torben/chemenu
1
1
Fork 0
Code Issues 26 Pull Requests Actions Packages Releases 32 Activity
Files
abe5497cdad2b0aca5e7a6d8dd34926004e563ca
chemenu/kb/sources/Source - LLM Wiki v2.md
T
torben 18ae28f918
CI / verify (push) Failing after 32s
Details
Release / release (push) Successful in 38s
Details
Chemenu 2.1.0 - deterministischer Wissenskompiler 
Chemenu kompiliert Rohnotizen zu einem verlinkten, quellengebundenen Wiki:
raw/ -> types/ + tools/ -> kb/ -> reports/. Was mechanisch ist, macht
tools/wikitool; was Urteil braucht, macht ein Agent unter Contracts, deren
Grenzen in Code durchgesetzt sind statt im Prompt.

Dieser Commit ist der Startpunkt der oeffentlichen Historie. Die vorherige
Entwicklung fand in einer privaten Instanz statt und ist nicht Teil dieses
Repositorys; ihre Erzaehlung steht vollstaendig in CHANGES.md, das mit 44
Eintraegen von 0.1.0 bis 2.1.0 erhalten geblieben ist.

Der mitgelieferte Korpus ist ein Testbett und eine Demo: 170 Seiten ueber den
Stack selbst - Gates, Lint, Versionierung, Suche, das Wiki-Muster. Er
dokumentiert das Werkzeug mit den eigenen Mitteln des Werkzeugs.

Lizenz: AGPL-3.0 fuer den Stack (tools/, types/), CC-BY-4.0 fuer die Inhalte.
Die Grenze zwischen beiden ist der Dateiplan, den dist export berechnet -
siehe NOTICE.
2026-09-01 16:26:14 +02:00

8.5 KiB
Raw Blame History

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

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

Verwandte Entities

Verwandte Concepts

Verwandte Quellen

Reference in New Issue View Git Blame Copy Permalink