Second Brain für KI: ChatGPT und Claude ein Gedächtnis geben
So baust du dir mit Karpathys LLM-Wiki-Methode ein Second Brain für ChatGPT und Claude: tool-unabhängig, Schritt für Schritt, mit Schema-Datei.
Dein größtes Problem mit ChatGPT und Claude ist nicht die Intelligenz, sondern das Gedächtnis. Du führst ein tiefes Gespräch über deine Prozesse, deine Entscheidungen, deine Kunden, schließt den Tab, und am nächsten Tag fängt die KI wieder bei null an. Ein Second Brain löst genau das: ein strukturierter Wissensspeicher, den die KI selbst liest, pflegt und über die Zeit anreichert. Hier ist die Anleitung, tool-unabhängig und Schritt für Schritt, mit ChatGPT und Claude als Beispiel.
Was ist ein Second Brain, und was ist die Methode dahinter?
Ein Second Brain ist ein externer Wissensspeicher, in dem du das ablegst, was du dir sonst merken müsstest: Notizen, Entscheidungen, Rechercheergebnisse, Prozesse. Der Begriff stammt aus dem Wissensmanagement und wurde vor allem durch die Methode „Building a Second Brain" bekannt. Die Grundidee ist simpel: Nicht dein Kopf ist der Speicher, sondern ein System, das du jederzeit durchsuchen und weiterentwickeln kannst.
Neu ist der KI-Teil. Bisher war dieser Speicher etwas, das du selbst pflegst. Jetzt kann eine KI ihn lesen, ergänzen und für dich nutzbar machen. Damit wird aus einer Notizsammlung ein Gedächtnis, auf das ChatGPT oder Claude bei jeder Anfrage zugreifen können.
Karpathys Idee: das LLM Wiki
Den entscheidenden Denkanstoß hat Andrej Karpathy im April 2026 geliefert, mit einem Beitrag zum „LLM Wiki", der viral ging. Sein Kernsatz, den ich sehr treffend finde, lautet sinngemäß: RAG holt sich Wissen, ein Wiki lässt es wachsen. Statt Dokumente in eine Datenbank zu kippen und zu hoffen, dass die Suche das richtige Stück findet, baust du einen lebenden, strukturierten Wissensspeicher, den die KI selbst pflegt.
Karpathy denkt das in drei Ebenen: Erstens die Rohquellen, also Artikel, Notizen, Gesprächsmitschriften. Zweitens das Wiki, also daraus destillierte, verlinkte Wissensseiten. Drittens ein Schema, das festlegt, wie dieses Wissen organisiert wird. Sein Bild dazu: Das Wiki ist der Programmcode, die KI ist der Programmierer, dein Editor ist die Werkbank. Der wichtige Unterschied zur klassischen Ähnlichkeitssuche: Die KI findet Wissen, indem sie einen Index liest und Verlinkungen folgt, nicht indem sie nach ähnlich klingenden Textschnipseln rät. Dadurch bleiben die Zusammenhänge echt.
Warum das effizient ist, zeigt ein Praxisbericht: Ein Anwender hat 383 verstreute Dateien in ein kompaktes Wiki überführt und dabei den Token-Verbrauch bei Abfragen um rund 95 Prozent gesenkt. Weniger Suchen im Heuhaufen, mehr gezieltes Nachschlagen.
RAG oder Wiki: der Unterschied in einem Satz
Wenn du deine PDFs in ein KI-Tool hochlädst und es „durchsuchen" lässt, ist das RAG: eine Suche pro Frage, ohne Gedächtnis. Ein Wiki dagegen ist ein System, das mit jeder Notiz und jeder Antwort schlauer wird. Das eine ruft ab, das andere wächst. Für einmalige Fragen reicht RAG. Für alles, worauf du immer wieder aufbaust, willst du das Wiki.
Die Anleitung: dein KI-Second-Brain in fünf Schritten
Das Schöne: Du brauchst keine Spezialsoftware. Ein Ordner mit Textdateien und eine KI reichen. Diese fünf Schritte funktionieren mit ChatGPT, mit Claude oder mit fast jedem anderen Modell.
Schritt 1: Ein Ordner wird dein Gedächtnis
Leg einen Ordner an, zum Beispiel „Second Brain", und darin einfache Markdown-Dateien (.md). Markdown ist nur Text mit ein paar Formatierungszeichen, das versteht jede KI mühelos. Sortiere grob, etwa in Unterordner wie Konzepte, Projekte, Kunden und Quellen. Jede Datei ist eine Wissensseite zu genau einem Thema.
