chemenu/kb/concepts/LLM Wiki Pattern.md

type, concept_type, tags, created, modified, related, sources, confidence, confidence_base, provenance, summary

type	concept_type	tags	created	modified	related	sources	confidence	confidence_base	provenance	summary
types/concept.md	architecture	knowledge-management llm wiki pattern	2026-07-26	2026-08-29	Three-Layer Architecture Knowledge Compounding RAG Vannevar Bush Memory Lifecycle	Source - LLM Wiki Pattern Source - LLM Wiki v2	0.95	0.95	sourced	Methodik für persönliches Wissensmanagement, bei der ein LLM aus Rohquellen ein dauerhaftes Wiki aufbaut - Wissen wird kompiliert statt per RAG neu hergeleitet.

LLM Wiki Pattern

Typ: Architektur (Muster für Personal Knowledge Management)

Definition

Das LLM Wiki Pattern ist eine Methodik zum Aufbau persönlicher Wissensdatenbanken, bei der ein Large Language Model (LLM) schrittweise einen persistenten, strukturierten Wiki aus Raw-Source-Dokumenten aufbaut und verwaltet. Im Gegensatz zu traditionellen RAG-Systemen (Retrieval Augmented Generation), die Wissen bei jeder Abfrage von Grund auf neu ableiten, kompiliert das LLM Wiki Pattern Wissen einmal und hält es aktuell.

Dieses Wiki selbst implementiert das LLM Wiki Pattern.

Kernpunkte

Das Kernproblem

Traditionelle RAG-Ansätze (exemplifiziert durch NotebookLM, ChatGPT Datei-Uploads) leiden unter:

• Wissen wird bei jeder Abfrage von Grund auf neu entdeckt
• Keine Ansammlung von synthetisiertem Verständnis
• Subtile Fragen, die Synthese mehrerer Dokumente erfordern, müssen jedes Mal neu abgeleitet werden
• Keine persistenten Cross-References oder Widerspruchsmarkierung
• Kein Akkumulationseffekt durch das Hinzufügen neuer Quellen

Die Lösung

Das LLM Wiki Pattern führt eine persistente Wiki-Ebene zwischen dem Benutzer und den Rohdatenquellen ein:

• Wissen wird einmal aus jeder Quelle kompiliert
• Das Wiki wird durch Updates aktuell gehalten, wenn neue Quellen ankommen
• Cross-References werden automatisch verwaltet
• Widersprüche werden bei Erkennung markiert
• Wissen sammelt sich an, wenn mehr Quellen hinzugefügt werden

Wichtige Einsicht

"Das Wiki ist ein persistentes, akkumulierendes Artefakt. Die Cross-References sind bereits vorhanden. Die Widersprüche wurden bereits markiert. Die Synthese spiegelt bereits alles wider, was Sie gelesen haben. Das Wiki wird mit jeder hinzugefügten Quelle und jeder gestellten Frage reicher."

V2-Erweiterungen

Das ursprüngliche Muster wurde in LLM Wiki v2 (von Rohit Gupta, aufgebaut auf Andrej Karpathys Original) mit Produktionslektionen aus Agent Memory erweitert. Diese Ergänzungen behandeln, was in der Skalierung bricht und was ein Wiki unterscheidet, das nützlich bleibt, von einem, das verfällt.

Kernverbesserungen

Verbesserung	Zweck	Concept-Seite
Memory Lifecycle	Wissen hat einen Lebenszyklus - er muss verwaltet werden	Memory Lifecycle
Confidence Scoring	Jede Tatsache trägt eine Zuverlässigkeitsbewertung	Confidence Scoring
Supersession	Neue Informationen ersetzen explizit alte (Versionskontrolle für Wissen)	Supersession
Forgetting	Alte, irrelevante Informationen verblassen (nicht gelöscht)	Forgetting
Consolidation Tiers	Informationen fördern durch Tiers, wenn Beweise ansammeln	Consolidation Tiers

Strukturverbesserungen

Verbesserung	Zweck	Concept-Seite
Knowledge Graph	Typisierte Entities und Beziehungen auf Seiten	Knowledge Graph
Entity Extraction	Strukturierte Entities aus Quellen extrahieren	Teil von Knowledge Graph
Typed Relationships	Nicht alle Links sind gleich (depends on, uses, contradicts usw.)	Knowledge Graph
Graph Traversal	Durch den Graphen gehen für komplexe Abfragen	Graph Traversal

