Claude Code + Obsidian: So baut Karpathy ein KI-Second-Brain ohne Vektordatenbank

Andrej Karpathy hat eine Methode vorgestellt, die Obsidian und Claude Code zu einem KI-gesteuerten Second Brain verbindet. Statt komplexer RAG-Pipelines mit Vektordatenbanken reichen strukturierte Markdown-Dateien, Wiki-Links und eine durchdachte Ordnerstruktur. Das LLM organisiert, verknüpft und durchsucht das Wissen automatisch. Die Einrichtung dauert wenige Minuten und kostet einen Bruchteil herkömmlicher Lösungen. Dieser Artikel erklärt das Konzept, die konkrete Ordnerstruktur, den Workflow aus Ingest, Query und Lint sowie die Weiterentwicklung zur Agent-Memory-Architektur (LLM Wiki v2).

Was ist die Karpathy-Methode?

Andrej Karpathy, ehemaliger KI-Chef bei Tesla und Mitgründer von OpenAI, hat Anfang April 2026 ein System vorgestellt, das persönliches Wissensmanagement grundlegend vereinfacht. Die Architektur hat er in einem öffentlichen GitHub-Gist dokumentiert. Der Post erreichte über 16 Millionen Aufrufe, der Gist sammelte innerhalb weniger Tage mehr als 5.000 Sterne und löste eine Welle eigener Implementierungen aus. Die Idee: Ein LLM wie Claude übernimmt die Rolle eines unermüdlichen Assistenten, der Wissen sammelt, strukturiert und auf Abruf bereitstellt. Als Speicher dient keine Datenbank, sondern ein Ordner mit Markdown-Dateien. Der Ansatz folgt einer klaren Philosophie: Obsidian ist das Frontend, das LLM ist das Backend. Obsidian dient als Benutzeroberfläche zum Lesen, Navigieren und Visualisieren. Claude Code erledigt die eigentliche Arbeit im Hintergrund: schreiben, organisieren, verknüpfen, pflegen. Die Wiki-Dateien müssen fast nie manuell bearbeitet werden. Wichtig: Karpathy hält seinen Gist bewusst abstrakt. Er beschreibt das Prinzip, nicht eine fertige Implementierung. Die exakte Ordnerstruktur, die Schema-Konventionen und das Tooling hängen vom jeweiligen Anwendungsfall ab. Die folgenden Abschnitte zeigen eine bewährte konkrete Umsetzung. Wer Karpathys Forschungsansätze vertiefen möchte, findet in unserem Artikel über AutoResearch und autonome KI-Agenten weitere Einblicke in seine Arbeit.

Warum kein klassisches RAG?

Retrieval-Augmented Generation (RAG) ist der Standardansatz, um LLMs mit externem Wissen zu versorgen. Dokumente werden in Chunks zerlegt, als Vektoren eingebettet und in einer Datenbank gespeichert. Bei einer Anfrage sucht das System per Similarity Search nach relevanten Passagen und übergibt sie dem Modell. Der entscheidende Nachteil: Klassisches RAG entdeckt Wissen bei jeder Anfrage neu. Es gibt keine Akkumulation, keine bleibende Struktur. Karpathys Methode dreht das um. Das LLM baut ein Wissen auf, das mit jeder Quelle wächst und bestehen bleibt. Konkret verzichtet die Methode komplett auf diese Infrastruktur. Keine Vektordatenbank, keine Embeddings, keine Chunking-Pipeline. Stattdessen liest Claude Code einen Master-Index (index.md), folgt Wiki-Links zu den relevanten Dokumenten und generiert die Antwort. Das funktioniert, weil Markdown das Format ist, das LLMs nativ am besten, am schnellsten und am günstigsten verarbeiten. Die Vorteile gegenüber klassischem RAG sind erheblich: - Keine Infrastruktur nötig: Das System besteht aus Ordnern und Textdateien. Kein Server, kein Hosting, keine laufenden Compute-Kosten für Embeddings. - Tiefere Verbindungen: Klassisches RAG findet Informationen per mathematischer Ähnlichkeit. Wiki-Links bilden dagegen echte inhaltliche Zusammenhänge ab, die das LLM gezielt erstellt hat. - Volle Transparenz: Jeder Eintrag ist menschenlesbar. Über Obsidians Graph-Ansicht lassen sich die Verbindungen zwischen Themen visuell erfassen. - Drastisch geringere Kosten: Durch die strukturierten Indizes muss das LLM nicht jedes Mal riesige Dokumente neu lesen. Im Kleinmaßstab (rund 100 Artikel) berichten Nutzer von Token-Einsparungen bis zu 95 Prozent, allerdings im Vergleich zum naiven Laden aller Quelldokumente in den Kontext, nicht gegenüber einer optimierten RAG-Pipeline. Die wichtige Einschränkung: Dieser Ansatz eignet sich für Einzelpersonen und kleine Teams. Ab Millionen von Dokumenten im Enterprise-Bereich sind klassische RAG-Systeme wieder effizienter.