Schritt 2: Eine Schema-Datei gibt die Regeln vor
Das ist das Herzstück. Leg eine Datei an, zum Beispiel „SCHEMA.md" oder bei Claude die bekannte „CLAUDE.md", und schreib dort in einfachen Worten hinein, wie dein Wissen organisiert ist und wie die KI damit arbeiten soll. Zum Beispiel: welche Seitentypen es gibt (Konzept, Projekt, Kunde, Quelle) und was jede enthalten muss, dass Dateinamen klein und mit Bindestrichen geschrieben werden, und die wichtigste Regel: Jede neue Seite verlinkt mindestens eine bestehende. So entsteht ein Netz statt loser Zettel. Ergänze eine kurze Routine: Zu Beginn liest die KI zuerst den Index, am Ende schlägt sie vor, welche Seiten sie anlegen oder ergänzen würde.
Schritt 3: Ein Index als Startseite
Leg eine Datei „index.md" an, die auf deine wichtigsten Seiten verlinkt, wie ein Inhaltsverzeichnis. Genau hier setzt die KI an: Sie liest den Index und hangelt sich über die Links zum Rest. Das ist der Kern von Karpathys Ansatz und der Grund, warum das ohne teure Vektordatenbank auskommt.
Schritt 4: Freigabe vor jedem Schreiben
Lass die KI nichts unkontrolliert überschreiben. Der saubere Ablauf: Du sagst „nimm diesen Artikel auf" oder „merk dir diese Entscheidung", die KI schlägt eine neue Seite oder eine Ergänzung vor, du prüfst kurz und gibst frei. So bleibst du Herr über dein Wissen und verhinderst, dass sich Fehler einschleichen. Gerade im Unternehmen ist diese menschliche Freigabe Pflicht.
Schritt 5: Klein anfangen und wachsen lassen
Du musst nicht mit hundert Dateien starten. Fang mit einer Handvoll Notizen und der Schema-Datei an. Der Effekt kommt von allein: Nach ein, zwei Wochen beantwortet dein Second Brain Fragen, indem es mehrere Seiten kombiniert, die du längst vergessen hattest. Genau dieses Aufsummieren ist der ganze Punkt.
Konkret in ChatGPT
Am einfachsten geht es über ein Projekt (oder einen eigenen GPT). Lege ein Projekt an, lade deine Markdown-Dateien als Projektwissen hoch und schreib den Inhalt deiner Schema-Datei in die Projektanweisungen, also die Regeln, wie das Wissen organisiert ist und was ChatGPT am Anfang und Ende tun soll. Danach arbeitest du im Projekt und sagst zum Beispiel: „Lies zuerst den Index. Beantworte meine Frage nur auf Basis der Wissensseiten. Schlag am Ende vor, welche Seite du ergänzen würdest." Wenn du die neuere Variante mit echtem Ordnerzugriff nutzt, kann ChatGPT die Dateien sogar direkt lesen und Änderungen vorschlagen.
Konkret in Claude
Bei Claude eignet sich ein Projekt mit hochgeladenen Wissensdateien plus einer „CLAUDE.md" als Regeldatei. Willst du, dass Claude die Dateien auch selbst schreibt und pflegt, nutzt du einen verbundenen Ordner oder die Entwickler-Variante mit Dateizugriff, dann liest und aktualisiert Claude dein Wiki direkt. Das Prinzip ist identisch zu ChatGPT: erst Index lesen, nur aus dem Wissen antworten, Änderungen vorschlagen statt einfach zu überschreiben. Der Name „CLAUDE.md" für die Regeldatei ist übrigens genau der, den Karpathy in seinem Beispiel verwendet.
Zum Loslegen: die Prompts zum Kopieren
Damit du nicht bei null anfängst, hier die vier Prompts, mit denen der Prozess läuft. Sie funktionieren in ChatGPT wie in Claude. Ganz unten findest du außerdem ein kostenloses Starter-Kit mit fertigen Vorlagen.
1. Die Regeln setzen (einmalig, als Inhalt deiner Schema-Datei oder in die Projektanweisungen):
Du hilfst mir, ein persönliches Wissens-Wiki aus Markdown-Dateien zu pflegen.
Regeln:
- Seitentypen: Konzept, Projekt, Kunde, Quelle. Jede Seite behandelt genau ein Thema.
- Jede neue Seite verlinkt mindestens eine bestehende Seite.
- Dateinamen klein und mit Bindestrichen.
- Zu Beginn jeder Session liest du zuerst index.md.
- Am Ende schlägst du vor, welche Seiten neu oder ergänzt werden sollten.
- Du schreibst nichts ohne meine ausdrückliche Freigabe.2. Session starten (zu Beginn jeder Arbeit am Wiki):
Lies zuerst index.md und verschaffe dir einen Überblick über mein Wissen.
