Das von Andrej Karpathy vorgestellte LLM-Wiki-Muster etabliert einen neuen Standard für KI-gestützte Wissensdatenbanken. Anders als herkömmliche Retrieval-Systeme, die bei jeder Anfrage neu interpretieren, ermöglicht dieses Konzept eine persistente, sich selbst aktualisierende Wissensgrundlage. Large Language Models übernehmen dabei nicht nur die Abfrage, sondern bauen aktiv eine vernetzte Markdown-Struktur auf. Das Ergebnis ist ein lebendiges Wissensartefakt, dessen Nutzen mit jeder Verarbeitung steigt. Die Architektur basiert auf einer klaren Verzeichnisstruktur. Originaldokumente verbleiben unverändert im Ordner raw/. Das Modell generiert daraus Entitäten, Zusammenfassungen und Querverweise im Ordner wiki/. Eine index.md führt das Inhaltsverzeichnis, log.md dokumentiert Importe und Wartungsschritte. Zentrales Steuerelement ist die Datei claude.md im Stammverzeichnis. Sie definiert als Schema verbindliche Regeln für Formatierung, Benennung, den Umgang mit Widersprüchen sowie die Workflows für Datenimport, Abfragen und Qualitätsprüfung. Entwicklungstools wie Claude Code oder Cursor integrieren diese Konfiguration automatisch und gewährleisten eine konsistente Datenverarbeitung. Der operative Prozess gliedert sich in drei Phasen. Beim Ingest werden neue Quelldokumente in raw/ abgelegt und durch einen automatisierten Befehl verarbeitet. Das Modell extrahiert relevante Informationen, verknüpft sie mit bestehenden Einträgen und aktualisiert das Inhaltsverzeichnis. Bei Abfragen durchsucht das System zunächst das Inhaltsverzeichnis, folgt den Verknüpfungen und formuliert kontextbasierte Antworten. Fundierte Ergebnisse können dauerhaft als neue Wiki-Einträge archiviert werden. Regelmäßige Wartungsrunden, alle ein bis zwei Wochen, automatisieren die Pflege: Das System identifiziert verwaiste Einträge, veraltete Aussagen oder fehlende Verknüpfungen und korrigiert diese autonom. Der wesentliche Vorteil gegenüber klassischen RAG-Ansätzen liegt in der kontinuierlichen Wissensakkumulation. Statt bei jeder Interaktion neu zu kompilieren, wird das Wissen initial strukturiert und laufend gepflegt. Bereits nach der Verarbeitung weniger Dutzend Quellen entsteht ein organisierter Forschungsassistent, der Zusammenhänge persistiert und kontextuell einordnet. Besonders durch die stabile Verlinkung nutzt die Graphendarstellung in Tools wie Obsidian ihren tatsächlichen Wert. Das Muster zeigt, dass die Herausforderung nicht in der Tool-Auswahl, sondern in der konsequenten Delegation der Dokumentation liegt. Nutzer agieren als Kuratoren, das Modell übernimmt die technische Strukturierung. Durch diese Entkopplung verwandelt sich eine statische Dateisammlung in ein kognitives Ökosystem, das Recherche und Entscheidungsfindung nachhaltig beschleunigt. Der Referenzentwurf steht öffentlich bereit und markiert einen pragmatischen Schritt hin zu selbstlernenden Wissensarchitekturen.