Die Ordnerstruktur: So ist das Second Brain aufgebaut

Das gesamte System lebt in einem Obsidian Vault, einem lokalen Ordner auf dem eigenen Rechner. Die Architektur ist bewusst einfach gehalten und besteht aus drei logischen Schichten: Die drei Schichten haben klar getrennte Rollen: - raw/ (Rohquellen): Geclippte Artikel, Notizen, PDFs und Transkripte. Diese Schicht ist unveränderlich. Das LLM liest sie, bearbeitet sie aber nie. - wiki/ (Wissensschicht): Hier gehört dem LLM alles. Es legt Seiten an, aktualisiert sie bei neuen Quellen, pflegt Querverweise und hält den Bestand konsistent. Jedes Konzept und jede Entität bekommt eine eigene Seite, die auf andere Seiten verlinkt. - CLAUDE.md (Schema): Das Regelwerk, das dem LLM erklärt, wie die Wiki-Seiten aufgebaut sein sollen und welche Workflows es ausführen darf. Zwei Spezialdateien sind das Rückgrat des Systems: - index.md ist ein inhaltlicher Katalog, der jede Wiki-Seite mit einem Einzeiler nach Kategorien auflistet. Das LLM liest diesen Index zuerst, um relevante Seiten zu finden, und springt dann gezielt in die Details. Bei jedem neuen Import wird er aktualisiert. - log.md ist ein chronologisches, nur erweiterbares Logbuch. Einträge nutzen feste Präfixe wie [2026-04-02] ingest | Artikeltitel, damit das LLM den Verlauf maschinell auslesen kann.

Die claude.md: Das Gehirn des Systems

Die wichtigste Datei im gesamten Setup heißt claude.md (alternativ CLAUDE.md, bei anderen Agenten auch AGENTS.md). Sie liegt im Wurzelverzeichnis des Vaults und funktioniert als Mitarbeiterhandbuch für die KI. Jedes Mal, wenn Claude Code gestartet wird, liest es diese Datei als Erstes. Eine gute claude.md enthält: - Eine Beschreibung des Nutzers und des Projektkontexts - Die Ordnerstruktur mit Erklärung der Zugriffsrechte - Regeln für das Schreiben und Verknüpfen von Wiki-Einträgen - Die Workflows für Ingest, Query und Lint - Verweise auf weitere Regelwerke (z. B. Obsidian Conventions.md), die nur bei Bedarf geladen werden Ein minimales Schema kann so aussehen: Die Datei lässt sich manuell anlegen oder über den Befehl /init in Claude Code automatisch generieren. Der Schlüssel zur Token-Effizienz: Die claude.md sollte nicht alle Regeln im Detail auflisten, sondern auf separate Dateien verweisen. So lädt das LLM nur den Kontext, den es für die aktuelle Aufgabe tatsächlich braucht. Mehr zu den Möglichkeiten von Claude Code erfährst du in unserem Artikel über Claude Code und Google Anti-Gravity.

Der Workflow: Vom Rohmaterial zum durchsuchbaren Wiki

Karpathys Setup kennt drei Kern-Operationen, die das Second Brain am Leben halten: Ingest, Query und Lint.

