, denn mit e5-small erreichten selbst Fragen ohne jeden Bezug 0,81.5
Agenten
Ein Server für das Model Context Protocol namens knowledge-base gibt Agenten Zugriff auf die Wissensdatenbank. Er gehört zum kb-Tool und läuft über stdio. Claude Desktop und Claude Code starten ihn beide mit kb mcp. Seine Tools übernehmen die Entitäts- und Relationstypen aus ontology.yaml. Ein laufender Server liest die Dateien jedes Mal frisch. Ändert sich der Code des Tools oder die Menge der Typen, bittet er um eine neue Verbindung, statt mit einem veralteten Stand weiterzuarbeiten.4
- Lesen:
search_knowledge,get_node,get_neighbors,list_nodes,get_ontology. Sie decken beide Sprachen ab und nehmen ein optionaleslang, um in einer zu bleiben. - Schreiben:
add_to_knowledge_baselegt eine Chat-Zusammenfassung inraw/<jahr>/<datum>/ab und erstellt Knoten als Entwürfe oder ergänzt bestehende. Ein Felddefügt die deutsche Fassung eines Knotens hinzu, mit demselben Dateinamen. Ihre Relationen bleiben nur erhalten, wo der andere Knoten auf Deutsch existiert. Jeder Aufruf ist eine Transaktion. Er ändert die Dateien und prüft die ganze Wissensdatenbank. Bei einem Fehler stellt er jede Datei wieder her. Sonst schreibt er einen Log-Eintrag, aktualisiert den Suchindex und committet genau die berührten Dateien mit meiner Git-Identität. Dateien mit nicht committeten Änderungen lässt er in Ruhe.3 - Prüfen:
list_draftszeigt, was in beiden Sprachen auf eine Prüfung wartet.mark_reviewedhält meine Prüfung fest und veröffentlicht Entwürfe. Eine ID umfasst beide Sprachfassungen eines Knotens,en/<id>oderde/<id>nur eine. Agenten dürfen das Tool nur aufrufen, wenn ich sage, dass ich die Knoten geprüft habe.
Betrieb
log.mdhält jedes Einarbeiten, jede Prüfung, jeden Lint-Lauf und jede Änderung am Setup fest, das Neueste zuerst, im Log-Format von OKF.kb lintmeldet für jede Sprache getrennt: verwaiste Knoten, abgetrennte Inseln, unverlinkte Erwähnungen, dünne Knoten, ähnliche Tags, Tags ohne eigenen Knoten, Entwürfe, ungeprüfte oder veraltete Knoten und noch nicht eingearbeitete Rohquellen. Außerdem vergleicht es Übersetzungen mit ihren Originalen. Es meldet eine Übersetzung, die älter ist als die letzte Änderung des Originals, eine Relation, die das Original hat und der Übersetzung fehlt, oder einen abweichenden Typ.3- Die Herkunft folgt OKF:
generatednennt den Agenten,verifiedimmer nur mich,sourcesmit Fußnoten belegt jede Aussage,stale_aftermarkiert Inhalte, die altern. - Die Dateien sind auf Englisch geschrieben, die deutschen Inhalte in
de/ausgenommen. Commits tragen nur meine Git-Identität.1
Von der Werkzeugleiste zu Befehlen
Die erste Version der Website zeigte in ihrem Dev-Server drei Knöpfe: Add source, Ingest und Lint. Vorbild war die mit Caspian gebaute LLM-Wiki-Seite. Die Knöpfe schrieben keine Knoten. Sie legten Quellen in raw/ ab und übergaben einen Befehl für Claude Code.2
Als die Website zur reinen Anzeige wurde, flogen die Knöpfe raus, denn sie darf nicht in die Wissensdatenbank schreiben. Diese Arbeit erledigen jetzt Befehle des kb-Tools: kb raw add legt eine Quelle ab, kb raw list zeigt, welche Quellen noch nicht eingearbeitet sind, und kb lint führt die Prüfung des Graphen aus.3
Log-Seite
/log/ zeigt log.md auf der Website: einen Abschnitt pro Tag, die Operation jedes Eintrags als Label und die Knoten-IDs in den Einträgen als Links zu ihren Seiten.2
Stack
Das kb-Tool ist in Python 3.14 geschrieben. Es nutzt pydantic für das Schema, ruamel.yaml, um Frontmatter ohne Verlust von Kommentaren zu schreiben, das MCP-SDK für Python sowie ONNX Runtime mit den Tokenizern von Hugging Face für lokale Embeddings. Eine Testsuite mit pytest deckt seine Regeln ab.3 Die Website läuft auf FastAPI mit Jinja-Templates, HTMX und Alpine.js, ohne Build-Schritt: kein npm, kein Bundler, kein TypeScript. Die JavaScript-Bibliotheken, darunter Sigma.js und Graphology, liegen auf dem eigenen Server.4 Die erste Version war eine statische Website, gebaut mit Astro 7 und TypeScript. Sie bleibt als Prototyp erhalten.1
Offene Punkte
- Ein Git-Remote für die Wissensdatenbank, etwa ein Bare-Repository. Bisher hat sie keins.3
- Ein gehosteter MCP-Server, damit sich die Wissensdatenbank auch über claude.ai im Web und auf dem Handy füllen lässt. Er braucht Hosting und Authentifizierung. Wo er laufen soll, ist noch offen.
