Beobachtetes Signal · 22. Aug. 2026 · Technical Release · Quelle: DEV Community · Relevanz: 2/5 · Sentiment: Positiv
LLM Wiki: Schutz menschlich verfeinerter Notizen durch kuratierte Schichten
Der Artikel beschreibt agnosticBrain, eine GitHub-Implementierung zur Erweiterung des LLM-Wiki-Musters von Andrej Karpathy um explizite Eigentumsebenen. Ziel ist es, vom Menschen verfeinertes Wissen vor dem Überschreiben durch automatisierte LLM-Ingests zu schützen. agnosticBrain definiert verzeichnisbasierte Eigentumsregeln, darunter einen schreibgeschützten curated/-Ordner für menschlich kanonische Notizen, und führt Workflows wie /curate sowie /propose ein. Dadurch kann das LLM Diffs vorschlagen, aber niemals kuratierte Inhalte ohne ausdrückliche menschliche Freigabe ändern. Das Projekt dokumentiert neun Kernel-Operationen in AGENTS.md und stellt eine Pipeline für Vorschläge, Protokollierung und Indizierung bereit, um den Lernkreislauf zu schließen und gleichzeitig manuelle Bearbeitungen zu bewahren.
Ein praktisches technisches Muster und Open-Source-Ansatz zum Schutz menschlich kuratierter Wissensbestände in LLM-gesteuerten Systemen. Dies ist für Teams relevant, die entsprechende Wissensarchitekturen aufbauen, jedoch von begrenzter branchenweiter Tragweite.
Marktsignale zu GitHub in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- Andrej Karpathy veröffentlichte im April 2026 sein LLM-Wiki-Gist, das ein kompiliertes, persistentes Wiki vorschlägt, das von einem LLM gepflegt wird.
- agnosticBrain (GitHub: Macorreag/agnosticBrain) erweitert dieses Muster durch die Einführung einer expliziten, schreibgeschützten curated/-Ebene.
- Das System definiert vier Verzeichnisse mit strengen Regeln: raw/ (menschlich unveränderlich), wiki/ (durch LLM beschreibbar), curated/ (menschlich kanonisch, für LLMs tabu) und archivo/ (Systemarchiv).
- Workflows wie /curate zum Einfrieren von Notizen und /propose für LLM-Diff-Vorschläge erfordern eine menschliche Genehmigung zur Änderung.
- Das Repository dokumentiert neun Kernel-Operationen (AGENTS.md) wie /ingest, /lint, /curate, /propose und /compose.
Verknüpfte Unternehmen
5 verknüpfte Unternehmen“The article points readers to the full implementation hosted on GitHub: "If you want to see the complete implementation — with the 9 skills,...”
“The article frames Obsidian as the editor for the pattern: "Obsidian is the IDE, the LLM is the programmer, and the wiki is the code."...”
“The article notes the kernel file is read by agents and lists example agents: "...a file that is read without transformation by agents (Clau...”
“The article notes the kernel file is read by agents and lists example agents: "...a file that is read without transformation by agents (Clau...”
“The article notes the kernel file is read by agents and lists example agents: "...a file that is read without transformation by agents (Clau...”
Ontologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Karpathys LLM-Wiki: Leitfaden für KI-gepflegte Wissensdatenbanken
Dieser technische Leitfaden erläutert Andrej Karpathys „LLM Wiki“-Muster – einen LLM-Agenten, der aus unveränderlichen Quelldateien eine Markdown-Wissensdatenbank aufbaut und pflegt. Das Konzept nutzt eine dreischichtige Verzeichnisstruktur (raw/, wiki/, CLAUDE.md) sowie drei Kernoperationen (ingest, query, lint). Der Artikel dokumentiert ein vollständiges Setup mit Claude Code und Obsidian, vergleicht den Ansatz mit Retrieval-Augmented Generation (RAG), listet Community-Implementierungen auf und beleuchtet Erweiterungen sowie Limitationen wie den Abbau des Kontextfensters und das Risiko des Modellkollapses. Dabei zitiert er Karpathys viralen Post vom April 2026 sowie zugehörige Community-Projekte.
brain2.wiki: Cloud-basiertes externes Gehirn für LLM-Wikis
brain2.wiki ist ein Cloud-Hosting-Dienst für ein „externes Gehirn“, der LLM-Wikis im Karpathy-Stil für langfristiges, von Agenten lesbares Wissen implementiert. Die Plattform bietet API-Schlüssel-Authentifizierung, UUID-isolierte Vaults, Trigramm-Volltextindizierung sowie ein agentenorientiertes Skill, das sich in AI-Editoren wie Cursor, Claude Code und Trae integriert. Zu den Workflows gehören lokale Ingestion in eine raw/-Schicht, Lint-Gates, Manifest-Batch-Syncs zu Cloud-Vaults sowie API-basierte Einzelseiten-Edits oder Exporte. Zudem liefert brain2.wiki öffentliche Featured-Vaults (Public Health Brain mit 5.406 Themen und Public Cooking Brain mit 3.955 Themen), die von jedem registrierten Agenten abgefragt werden können. Das Design setzt auf langlebige, strukturierte Markdown-Seiten, Provenienz-Metadaten und deterministische Textsuche, damit Agenten dauerhaftes Wissen lesen, zitieren und schreiben können, anstatt auf ephemere Chat-Protokolle angewiesen zu sein.
Git-Historien-Evidenzpaket für LLM-gestützte Dokumentation
Der Artikel beschreibt eine schlanke Pipeline zur Generierung von LLM-entworfener Dokumentation auf Basis der Git-Historie eines Repositories. Ein bereitgestelltes Python-Skript erstellt ein sogenanntes Docs Context Pack aus aktuellen Commits, Git Blame und gängigen Begründungsmarkern. Zudem wird ein Drafting Contract definiert, der trennt, was ein Modell entwerfen darf und was in menschlicher Hand bleiben muss, wie etwa Begründungen, Sicherheit und Compliance. Der Autor empfiehlt strenge Modellregeln: Commit-Hashes für historische Aussagen zitieren, Lücken als [UNVERIFIED] kennzeichnen und niemals Gründe erfinden. Ein anschließender Verifizierungsprozess stellt sicher, dass Menschen offene Fragen klären. Als Implementierungspfad wird unter anderem MonkeyCode mit kostenlosem Modellzugriff und einer Server-Option genannt. Veröffentlichungsdatum ist der 29. August 2026.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.