Dein KI-Tool hat Amnesie. Bau ihm ein Gedächtnis.

Jede KI-Session startet bei null. Du pastest denselben Kontext zehnmal am Tag: wer du bist, woran du arbeitest, wie du Dinge haben willst. Und sobald der Chat resettet, ist alles weg. Claude hat Amnesie. ChatGPT auch. Gemini auch. Jedes Modell, das du nutzt (AI Avengers Lab).

Anfang 2026 hat Andrej Karpathy, Ex-KI-Director bei Tesla und OpenAI-Mitgründer, still einen GitHub-Gist veröffentlicht, der beschreibt, wie er das Problem löst. Der Original-Post soll knapp 2 Millionen Views gezogen haben. Und er hat eine Welle losgetreten: Leute bauen sich ein Second Brain für KI. Eine lokale Knowledge Base aus purem Markdown, die mit jeder Nutzung wertvoller wird. Hier ist, was das ist, warum es die Tools schlägt, zu denen du wahrscheinlich greifst, und wie du dir in etwa zehn Minuten eins baust.

Was ist ein Second Brain?

Ein Second Brain ist eine persönliche Knowledge Base, die außerhalb jedes einzelnen KI-Tools lebt und von allen gelesen werden kann. Die Karpathy-Version hat eine bewusst simple Form. Der Kern ist eine Compiler-Analogie (Karpathys LLM Wiki, via YouTube):

• Rohquellen sind der Source Code: Artikel, PDFs, Transkripte, Tweets, Datasets. Werden von der KI nie verändert.
• Das LLM ist der Compiler: Es liest die Rohquellen, extrahiert das Wesentliche und schreibt strukturierte Seiten.
• Das Wiki ist das Executable: saubere, verlinkte Markdown-Seiten, die die KI (und du) tatsächlich abfragt.

Statt besserem Retrieval hinterherzujagen (der RAG-Ansatz) hat Karpathy das Problem umgedreht: Schreib bessere Dokumente. Du wirfst eine Quelle rein, das LLM liest sie, diskutiert die Takeaways, schreibt eine Zusammenfassung und aktualisiert automatisch 10 bis 15 Wiki-Seiten.

Es gibt noch eine zweite, noch simplere Karpathy-Idee, die du kennen solltest: seine persönliche Append-and-Review-Note. Eine einzige Textnotiz. Neue Einträge oben rein, regelmäßig durchscrollen und alles „retten", was noch Aufmerksamkeit verdient, zurück nach oben. Der Rest sinkt „wie unter Schwerkraft" nach unten (Notetime). Keine Ordner, kein Schema, weil Ordner-Management in seinen Worten „viel zu viel" mentalen Overhead kostet. Das LLM Wiki ist der skalierte, agent-gepflegte Cousin desselben Instinkts.

Warum Obsidian?

Du könntest das in jedem Ordner voller Textdateien bauen. Aber Obsidian ist das natürliche Zuhause dafür, aus einem strukturellen Grund: Deine Notizen sind einfach Markdown-Dateien auf deinem eigenen Gerät (NxCode). Genau dieses Local-First-Design macht es KI-flexibel:

• Jede KI kann es lesen: kein Vendor-Lock-in. Lokale Modelle über Ollama, Cloud-APIs oder MCP-verbundene Agents wie Claude Code arbeiten alle gegen dieselben Dateien.
• Lokale Modelle laufen nativ: Mit Ollama oder LM Studio wird daraus ein komplett privates Brain, bei dem nichts deinen Rechner verlässt.
• MCP-Integration: Ein Obsidian-MCP-Server exponiert deinen Vault, sodass Claude Code Notizen direkt vom Terminal aus lesen, durchsuchen, anlegen und ändern kann.
• Die Graph View: Links zwischen Konzepten, Entitäten und Quellen werden sichtbar. Du kannst dem Brain buchstäblich beim Wachsen zusehen (Build Your Second Brain, YouTube).

Der Vergleich, nach dem alle fragen: Für Solo-KI-Workflows schlägt Obsidian Notion. 2.700+ Plugins, jedes Modell anschließbar, voller Offline-Zugriff, lokale KI via Ollama. Notion gewinnt nur bei Team-Kollaboration und strukturierten Datenbanken.

Wie strukturierst du den Vault?

