Wenn du in letzter Zeit etwas Zeit in Produktivitätskreisen verbracht hast – und als Leser dieses Blogs gehe ich einfach mal davon aus –, ist dir wahrscheinlich ein wachsender Trend aufgefallen: Immer mehr Menschen bauen sich ein sogenanntes „Second Brain“, so etwas wie ein persönliches Wiki, welches durch LLMs Anbindung sehr effektiv ist. Nicht nur Abfragen sind sehr einfach und ohne lange Suche möglich, sondern auch das Zusammenführen von Informationen aus unterschiedlichen Quellen.
Den aktuellen Hype hat maßgeblich ein Beitrag des ehemaligen OpenAI-Forschers Andrej Karpathy angestoßen. Darin beschreibt er, wie er lokale Markdown-Dateien zusammen mit KI als eine Art externes Gedächtnis nutzt.
Aber wie bei jedem Produktivitätssystem ist die entscheidende Frage nicht, ob man so etwas bauen kann. Die Frage ist vielmehr: Wann ist dieser Ansatz tatsächlich sinnvoll – und wann betreibt man damit einfach nur Overengineering?
Bevor du also anfängst, dein gesamtes Leben in Hunderte von .md-Dateien zu überführen (was, um ehrlich zu sein, ziemlich umständlich sein kann), lohnt sich ein kurzer Schritt zurück: Ist der Aufwand den Nutzen wirklich wert? Und wenn ja: Für welchen Anwendungsfall?
Die Idee in Kürze
Falls du bisher noch nichts von dem Konzept gehört hast dieses Video gibt einen guten Überblick über den grundsätzlichen Workflow. Es gibt natürlich noch jede Menge weiterer guter Videos zu diesem Thema – aber Vorsicht: Verliere dich nicht in den Details. ;D
Ich persönlich fand diesen Blogartikel mit einer einfachen „How-to“-Anleitung besonders hilfreich für den Einstieg.
Die Grundidee ist eigentlich ziemlich simpel:
Statt dich ausschließlich auf das Wissen zu verlassen, mit dem ein Sprachmodell trainiert wurde, oder jedes Mal das öffentliche Internet zu durchsuchen, baust du dir eine eigene Wissensdatenbank auf. Diese besteht beispielsweise aus Markdown-Dokumenten. Die Informationen müssen dabei jedoch nicht ursprünglich als Markdown vorliegen – auch PDF-Artikel, Code-Repositories, Tabellen, Bilder und viele andere Datenquellen lassen sich mithilfe von LLMs aufbereiten in leicht verarbeitbare .md Dateien anlegen.
Wenn du deinem KI-Assistenten anschließend eine Frage stellst – typischerweise über ein AI-Harness wie Hermes Agent, Claude Code oder ähnliches –, sucht dieser in deiner Wissensdatenbank nach den relevanten Informationen und stellt sie dem LLM als zusätzlichen Kontext zur Verfügung.
Das Ergebnis: Du bekommst Antworten, die sehr präzise auf dem Material basieren, das du selbst in dein LLM-Wiki eingespeist hast.
Und das System kann noch mehr: Sobald du neue Informationen hinzufügst, wird die Wissensdatenbank aktualisiert. Das LLM kann daraus wiederum neue Wiki-Seiten erstellen, die dir helfen, die hinzugefügten Informationen später auch in einem anderen Kontext zu verstehen und miteinander zu verknüpfen.
Gerade zum Lernen und für das Arbeiten mit komplexen Wissensgebieten ist das ziemlich spannend!
Wann sich das Ganze wirklich lohnt
Besonders interessant wird dieser Ansatz, wenn du regelmäßig auf einen bestimmten Wissensbestand zugreifen musst, der sich nicht einfach über das Internet recherchieren lässt.
Zum Beispiel:
- dein persönliches Wissen über einen bestimmten Fachbereich
- interne Projektdokumentation
- unternehmensspezifische Prozesse
- Recherche- und Forschungsergebnisse, die du über Monate oder sogar Jahre gesammelt hast
Kurz gesagt: Es geht um Informationen, die vor allem deshalb existieren, weil du sie selbst gesammelt und kuratiert hast.
Eine zweite wichtige Voraussetzung ist, dass deine Wissensdatenbank einem klaren Ziel dient.
Wenn du einfach wahllos Notizen in ein Wiki kippst, „für alle Fälle“, ist der Return on Investment meist eher überschaubar.
Ganz anders sieht es aus, wenn ein besserer Zugriff auf dein Wissen tatsächlich bessere Entscheidungen ermöglicht. Wenn beispielsweise die Wahl der richtigen Information, Vorgehensweise oder Fähigkeit einen erheblichen Einfluss auf den Ausgang eines Projekts hat oder dabei hilft, ein konkretes Problem in deinem Team zu lösen, kann eine LLM-gestützte Wissensdatenbank enorm wertvoll werden.