Fasse in drei Sätzen zusammen, was du hast, dann warte auf meine Frage.3. Neues Wissen aufnehmen (Artikel, Notiz, Entscheidung):
Nimm den folgenden Inhalt in mein Wiki auf.
Schlage eine neue Seite oder Ergänzungen an bestehenden Seiten vor,
zeig mir den Vorschlag und verlinke mindestens eine bestehende Seite.
Schreibe erst nach meiner Freigabe.
Inhalt: [hier einfügen]4. Eine Frage aus dem Wiki beantworten:
Beantworte meine Frage nur auf Basis meiner Wissensseiten.
Nenne die Seiten, die du genutzt hast. Wenn Information fehlt, sag es klar.
Frage: [hier einfügen]Und für den Einstieg in Sekunden: Lade dir das kostenlose Second-Brain-Starter-Kit herunter. Darin sind eine fertige Schema-Datei, eine Index-Vorlage, eine Beispielnotiz und alle Prompts, die du nur noch in deinen Ordner legen musst.
Kostenlos, Nutzung auf eigene Verantwortung, keine Rechts- oder Datenschutzberatung. Bitte gib keine sensiblen Daten in KI-Tools ein.
Was das für Unternehmen bedeutet
Was für dich persönlich funktioniert, ist im Team noch wertvoller. Ein gemeinsames KI-Second-Brain hält Entscheidungen, Prozesse und Projektwissen an einem Ort, den die KI für alle nutzbar macht. Das senkt die Einarbeitungszeit, verhindert, dass Wissen nur in einzelnen Köpfen steckt, und beendet das ständige Bei-null-Anfangen. Wichtig ist dabei die Governance: Welches Wissen darf rein, welche Daten niemals, wer gibt Änderungen frei. Wie du das sauber aufsetzt, habe ich unter Vertrauen, Sicherheit und Datenschutz beschrieben. Und wenn die KI sicher auf eure echten Tools und Daten zugreifen soll, ist die passende technische Grundlage die MCP-Integration.
Übrigens: Wenn du so ein Wissenssystem für dein Unternehmen aufsetzen willst, erreichst du mich für ein kostenloses Erstgespräch einfach über das Kontaktformular. Lass uns unverbindlich austauschen, ich freue mich.
Häufige Fragen
Was ist ein Second Brain?
Ein Second Brain ist ein externer, strukturierter Wissensspeicher für alles, was du dir sonst merken müsstest: Notizen, Entscheidungen, Rechercheergebnisse. In der KI-Variante liest und pflegt eine KI wie ChatGPT oder Claude diesen Speicher, sodass sie über Sessions hinweg ein Gedächtnis hat.
Wie funktioniert die Second-Brain-Methode mit KI?
Du legst deine Notizen als Textdateien in einem Ordner ab und ergänzt eine Schema-Datei, die der KI erklärt, wie das Wissen organisiert ist. Die KI liest zuerst einen Index, folgt Verlinkungen und schlägt neue oder ergänzte Seiten vor, die du freigibst. So wächst der Speicher mit jeder Nutzung.
Was ist Karpathys LLM Wiki?
Das LLM Wiki ist ein von Andrej Karpathy 2026 populär gemachtes Muster: Statt Dokumente in eine Vektordatenbank zu kippen (RAG), baust du einen lebenden, verlinkten Wissensspeicher, den die KI pflegt. Sein Merksatz: RAG holt sich Wissen, ein Wiki lässt es wachsen.
Brauche ich Obsidian oder Notion dafür?
Nein. Ein Ordner mit Markdown-Dateien reicht, das versteht jede KI. Werkzeuge wie Obsidian oder Notion sind bequem für die Ansicht und Verlinkung, aber nicht Voraussetzung. Der Ansatz ist bewusst tool-unabhängig.
Was ist der Unterschied zu einer Vektordatenbank oder RAG?
RAG sucht pro Frage nach ähnlichen Textstücken und hat kein Gedächtnis. Ein KI-Wiki ist ein strukturiertes System mit Index und echten Verlinkungen, das über die Zeit wächst und Zusammenhänge bewahrt. Für einmalige Fragen reicht RAG, für kumulatives Wissen ist das Wiki besser.
Quellen und weiterführende Links
Externe Quellen: Andrej Karpathys „LLM Wiki" (X, April 2026), Matt Paige, Erklärung des Konzepts und DoiT, eine konkrete Umsetzung.
Auf dieser Seite: MCP-Integration, Vertrauen, Sicherheit und Datenschutz und KI-Beratung.