Ingest: Wissen aufnehmen

Beim Import durchläuft das LLM einen festen Ablauf: 1. Die Quelle aus dem raw/-Ordner lesen. 2. Die wichtigsten Erkenntnisse kurz mit dir besprechen. 3. Eine Summary-Seite im wiki/-Ordner schreiben. 4. Den index.md-Katalog aktualisieren. 5. Verwandte Konzept- und Entity-Seiten quer durch das Wiki anpassen und verlinken. 6. Einen Eintrag an log.md anhängen. Das Ergebnis: Querverweise und Widersprüche sind bereits beim Import erfasst, nicht erst bei der späteren Abfrage.

Query: Wissen abrufen

Bei einer Frage liest das LLM zuerst index.md, identifiziert die relevanten Seiten, synthetisiert eine Antwort mit Quellenangaben und kann das Ergebnis bei Bedarf als neue Seite zurück ins Wiki schreiben. So wird jede Recherche selbst wieder zu Wissen.

Lint: Wissen pflegen

In regelmäßigen Abständen prüft das LLM die Gesundheit des Wikis: Widersprüche, veraltete Aussagen, verwaiste Seiten ohne Verlinkung, fehlende Querverweise und inhaltliche Lücken. Genau dieser Schritt verhindert, dass das Second Brain mit der Zeit verrottet.

Token-Kosten optimieren: Fünf bewährte Strategien

Claude Code rechnet nach Token-Verbrauch ab. Längere Konversationen führen zu exponentiell steigenden Kosten, weil das Modell bei jeder Nachricht den gesamten Verlauf neu verarbeitet. Diese Techniken halten die Kosten niedrig: - Dateien direkt referenzieren: Statt Claude den gesamten Vault durchsuchen zu lassen, den Dateipfad angeben oder das @-Symbol nutzen (z. B. Update @index.md). - Anweisungen bündeln: Mehrere Aufgaben in einem Prompt zusammenfassen statt nacheinander zu stellen. - Auto-Compact-Schwelle senken: Standardmäßig komprimiert Claude Code den Kontext erst bei rund 95 Prozent Auslastung. Über die Umgebungsvariable CLAUDEAUTOCOMPACTPCTOVERRIDE (z. B. auf 70) lässt sich das früher auslösen, bevor die Qualität durch zu große Datenmengen leidet. Hinweis: Die Variable wirkt aktuell am zuverlässigsten als Shell-Export in .zshrc/.bashrc, im env-Block der settings.json wird sie teils ignoriert. - /clear zwischen Aufgaben nutzen: Der Befehl /clear leert den Kontext und startet eine frische Sitzung. Ideal beim Wechsel zwischen verschiedenen Themen. - NotebookLM vorschalten: Googles kostenloses NotebookLM kann große Quellen wie PDFs oder YouTube-Transkripte analysieren. Die Ergebnisse lassen sich anschließend als kompakte Zusammenfassungen in den Vault übernehmen, statt Claude Code die rechenintensive Erstanalyse machen zu lassen.

Nützliche Automatisierungen mit Custom Skills

Claude Code erlaubt das Erstellen eigener Slash-Befehle als gespeicherte Instruktionen. Einige Beispiele aus der Community: - /today scannt Kalender, E-Mails und Slack und schreibt ein tägliches Briefing in den Vault. - /process inbox sortiert unsortierte Brain Dumps aus dem Inbox-Ordner in Aufgaben und Projektnotizen. - /new [Aufgabe] erstellt automatisch formatierte Aufgaben-Seiten mit Metadaten und Verlinkungen. Diese Skills verwandeln den Vault von einem passiven Speicher in einen aktiven Arbeitsassistenten. Wie Claude Code Custom Skills im Detail funktionieren, haben wir in unserem Artikel über Claude Skills 2.0 ausführlich beschrieben.

