chemenu/kb/sources/articles/Source - LLM Wiki v2.md

type, source_type, author, raw_files, source_language, source_url, date, tags, entities, concepts, summary, fidelity, authority

type	source_type	author	raw_files	source_language	source_url	date	tags	entities	concepts	summary	fidelity	authority
types/source.md	article	Rohit Gupta (agentmemory) + Andrej Karpathy (original)	raw/articles/llm-wiki-v2.md	en	https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f	2026-07-26	llm wiki pattern knowledge-management agentmemory production	Agent Memory iii Engine Rohit Gupta Andrej Karpathy	LLM Wiki Pattern Memory Lifecycle Confidence Scoring Supersession Consolidation Tiers Forgetting Knowledge Graph Entity Extraction Typed Relationships Graph Traversal Hybrid Search BM25 Vector Search Reciprocal Rank Fusion Event-Driven Automation Hooks Quality Scoring Self-Healing Contradiction Resolution Mesh Sync Multi-Agent Collaboration Privacy and Governance Filter on Ingest Audit Trail Crystallization Implementation Spectrum	Erweitertes LLM-Wiki-Muster mit Praxiserfahrungen aus agentmemory zu Memory Lifecycle, Confidence Scoring, Wissensgraph und Automatisierung.	published	reporting

Source: LLM Wiki v2

Autor: Rohit Gupta (agentmemory) erweitert Andrej Karpathy's Original
Datum: 2024-2025 (Erweiterung des Originals von 2023)
Quelle: Erweitert Andrej Karpathy's LLM-Wiki-Gist mit Produktionslektionen aus agentmemory
Typ: Article / Pattern Documentation

Zusammenfassung

Dieses Dokument erweitert das ursprüngliche LLM-Wiki-Muster mit Lektionen aus dem Aufbau und Betrieb von agentmemory (20K+ Stars), eine persistente Memory-Engine für AI-Coding-Agenten, die auf iii-engine aufbaut. Während der ursprüngliche Karpathy-Gist die Kernidee etabliert (stop re-deriving, start compiling), behandelt dieses v2-Dokument, was in der Skalierung bricht und was ein Wiki trennt, das nützlich bleibt, von einem, das verrottet.

Die Kernarchitektur (Rohdaten → Wiki → Schema) und Operationen (Ingest, Query, Lint) bleiben gültig. Diese Erweiterung fügt hinzu: Memory-Lifecycle-Management, Knowledge-Graph-Struktur, skalierbare Suche, ereignisgesteuerte Automatisierung, Qualitätskontrollen, Multi-Agent-Zusammenarbeit, Datenschutz/Governance, Kristallisierung und Implementierungsleitfaden.

Kernaussagen

Primärer Fokus (nach Benutzeranfrage)

Memory-Lifecycle: Wissen hat einen Lebenszyklus. Das Original behandelt alle Inhalte für immer als gleichermaßen gültig, aber in der Praxis:

• Konfidenzscoring: Jede Aussage sollte eine Konfidenzpunktzahl haben, die auf Quellenzahl, Aktualität, Autorität und Bestätigung basiert. Die Konfidenz nimmt mit der Zeit ab und wird durch Verstärkung erhöht.
• Supersession: Neue Informationen, die bestehende Ansprüche widersprechen oder aktualisieren, sollten die alte explizit ersetzen, mit verknüpften Zeitstempeln und bewahrten, aber markierten veralteten Versionen.
• Vergessenheit: Nicht alles sollte für immer bestehen. Eine Aufbewahrungskurve implementieren (Ebbinghaus-inspiriert): Aussagen, auf die nicht zugegriffen wird oder die nicht in Monaten verstärkt werden, verblassen allmählich. Nicht gelöscht, aber deprioritiert.
• Konsolidierungstiere: Eine Pipeline von Rohbeobachtungen → Arbeitsspeicher → episodischer Speicher → semantischer Speicher → Prozedurspeicher erstellen. Jede Ebene ist komprimierter, selbstbewusster und langlebiger.

Ereignisgesteuerte Automatisierung: Die größte praktische Lücke im Original ist, dass alles manuell ist. In der Produktion:

• Bei neuer Quelle: Auto-Ingest, Entitys extrahieren, Graph aktualisieren, Index aktualisieren
• Bei Sitzungsbeginn: Relevanten Kontext basierend auf letzter Aktivität laden
• Bei Sitzungsende: Sitzung in Beobachtungen komprimieren, Erkenntnisse einreichen
• Bei Query: Prüfen, ob Antwort wert ist, eingereicht zu werden (Qualitätswert > Schwelle)
• Bei Memory-Write: Widersprüche prüfen, Supersession auslösen
• Planmäßig: Periodisches Lint, Konsolidierung, Aufbewahrungsverfall

Sekundärer Fokus

Jenseits von flachen Seiten - Knowledge Graph:

