Andrej Karpathy hat gerade eines der interessantesten KI-Experimente des Jahres unterstützt: Farzapedia — ein persönliches Wikipedia, das aus 2.500 Tagebucheinträgen, Apple Notes und iMessage-Gesprächen aufgebaut und automatisch in 400 detaillierte Wiki-Artikel organisiert wurde.

Doch Karpathys Begeisterung galt nicht der Neuartigkeit. Sie galt der Architektur. Er bezeichnete es als überlegenen Ansatz zur KI-Personalisierung, und seine Begründung ist für jeden relevant, der über den Aufbau eines effektiven KI-Workflows nachdenkt.

Das Problem mit „KI-Memory”

Die meisten KI-Produkte versprechen heute, dass dein KI-Assistent „mit der Nutzung besser wird”. Deine Gespräche werden analysiert, Muster erkannt, und die KI baut still ein Verständnis davon auf, wer du bist.

Das Problem? Es ist eine Black Box.

Du kannst nicht sehen, was die KI über dich zu wissen glaubt. Du kannst falsche Annahmen nicht korrigieren. Du kannst deinen Wissenskontext nicht mit einem anderen KI-Tool teilen. Und wenn du den Anbieter wechselst, fängst du bei null an.

Karpathy identifiziert drei Eigenschaften, die ein persönliches Wiki grundlegend überlegen machen:

Explizit: Du kannst genau sehen, was die KI über dich weiß oder nicht weiß. Das Wissen ist einsehbar, navigierbar und bearbeitbar — nicht in einem undurchsichtigen Modell vergraben.
Portabel: Die Daten gehören dir. Es sind nur Dateien. Du kannst sie zwischen Tools verschieben, sichern oder Teile davon mit anderen teilen.
Kombinierbar: Verschiedene KI-Tools können dieselbe Wissensdatenbank lesen. Deine Recherchen gehören nicht ChatGPT oder Claude — sie gehören dir.

Vom Tagebuch zum Wikipedia — und vom Web zum Wikipedia

Farzapedia startete mit persönlichen Notizen. Aber das Wissen der meisten Menschen lebt nicht in ihren Tagebüchern — es lebt in den Webseiten, die sie täglich lesen.

Denk darüber nach: Artikel, die du recherchiert hast, Produktseiten, die du verglichen hast, Dokumentationen, auf die du verwiesen hast, Tutorials, denen du gefolgt bist. Das ist dein Arbeitswissen, verstreut auf Hunderten von Browser-Tabs und Lesezeichen, die irgendwann vergessen werden.

Was wäre, wenn du das alles in dein eigenes persönliches Wikipedia verwandeln könntest?

Dein Wiki LLM in der Praxis aufbauen

Der Ansatz ist unkompliziert:

1. Alles Wichtige festhalten

Statt Seiten als Lesezeichen zu speichern (die du nie wieder besuchst), konvertiere sie beim Surfen in sauberes, strukturiertes Markdown. Das bewahrt den eigentlichen Inhalt — nicht nur eine URL, die vielleicht irgendwann kaputt geht oder sich ändert.

Mit Save wird jede Webseite mit einem Klick zu einer Markdown-Datei. Die KI extrahiert den bedeutsamen Inhalt, entfernt das Rauschen und strukturiert ihn für die Langzeitnutzung.

2. In Wissensdatenbanken organisieren

So wie Wikipedia Kategorien hat, braucht dein persönliches Wiki Struktur. Gruppiere deine gespeicherten Seiten nach Thema in Wissensdatenbanken:

Save Vault/
  React Research/
  Competitor Analysis/
  Product Design/
  Industry Trends/
  Cooking/

Jede Wissensdatenbank wird zu einer Kategorie in deiner persönlichen Enzyklopädie.

3. Für KI durchsuchbar machen

Hier wird es mächtig. Wenn dein persönliches Wiki als Markdown-Dateien in einem lokalen Ordner strukturiert ist, können KI-Assistenten es direkt durchsuchen und referenzieren.