Skalierungsverbesserungen

Verbesserung	Zweck	Concept-Seite
Hybrid Search	BM25, Vektorsuche und Graph-Traversal kombinieren	Hybrid Search
BM25	Keyword-Matching mit Stemming	BM25
Vector Search	Semantische Ähnlichkeit durch Einbettungen	Vector Search
Reciprocal Rank Fusion	Sucherergebnisse aus mehreren Modalitäten zusammenführen	Reciprocal Rank Fusion

Automatisierungsverbesserungen

Verbesserung	Zweck	Concept-Seite
Event-Driven Automation	Hooks für Auto-Ingest, Auto-Lint usw.	Event-Driven Automation
Hooks	Event-Listener, die Aktionen auslösen	Hooks

Qualitätsverbesserungen

Verbesserung	Zweck	Concept-Seite
Quality Scoring	Score aller von LLM geschriebenen Inhalte	Quality and Self-Correction
Self-Healing	Automatisch beheben, was Lint kann	Quality and Self-Correction
Contradiction Resolution	Automatisch Widersprüche beheben	Quality and Self-Correction

Zusammenarbeit-Verbesserungen

Verbesserung	Zweck	Concept-Seite
Multi-Agent Collaboration	Mehrere Agenten tragen zum gleichen Wiki bei	Multi-Agent Collaboration
Mesh Sync	Beobachtungen von parallelen Agenten zusammenführen	Multi-Agent Collaboration
Shared vs Private	Wissen angemessen scoping	Multi-Agent Collaboration
Work Coordination	Doppelte Arbeit verhindern	Multi-Agent Collaboration

Governance-Verbesserungen

Verbesserung	Zweck	Concept-Seite
Privacy and Governance	Sicherheit und Rechenschaftspflicht	Privacy and Governance
Filter on Ingest	Sensitive Daten automatisch entfernen	Privacy and Governance
Audit Trail	Alle Vorgänge protokollieren	Privacy and Governance
Bulk Operations	Geprüfte, reversible Massenvorgänge	Privacy and Governance

Erweiterte Funktionen

Verbesserung	Zweck	Concept-Seite
Crystallization	Erkundungen zu strukturiertem Wissen destillieren	Crystallization
Implementation Spectrum	Modularer Adoptionspfad von minimal bis voll	Implementation Spectrum

Für einen geführten Adoptionspfad siehe Implementation Spectrum.

Architektur

Siehe Three-Layer Architecture für Details:

1. Rohdatenquellen — Unveränderliche kuratierte Sammlung von Quelldokumenten (Artikel, Papiere, Bilder, Datendateien)
2. Das Wiki — Verzeichnis von LLM-generierten Markdown-Dateien (Zusammenfassungen, Entity-Seiten, Concept-Seiten, Vergleiche, Index, Log)
3. Das Schema — Konfigurationsdokument (z. B. AGENTS.md), das Struktur, Konventionen und Workflows definiert

Vorgänge

Aufnahme-Workflow

1. Benutzer legt neue Quelle in Rohdatensammlung ab
2. LLM liest die Quelle
3. LLM diskutiert wichtige Erkenntnisse mit Benutzer
4. LLM schreibt Zusammenfassungsseite im Wiki
5. LLM aktualisiert relevante Entity- und Concept-Seiten im gesamten Wiki
6. LLM aktualisiert index.md
7. LLM fügt Eintrag zu log.md hinzu

Ergebnis: Eine einzelne Quelle könnte 10-15 Wiki-Seiten berühren.

Abfrage-Workflow

1. Benutzer stellt eine Frage
2. LLM durchsucht index.md nach relevanten Seiten
3. LLM liest relevante Entity- und Concept-Seiten
4. LLM folgt Cross-References zu verwandten Seiten
5. LLM synthetisiert Antwort mit Zitaten
6. Wertvolle Antworten werden als neue Wiki-Seiten eingereicht

Lint-Workflow

Periodische Gesundheitsprüfung zu:

• Widersprüche zwischen Seiten finden
• Veraltete Aussagen identifizieren
• Verwaiste Seiten lokalisieren
• Fehlende Seiten finden
• Fehlende Cross-References identifizieren
• Verbesserungen vorschlagen

Schlüsselkomponenten

Indizierung und Protokollierung

• index.md: Inhaltsgerichteter Katalog, nach Kategorie organisiert. Einstiegspunkt des LLM zum Finden relevanter Seiten.
• log.md: Chronologischer Append-Only-Datensatz aller Vorgänge.