- Vor dem ersten Deployment der Website: die echte Domain eintragen und den Push auf den Server einrichten, wo ein Hook die Wissensdatenbank für die Website auscheckt.4
-
Arbeitssitzungen in Claude Code, zusammengefasst im gespeicherten Chat. ↩
-
Meine Werkzeugleiste und die Log-Seite, angeregt durch das LLM-Wiki von Caspian (gespeicherter Chat). ↩
-
Die Wissensdatenbank aus dem Website-Projekt herauslösen (raw/2026/2026-11-14/moving-the-knowledge-base-out-of-the-website-project.md). ↩
-
Die Website auf FastAPI und eine feste Struktur für den Graphen (gespeicherter Chat). ↩
-
Embedding-Modelle für die Suche in der Wissensdatenbank messen (raw/2026/2026-11-16/measuring-embedding-models-for-the-knowledge-base-search.md). ↩
Mehr dazu
- Thema
-
- LLM-Wiki Andrej Karpathys Muster für persönliches Wissen: Ein LLM-Agent liest jede Quelle einmal und arbeitet sie in wachsende, verlinkte Notizen ein.
- Baut auf
-
- Markdown Einfache Auszeichnungssprache für Text. Dateien bleiben ohne besondere Software lesbar und lassen sich in HTML umwandeln.
- Model Context Protocol Offenes Protokoll, über das KI-Apps wie Claude Code und Claude Desktop sich mit Servern verbinden, die ihnen Werkzeuge und Daten anbieten.
- Wissensgraph Wissen als Netz aus Knoten und benannten Beziehungen statt als Liste nach Datum. Die Struktur zeigt, was womit zusammenhängt.
- Im Text erwähnt
-
- Andrej Karpathy KI-Forscher und Lehrer: Gründungsmitglied von OpenAI, KI-Chef bei Tesla, Gründer von Eureka Labs, Urheber des LLM-Wiki-Musters.
- Statische Website Eine Website aus fertigen HTML-Dateien, die einmal gebaut und dann unverändert ausgeliefert werden. Kein Servercode, keine Datenbank.
- Siehe auch
-
- Die Suche meiner Wissensdatenbank vermessen Fünf lokale Embedding-Modelle gegen 26 Testfragen: warum die Suche jetzt mit BGE-M3 statt multilingual-e5-small läuft, mit einem neuen Mindestwert.
- Gehosteten MCP-Server absichern Plan für einen gehosteten MCP-Server der Wissensdatenbank, den claude.ai im Web und am Handy nutzen kann, aber sonst niemand.
-
LLM-Wiki-Ideendatei Andrej Karpathys Ideendatei vom April 2026: Ein LLM-Agent baut aus Rohquellen ein Wiki verlinkter Markdown-Dateien und pflegt es.
Ein GitHub-Gist von Andrej Karpathy, angelegt am 4. April 2026, mit der einzigen Datei
llm-wiki.md. Er nennt sich selbst eine Ideendatei: einen Text, den man einem LLM-Agenten gibt und dessen Einzelheiten der Agent dann mit seinem Nutzer ausarbeitet.Inhalt
- Die Idee: Statt für jede Frage wieder die Rohdokumente zu durchsuchen, baut ein LLM ein Wiki aus verlinkten Markdown-Dateien und hält es aktuell. Der Gist nennt es „a persistent, compounding artifact“.
- Drei Schichten: Rohquellen, die der Nutzer auswählt und niemand ändert, das Wiki, das dem LLM gehört, und eine Schema-Datei wie CLAUDE.md oder AGENTS.md mit den Regeln.
- Abläufe: Ingest liest eine neue Quelle, ändert die betroffenen Seiten und protokolliert die Änderung. Query beantwortet Fragen aus dem Wiki und kann gute Antworten als Seiten ablegen. Lint sucht nach Widersprüchen, veralteten Aussagen, verwaisten Seiten und fehlenden Links.
- Navigation:
index.mdlistet den Inhalt,log.mdhält jede Änderung der Reihe nach fest. - Hintergrund: Der Gist verbindet die Idee mit Vannevar Bushs Memex.
- Markdown als Datenbank Für eine persönliche Website ersetzt ein Ordner mit Markdown-Dateien und strukturiertem Kopf die Datenbank, solange ein Schema ihn prüft.
- Warum ein Graph Eine Liste nach Datum zeigt, was neu ist. Ein Graph zeigt, was zusammengehört. Diese Website braucht beides.
- Schlagwörter