Minimal halten. Eine verbreitete Implementierung auf Basis von Karpathys Spec kommt mit einer Handvoll Ordnern und Dateien aus (MindStudio):

• /raw: Alles, was du aus dem Web clippst, landet hier zuerst. Unangetastet. Das ist eine Queue, keine Bibliothek: Die KI hat es noch nicht verarbeitet.
• /raw/processed: Nach dem Ingest schiebt der Agent die Datei hierher, damit nichts doppelt verarbeitet wird.
• /wiki: Hier lebt die Intelligenz. Der Agent extrahiert Entitäten, Konzepte, Tools und Personen, legt pro Item eine Seite an oder aktualisiert sie, verlinkt mit allem, was dazugehört.
• index.md: die Karte, die die KI zuerst liest, um sich zu orientieren.
• log.md: das laufende Protokoll: was wurde ingested, was hat sich geändert.
• agents.md (oder CLAUDE.md): eine Klartext-Instruktionsdatei im Vault-Root, die dem Agent sagt, wer du bist und exakt wie er ingesten, abfragen und verlinken soll. Diese eine Datei ist der Grund, warum sich die KI „erinnert".

Keine Datenbank. Kein Vector Store. Keine API-Keys an irgendein Custom-Backend. Nur Markdown-Dateien, die jeder Agent lesen und schreiben kann.

Die drei Operationen

Sobald der Vault existiert, läuft das ganze System auf drei Verben:

1. Ingest: Quelle in /raw werfen. Der Agent liest sie, schreibt oder aktualisiert 10 bis 15 Wiki-Seiten und verschiebt die Quelle nach processed.
2. Query: Frage stellen. Der Agent liest index.md, taucht in die relevanten Wiki-Seiten ab und liefert eine zitierte Antwort, die zeigt, welche Quellen er genutzt hat. Gute Implementierungen schreiben die Antwort zurück ins Wiki: Jede Abfrage macht das Brain schlauer.
3. Lint: automatisierte Health-Checks, die Widersprüche, veraltete Claims, verwaiste Seiten und fehlende Querverweise aufdecken. Das Wiki wartet sich selbst.

So baust du deins in 10 Minuten

1. Obsidian installieren von obsidian.md, neuen Vault anlegen.
2. Obsidian Web Clipper als Browser-Extension hinzufügen, Speicherort auf raw setzen. Auf ein YouTube-Video gerichtet zieht er das komplette Transkript, bei Artikeln den Text. Frontmatter (Titel, URL, Datum, Tag) kommt automatisch dazu.
3. Claude Code im Vault öffnen und einen einzigen Prompt mit der Karpathy-Spec pasten. Er baut die komplette Ordnerstruktur für dich.
4. Ersten Ingest fahren. Etwas clippen, dann Claude Code sagen: verarbeite /raw. Und der Graph View beim Aufleuchten zusehen.
5. Automatisieren. Ein nächtlicher Cron-Job sortiert neue Raw-Inputs, während du schläfst. Das Brain wächst, ohne dass du babysittest (AI Second Brains, YouTube).

Ein Creator fährt das System in echt groß: 500+ Long-Form-Videos und 1.000+ Shorts, destilliert in einen einzigen Vault, für rund 5 Dollar im Monat aufs Handy gesynct. Als gemeinsame Source of Truth für Claude Code, andere Agents und Mobile.

Warum das RAG schlägt

Der kontraintuitive Claim im Kern der Methode: Du brauchst vielleicht gar keine Vector-Datenbank. Statt Chunks zu embedden und zu hoffen, dass Retrieval die richtigen hochspült, macht das LLM die Kuration vorab. Es schreibt polierte, verlinkte Dokumente, die schon die Antwort sind. Poliert schlägt roh. Eine gut geschriebene Wiki-Seite groundet das Modell besser als ein Haufen zusammengesuchter Fragmente.

Und weil alles pures Markdown ist, das dir gehört, überlebt es jedes Tool. Modelle wechseln. Dein Brain bleibt.

Häufige Fragen

Brauche ich zwingend Claude Code, oder geht jede KI?

Jeder Agent, der Dateien lesen und schreiben kann, funktioniert. Claude Code + MCP ist die verbreitete Power-Kombi, aber lokale Modelle via Ollama oder andere MCP-Agents lesen dasselbe Markdown.

Ist das dasselbe wie Karpathys Apple-Notes-Methode?

Es ist die skalierte Version. Seine persönliche Append-and-Review-Note ist eine Datei, keine Ordner, Review per Scrollen. Das LLM Wiki nimmt denselben minimalistischen Instinkt, lässt aber einen Agent eine strukturierte, verlinkte Knowledge Base pflegen.

Obsidian oder Notion?

Obsidian für solo, local-first und modell-offen. Notion nur, wenn Team-Kollaboration und strukturierte Datenbanken deine Priorität sind.

Wird mein Vault nicht mit der Zeit unordentlich?

Dafür gibt es die Lint-Operation: Sie flaggt Widersprüche, veraltete Claims und verwaiste Seiten. Das Wiki heilt sich selbst.

Sind meine Daten privat?

Mit lokalen Modellen via Ollama verlässt nichts deinen Rechner. Bei Cloud-APIs geht nur der Kontext raus, den du sendest. Der Vault selbst bleibt auf deinem Gerät.