Seitentypen

• Source-Seiten: Zusammenfassungen aufgenommener Quellen
• Entity-Seiten: Projekte, Systeme, Tools, Technologien, Menschen
• Concept-Seiten: Architekturen, Muster, Protokolle, Workflows, Entscheidungen, Probleme
• Vergleichs-Seiten: Nebeneinander-Analyse von Entities

Rollen

Menschliche Verantwortungen

• Quellen kuratieren (Qualitätsdokumente finden und auswählen)
• Die Analyse leiten (LLM anleiten, worauf zu betonen ist)
• Gute Fragen stellen (Wissenssynthese vorantreiben)
• Über die Bedeutung nachdenken (synthetisiertes Wissen interpretieren)

LLM-Verantwortungen

• Schlüsselinformationen aus Quellen lesen und extrahieren
• Alle Wiki-Inhalte schreiben und verwalten
• Cross-References erstellen und aktualisieren
• Konsistenz über Seiten aufrechterhalten
• Widersprüche und Lücken markieren
• Buchführung durchführen (Ablage, Index-Aktualisierung, Protokollierung)

Wann zu verwenden

• Personal Knowledge Management im Laufe der Zeit
• Tiefe Forschung zu einem Thema (Wochen oder Monate)
• Bücher mit vielen Cross-References lesen
• Geschäfts-/Team-interne Dokumentation
• Konkurrenzanalyse, Due Diligence
• Reiseplanung, Kursnotizen, Hobby-Tieftauchgänge
• Jede Domäne, in der Wissen angesammelt und organisiert werden soll

Wann NICHT zu verwenden

• Einfache, einmalige Fragen (traditionelles RAG reicht aus)
• Notwendigkeit von Echtzeit-Updates aus Live-Datenquellen
• Domänen, in denen strukturierte Abfrage (SQL) angemessener ist
• Wenn der Overhead der Wiki-Wartung den Vorteil überwiegt

Verwandte Concepts

• RAG: Der traditionelle Ansatz, den dieses Muster verbessert
• Knowledge Compounding: Die Auswirkung des Aufbaus von Wissen auf sich selbst
• Three-Layer Architecture: Die architektonische Grundlage : Vannevar Bushs 1945er Vision, die dieses Muster inspirierte

Beispiele

• Persönlich: Ziele, Gesundheit, Psychologie, Selbstverbesserung verfolgen
• Forschung: Tiefer in ein Thema eintauchen, Papiere lesen, umfassendes Wiki aufbauen
• Lesen: Jedes Kapitel ablegen, Seiten für Charaktere, Themen, Handlungsfäden erstellen
• Geschäft: Internes Wiki mit Slack-Threads, Meetingtransskripten, Projektdokumenten gefüttert
• Fan-Wikis: Wie Tolkien Gateway — Tausende verlinkter Seiten

Tools

• Obsidian: Die IDE zum Durchsuchen von Wiki-Inhalten
• qmd: Optionale Suchmaschine für größere Wikis
• Marp: Zum Erstellen von Präsentationen aus Wiki-Inhalten
• Dataview: Für dynamische Tabellen und Listen
• Obsidian Web Clipper: Zum schnellen Aufnehmen von Quellen in die Rohdatensammlung

Historie

• [1945] - Vannevar Bush schlägt Memex-Konzept vor
• [2023-2024] - LLM-Agenten werden fähig genug, das Muster zu implementieren
• [2026-07-26] - Concept-Seite erstellt; dieses Wiki implementiert das Muster

Siehe auch

• Three-Layer Architecture
• Knowledge Compounding
• RAG
• Vannevar Bush
• Obsidian

Beziehungen

• Three-Layer Architecture
• Knowledge Compounding
• RAG
• Vannevar Bush
• Memory Lifecycle