Als Faustregel könnte man deshalb sagen: Je spezifischer dein benötigtes Wissen ist und je schlechter es sich über eine einfache Websuche finden lässt, desto eher lohnt es sich, dieses Wissen systematisch zu organisieren und deine Zeit in den Aufbau eines LLM-Wikis zu investieren.
Wann es wahrscheinlich “Overengineering” ist
Im Umkehrschluss ergibt sich aber daraus, dass sich der Aufbau eines LLM Wikis nicht lohnt, wenn sich die meisten Informationen ohnehin schnell im Internet finden lassen oder du deine eigenen Notizen zu einem Thema nur selten wieder anschaust.
Dazu kommt ein ganz praktischer Punkt: Ein LLM-Wiki funktioniert nicht völlig von allein.
Damit es langfristig einen echten Mehrwert bietet, brauchst du Organisation und regelmäßige Pflege. Niemand möchte schließlich Antworten bekommen, die auf Informationen basieren, die längst veraltet sind.
Bevor du dich also für ein solches System entscheidest, solltest du ehrlich prüfen, ob der erwartete Nutzen den laufenden Pflegeaufwand tatsächlich rechtfertigt.
Ein wichtiger Punkt zur Datensicherheit
Ein Aspekt wird bei diesem Thema leicht übersehen: Wie kommen die Informationen überhaupt erst in deine Wissensdatenbank?
In den Browser-Marktplätzen gibt es mittlerweile einige Markdown-Web-Clipper, die für das Erfassen von Webseiten sehr weitreichende Berechtigungen verlangen. Dadurch können sie unter Umständen auf deutlich mehr Inhalte einer Seite zugreifen, als dir bewusst ist – einschließlich Zugangsdaten oder anderen vertraulichen Informationen.
Wenn du also Informationen von Websites sammelst, die beispielsweise eine einfache Authentifizierung über Benutzername und Passwort verwenden oder persönliche Daten enthalten, solltest du besonders vorsichtig sein.
Eine einfache Vorsichtsmaßnahme ist die Verwendung eines separaten Browsers, welcher ausschließlich für diese Art von Recherche genutzt wird.
Damit trennst du deinen Clipping-Workflow von deinem normalen Surfverhalten. Das reduziert das Risiko, dass du beispielsweise versehentlich Informationen aus deinem Online-Banking oder einer anderen vertraulichen Anwendung kopierst und aus Versehen an unsicherer Stelle speicherst.
Das Fazit
LLM-gestützte persönliche Wissensdatenbanken sind eine spannende Weiterentwicklung der „Second Brain“-Idee, die unter anderem durch Tiago Forte und sein sehr lesenswertes Buch bekannt geworden ist. Andrej Karpathy hat diese Idee nun um den Gedanken erweitert, ein LLM als Motor für die eigene Wissensdatenbank einzusetzen.
Am besten funktionieren sie, wenn du über Wissen verfügst, das in der Form nicht öffentlich verfügbar ist, und wenn dieses Wissen ein konkretes Ziel unterstützt.
Andernfalls besteht die Gefahr, dass du ein leistungsfähiges System baust, das letztlich vor allem Informationen verwaltet, die du auch mit einer schnellen Google- oder Websuche hättest finden können.
Wie bei den meisten Produktivitätstools gilt deshalb: Die intelligenteste Lösung ist nicht unbedingt die ausgefeilteste. Es ist diejenige, deren Pflegeaufwand durch den Wert gerechtfertigt wird, den sie tatsächlich erzeugt.
Checkliste
- Identifiziere ein Projekt, eine Entscheidung oder einen Wissensbereich, bei dem ein besserer Zugriff auf dein eigenes Wissen einen echten Mehrwert schaffen würde.
- Beschränke dich zunächst auf maximal drei separate Wikis.
- Beginne mit einer überschaubaren Auswahl an Notizen, bevor du deine komplette Projektdatenbank in dein LLM-Wiki migrierst.
- Etabliere einen Prozess, mit dem du deine Informationen organisiert und auf dem neuesten Stand hältst. Neue Daten sollten aufgenommen und gleichzeitig der Index aktualisiert werden; außerdem solltest du regelmäßig ein Linting durchführen. Andernfalls können veraltete Notizen dein Wiki zunehmend unzuverlässig und damit weniger nützlich machen.
- Achte auf die Berechtigungen deiner Web-Clipper. Gib ihnen keinen unnötigen Zugriff auf vertrauliche Informationen, Passwörter oder persönliche Daten. Am besten verwendest du für das Web-Clipping einen separaten Browser.