Die wichtigsten Obsidian-Plugins für das Setup

- Obsidian Web Clipper: Browser-Erweiterung zum Konvertieren von Webseiten in Markdown. Speicherort in den Einstellungen auf den raw/-Ordner ändern. - Local Images Plus: Lädt Bilder aus geclippten Artikeln lokal herunter, damit Claude Code sie verarbeiten kann. - Marp: Verwandelt Markdown-Dateien in Präsentationsfolien: nützlich für die Aufbereitung von Wiki-Inhalten.

Die Weiterentwicklung: LLM Wiki v2 und Agent Memory

Karpathys Original behandelt jeden Eintrag als gleich dauerhaft. In der Praxis veraltet Wissen aber. Eine viel beachtete Erweiterung, die LLM Wiki v2, ergänzt das Muster deshalb um ein Lebenszyklus-Management für Wissen. Die zentralen Mechanismen: - Confidence-Scoring: Jede Aussage trägt Metadaten zu ihrer Verlässlichkeit. Ein Fakt weiß dann, dass er aus zwei Quellen stammt, zuletzt vor drei Wochen bestätigt wurde und bei einem Vertrauenswert von 0,85 liegt. Der Wert sinkt mit der Zeit und steigt bei Bestätigung. - Supersession: Neue Information ersetzt alte nicht einfach, sondern überschreibt sie kontrolliert. Die alte Version bleibt verlinkt und mit Zeitstempel erhalten, aber als veraltet markiert. Das ist Versionskontrolle für Wissen. - Consolidation-Tiers: Statt flacher Ablage gibt es eine Hierarchie, angelehnt an das menschliche Gedächtnis: Working Memory (frische Beobachtungen), Episodic Memory (Sitzungs-Zusammenfassungen), Semantic Memory (sitzungsübergreifende Fakten) und Procedural Memory (Workflows). Informationen steigen mit zunehmender Evidenz auf. Hinweis: Diese Konzepte sind kein Selbstläufer. Kritiker weisen zu Recht darauf hin, dass numerische Confidence-Werte eine Genauigkeit vortäuschen, die sie nicht haben, und dass automatisches Vergessen Fehler reproduzieren kann. Die robustesten Umsetzungen setzen deshalb auf explizite Supersession über git-Audit-Trails und auf menschliche Freigaben beim Schreiben, statt blind auf Automatisierung zu vertrauen. Wo ein stochastisches System in geteiltes Wissen schreibt, bleibt der Mensch im Loop unverzichtbar.

Grenzen und Risiken des Ansatzes

Das System ist nicht frei von Schwächen: - Keine Enterprise-Skalierung: Ab einer bestimmten Dokumentenmenge werden klassische RAG-Systeme mit Vektordatenbanken wieder effizienter und schneller. Schon jenseits einiger Dutzend Quellen und bei vielen multimodalen Inhalten stößt der reine Markdown-Ansatz an Grenzen. - Halluzinationen bleiben möglich: Claude Code kann überzeugende, aber erfundene Verbindungen zwischen Notizen herstellen. Menschliche Verifikation bleibt unerlässlich. - Kostenfalle bei schlechtem Management: Ohne die oben genannten Optimierungen können die Token-Kosten schnell eskalieren. - Overkill für einfache Workflows: Wer nur Notizen organisieren will, braucht kein LLM-Backend. Obsidian allein reicht für viele Anwendungsfälle.

Obsidian vs. Notion: Warum Markdown gewinnt

Notion ist der offensichtliche Konkurrent im Bereich Wissensmanagement. Für ein KI-gestütztes Second Brain hat Obsidian jedoch klare Vorteile: - Kein Vendor Lock-in: Alle Daten liegen als Markdown-Dateien lokal auf dem eigenen Rechner. Bei Notion sind die Daten an das proprietäre Ökosystem gebunden. - Token-Effizienz: Die Notion-Schnittstelle (MCP) für Claude verbraucht allein beim Laden des Kontexts Tausende Token, bevor die erste Nachricht gesendet wird. Lokale Markdown-Dateien sind drastisch günstiger. - LLM-natives Format: Markdown ist das Format, das KI-Modelle am effizientesten lesen und schreiben. Keine Konvertierung nötig, kein Informationsverlust.