Mit Save Vault und dem eingebauten MCP-Server kann Claude:

Alle deine gespeicherten Seiten durchsuchen
Jeden Artikel vollständig lesen
Informationen zwischen verschiedenen Wissensdatenbanken verknüpfen
Fragen beantworten, die in deinem kuratierten Wissen verankert sind — nicht in generischen Trainingsdaten

Wenn du Claude eine Frage stellst, prüft es zunächst dein persönliches Wiki. Wenn du letzte Woche einen Artikel über Datenbankarchitekturen gespeichert hast, referenziert Claude genau diesen Artikel, anstatt dir eine generische Antwort zu geben.

4. Den Zinseszinseffekt nutzen

Die eigentliche Magie liegt im Compounding. Jede gespeicherte Seite macht dein persönliches Wiki vollständiger. Über Wochen und Monate baust du eine Wissensdatenbank auf, die keine KI von Grund auf neu erschaffen könnte — weil sie deine spezifischen Interessen, deine Recherchehistorie und deinen beruflichen Kontext widerspiegelt.

Das meint Karpathy mit „expliziter Personalisierung”. Keine KI, die aus Gesprächsmustern errät, was dich interessiert. Ein strukturiertes, sichtbares, bearbeitbares Wissenskorpus, das du absichtlich aufgebaut hast.

Warum Markdown das richtige Format ist

Karpathys Betonung von Dateneigentum ist kein Zufall. Das Format spielt eine Rolle.

Markdown ist universell: Jedes KI-Tool kann es lesen. Es ist an keine Plattform gebunden.
Markdown ist menschenlesbar: Du kannst jede Datei in jedem Texteditor öffnen und lesen.
Markdown ist versionierbar: Du kannst Änderungen mit Git im Zeitverlauf verfolgen.
Markdown ist leichtgewichtig: Tausende von Artikeln belegen kaum Speicherplatz.

Deshalb sprechen Tools wie Obsidian, Claude Code und Save alle nativ Markdown. Es ist die Lingua franca des KI-nativen Wissens-Stacks.

Der persönliche Wikipedia-Workflow

Hier ist der vollständige Workflow in der Praxis:

Surfe normal im Web. Wenn du etwas Erinnernswürdiges findest, klick auf Save.
Save konvertiert es in Markdown — sauber, strukturiert, mit erhaltenen Metadaten.
Save Vault speichert es lokal in deinen Wissensdatenbank-Ordnern.
Claude liest deinen Vault via MCP bei Fragen und verankert Antworten in deinem gespeicherten Wissen.
Dein Wiki wächst automatisch mit jeder gespeicherten Seite.

Kein Setup. Keine Datenbank. Kein Abonnement für eine Wissensmanagement-Plattform. Nur Markdown-Dateien auf deinem Computer, zugänglich für jedes KI-Tool deiner Wahl.

Vom Konsumenten zum Wissensschöpfer

Karpathys Wiki-LLM-Konzept steht für einen Wandel in unserem Denken über KI-Personalisierung. Statt passive Konsumenten von KI zu sein — unsere Daten in undurchsichtige Systeme einzuspeisen und zu hoffen, dass sie lernen — werden wir zu aktiven Kuratoren unseres eigenen Wissens.

Dein persönliches Wikipedia ist explizit, portabel und gehört dir. Und es macht jede KI-Interaktion besser, weil die KI mit deinem Wissen arbeitet, nicht nur mit ihren Trainingsdaten.

Die klügste KI-Strategie für 2026 ist nicht, ein intelligenteres Modell zu nutzen. Es ist, eine intelligentere Wissensdatenbank aufzubauen.

Save konvertiert jede Webseite in sauberes Markdown und speichert sie in deiner lokalen Wissensdatenbank. In Kombination mit dem MCP-Server von Save Vault kann Claude dein gespeichertes Wissen direkt durchsuchen und referenzieren. Save kostenlos testen.