• Strukturierte Entitys extrahieren (Personen, Projekte, Bibliotheken, Konzepte, Dateien, Entscheidungen) mit Typen, Attributen und Beziehungen
• Typierte Beziehungen verwenden ("uses", "depends on", "contradicts", "caused", "fixed", "supersedes"), nicht nur untypierte Links
• Graph-Traversal für Abfragen ermöglichen (z.B. "Was ist die Auswirkung der Redis-Aktualisierung?" durchquert "depends on"-Kanten)

Suche, die wirklich skaliert:

• Der ursprüngliche index.md funktioniert bis zu ~100-200 Seiten, wird dann unhandlich
• Hybrid-Suche kombiniert: BM25 (Keyword-Matching), Vektorsuche (semantische Ähnlichkeit), Graph-Traversal (strukturelle Verbindungen)
• Ergebnisse mit Reciprocal Rank Fusion (RRF) verschmelzen
• index.md als menschenlesbaren Katalog behalten, aber nicht für LLM-Primärsuche darauf verlassen

Qualität und Selbstkorrektur:

• Alles bewerten: Alle LLM-geschriebenen Inhalte erhalten eine Qualitätsbewertung (Struktur, Quellenzitat, Konsistenz)
• Selbstheilend: Lint sollte automatisch beheben, was es kann (verwaiste Seiten verlinkt, veraltete Ansprüche markiert, unterbrochene Querverweise repariert)
• Widerspruchsauflösung: Vorschlagen, welche Behauptung wahrscheinlicher korrekt ist, basierend auf Aktualität, Autorität und unterstützenden Beobachtungen

Multi-Agent und Zusammenarbeit:

• Mesh-Synchronisierung: Mehrere Agenten arbeiten parallel und müssen Beobachtungen in ein gemeinsames Wiki zusammenführen (Last-Write-Wins mit manueller Überschreibung für Konflikte)
• Gemeinsam vs. privat: Einige Kenntnisse sind persönlich, einige sind gemeinsam; Bereichsdefinition implementieren
• Arbeitskoordinierung: Leichte Nachverfolgung wer an was arbeitet, was blockiert ist, was fertig ist

Datenschutz und Governance:

• Filterung bei Ingest: Empfindliche Daten (API-Schlüssel, Token, Passwörter, PII) automatisch entfernen, bevor sie das Wiki erreichen
• Audit-Trail: Jeder Betrieb (Ingest, Edit, Löschen, Query) mit Zeitstempel protokolliert, was sich geändert hat und warum
• Massenbetriebe: Geprüfte und reversible Bulk-Lösch-, Export-, Merge-Operationen

Kristallisierung: Eine abgeschlossene Kette von Arbeiten (Recherche-Thread, Debugging-Sitzung, Analyse) nehmen und sie automatisch in eine strukturierte Zusammenfassung mit Frage, Ergebnissen, beteiligten Dateien/Entitys und aufkommenden Lektionen destillieren.

Das Schema ist das echte Produkt: Das Schema-Dokument (AGENTS.md, CLAUDE.md) ist die wichtigste Datei - es kodiert domänenspezifische Entitytypen, Beziehungen, Workflows, Qualitätsstandards und Konsolidierungspläne. Zusammen mit dem LLM weiterentwickeln.

Implementierungsspektrum: Modularer Ansatz - minimal beginnen (raw + wiki + index + schema), dann hinzufügen: Lifecycle, Struktur, Automatisierung, Skalierung, Zusammenarbeit wie nötig.

Aufgaben

• Entity-Seiten erstellen für: Agent Memory, iii Engine, Rohit Gupta, Andrej Karpathy
• Konzept-Seiten erstellen für: Memory Lifecycle, Confidence Scoring, Supersession, Consolidation Tiers, Forgetting, Event-Driven Automation, Hooks
• Konzept-Seiten erstellen für: Knowledge Graph, Entity Extraction, Typed Relationships, Graph Traversal, Hybrid Search, BM25, Vector Search, Reciprocal Rank Fusion
• Konzept-Seiten erstellen für: Quality Scoring, Self-Healing, Contradiction Resolution, Mesh Sync, Multi-Agent Collaboration, Privacy and Governance, Audit Trail, Crystallization, Implementation Spectrum
• LLM Wiki Pattern aktualisieren, um v2-Erweiterungen zu integrieren
• Three-Layer Architecture bei Bedarf aktualisieren
• Knowledge Compounding aktualisieren, um auf Memory-Lifecycle zu verweisen
• RAG aktualisieren, um mit verbessertem Wiki-Ansatz zu kontrastieren

Verwandte Entities

• Agent Memory
• iii Engine
• Rohit Gupta
• Andrej Karpathy

Verwandte Concepts

• LLM Wiki Pattern
• Memory Lifecycle
• Knowledge Graph
• Event-Driven Automation
• Hybrid Search
• Quality and Self-Correction
• Multi-Agent Collaboration
• Privacy and Governance
• Crystallization
• Implementation Spectrum

Verwandte Quellen

• Source - LLM Wiki Pattern (das Original, das dies erweitert)