Für wen eignet sich das System?

Das KI-gesteuerte Second Brain nach Karpathy ist besonders geeignet für: - Researcher und Analysten, die große Mengen an Fachliteratur verarbeiten und strukturiert abrufbar machen wollen. - Entwickler, die technische Dokumentation, Code-Snippets und Projektnotizen zentral verwalten möchten. - Content Creator, die aus verschiedenen Quellen regelmäßig neue Inhalte produzieren. - Wissensarbeiter aller Art, die ein persönliches Wissenssystem aufbauen wollen, das mit der Zeit wertvoller wird. Wer einen simplen Notizblock braucht, ist mit der reinen Obsidian-Nutzung oder Apples Notizen-App besser bedient. Die Stärke dieses Systems entfaltet sich erst ab einer gewissen Wissensmenge und bei regelmäßiger Nutzung.

FAQ

Brauche ich Programmierkenntnisse, um das Second Brain aufzubauen? Nein. Claude Code wird per natürlicher Sprache gesteuert, und Obsidian ist eine grafische Notiz-App. Wer einen Ordner anlegen und einfache Textdateien bearbeiten kann, kommt zurecht. Hilfreich ist lediglich Verständnis für die Logik aus Ordnern, Index und Logbuch. Was kostet das System? Obsidian ist für die persönliche Nutzung kostenlos, der Vault liegt lokal. Kosten entstehen nur durch die Nutzung von Claude Code nach Token-Verbrauch. Mit den genannten Optimierungen (Dateien referenzieren, Auto-Compact, NotebookLM vorschalten) lassen sich diese gering halten. Funktioniert der Ansatz auch ohne Claude Code? Ja. Das Prinzip ist agnostisch. Karpathys Gist nennt neben CLAUDE.md auch AGENTS.md für andere Agenten. Jedes LLM-Tool, das lokale Markdown-Dateien lesen und schreiben kann, lässt sich verwenden. Claude Code ist nur die am häufigsten genutzte Variante. Wie unterscheidet sich das von einem RAG-System? RAG zerlegt Dokumente in Vektoren und sucht bei jeder Frage neu nach ähnlichen Passagen. Das Wissen wird nicht akkumuliert. Die Karpathy-Methode baut stattdessen ein dauerhaftes, vom LLM gepflegtes Wiki auf, das mit jeder Quelle wächst und über echte Wiki-Links verknüpft ist. Ab welcher Größe stößt das System an Grenzen? Für Einzelpersonen und kleine Teams ist der Ansatz ideal. Bereits jenseits einiger Dutzend Quellen, bei stark multimodalen Inhalten oder im Millionen-Dokumente-Bereich werden klassische RAG-Systeme wieder effizienter. Was bringt LLM Wiki v2 zusätzlich? v2 ergänzt das Muster um Lebenszyklus-Management: Confidence-Scoring, kontrolliertes Überschreiben veralteter Aussagen (Supersession) und eine Gedächtnis-Hierarchie. Das macht das Wiki robuster für autonome Agenten, erfordert aber weiterhin menschliche Kontrolle bei Schreibvorgängen.

Fazit

Wie auch VentureBeat in seiner Analyse feststellt: Karpathys Ansatz zeigt, dass ein leistungsfähiges Wissenssystem weder eine Vektordatenbank noch eine komplexe Pipeline braucht. Markdown-Dateien, eine klare Ordnerstruktur und ein LLM als Organisator reichen aus, um ein Second Brain zu schaffen, das mit jeder Nutzung besser wird. Die Kombination aus Claude Code und Obsidian ersetzt keine Enterprise-RAG-Lösung. Aber für persönliches Wissensmanagement und kleine Teams bietet sie eine pragmatische, kostengünstige und vollständig transparente Alternative. Der wichtigste Grundsatz dabei: Die KI organisiert, der Mensch denkt. Wer den nächsten Schritt in Richtung autonomer Browser-Workflows gehen will, findet im Guide zu Playwright als Werkzeug für Browser-Automatisierung eine pragmatische Einstiegshilfe.