Wer regelmäßig mit Claude Code arbeitet, kennt das Problem: Der Kontext fehlt. Du fragst nach einem spezifischen LLM-Konzept, aber Claude hat keinen Zugriff auf deine eigene Wissensbasis. Die Antworten bleiben allgemein. Das Open-Source-Projekt karpathy-llm-wiki löst genau das, indem es eine Agent-Skills-kompatible LLM-Wissensdatenbank im Stil von Andrej Karpathy bereitstellt.
Was ist karpathy-llm-wiki?
karpathy-llm-wiki ist eine strukturierte Knowledge-Base, die du direkt als Claude-Code-Skill einbindest. Das Besondere: Das Projekt folgt dem Erklärungsstil von Andrej Karpathy, also dem Prinzip, komplexe LLM-Konzepte aus den Rohdaten heraus zu erklären, mit Quellenangaben und ohne unnötige Abstraktion.
Der Inhalt umfasst technische Grundlagen zu Sprachmodellen: Tokenisierung, Attention-Mechanismen, Training-Pipelines, Feinabstimmung, RLHF und mehr. Jeder Artikel ist mit Citations versehen und linting-geprüft, damit die Qualität einheitlich bleibt.
Das Projekt ist bewusst kompatibel mit mehreren KI-Coding-Assistenten gestaltet. Du kannst es mit Claude Code, Cursor und Codex einsetzen. Das macht es zu einer stabilen Grundlage, egal welches Werkzeug du gerade nutzt.
Der entscheidende Unterschied zu einer normalen Dokumentation: Du bindest das Wiki als Agent-Skill ein, nicht als Nachschlagewerk. Claude liest den Kontext aktiv beim Beantworten deiner Fragen mit.
Wie funktioniert die Einbindung als Agent-Skill?
Der Einstieg folgt dem gleichen Muster wie andere Agent-Skills für Claude Code. Du klonst das Repository und richtest es in deinem Projekt ein:
# Repository klonen
git clone https://github.com/Astro-Han/karpathy-llm-wiki.git .claude/skills/llm-wiki
# Oder als Submodul, wenn du es sauber versionieren willst
git submodule add https://github.com/Astro-Han/karpathy-llm-wiki.git .claude/skills/llm-wiki
Danach steht das Wiki im Skills-Verzeichnis bereit. Wenn du Claude Code fragst, was ein bestimmter Begriff bedeutet, greift der Assistent auf die hinterlegten Artikel zurück. Du bekommst keine generische Antwort aus den Trainingsdaten, sondern eine Erklärung aus deiner eigenen, kuratieren Wissensbasis.
Das Linting sorgt dafür, dass die Artikel einheitlich formatiert bleiben. Wenn du eigene Einträge hinzufügst, kannst du sie mit den vorhandenen Tools prüfen lassen, bevor sie in deinen Skill-Kontext einfließen.
Praxis-Beispiel: LLM-Konzepte im Coding-Kontext erklären lassen
Angenommen, du baust eine RAG-Pipeline und willst sichergehen, dass Claude Code die technischen Begriffe in deinem Kontext richtig einordnet. Ohne Wiki-Skill gibt Claude eine allgemeine Erklärung aus dem Trainingswissen. Mit dem eingebundenen karpathy-llm-wiki greift es auf die hinterlegten Artikel zu, inklusive der Quellenangaben.
Das hilft besonders in drei Situationen:
Prompt-Engineering für spezifische LLM-Aufgaben. Du willst, dass Claude Code beim Schreiben von Prompts die technischen Hintergründe berücksichtigt, zum Beispiel wie Attention-Mechanismen reagieren oder welche Tokenisierungsgrenzen relevant sind.
Code-Reviews für KI-nahe Projekte. Wenn du einen Code-Review für deine Embedding-Pipeline anforderst, kann Claude mit dem Wiki-Kontext präziser auf technische Details eingehen.
Dokumentation für interne LLM-Projekte. Du lässt Claude automatisch Erklärungen generieren, die dem Karpathy-Style entsprechen: klar, quellenbasiert, für Entwickler verständlich.
Besonders nützlich ist das für Teams, die eigene LLM-Systeme entwickeln und eine einheitliche Sprache für technische Konzepte brauchen.
Wann lohnt sich karpathy-llm-wiki?
Nicht jedes Projekt braucht diese Knowledge-Base. Der Mehrwert zeigt sich in drei Kontexten.
Erstens, wenn du oder dein Team regelmäßig an LLM-Architekturen arbeitest. Das Wiki ersetzt nicht das eigene Verstehen, aber es beschleunigt die Arbeit, weil Claude Code mit einem gemeinsamen Vokabular und präzisen Definitionen antwortet.
Zweitens, wenn du eigene Wiki-Einträge ergänzen willst. Das Projekt ist als erweiterbare Basis gedacht. Du kannst deine eigenen Erkenntnisse, interne Systeme oder projektspezifische Definitionen hinzufügen. Das Linting-Tool prüft dann, ob deine Einträge dem Qualitätsstandard entsprechen.
Drittens, wenn du mehr als einen KI-Coding-Assistenten nutzt. Da das Projekt mit Cursor und Codex kompatibel ist, musst du die Wissensbasis nur einmal aufbauen und kannst sie teamweit einsetzen, unabhängig vom bevorzugten Tool.
Wer dagegen nur gelegentlich LLM-Konzepte nachschlägt, fährt mit einer einfachen Markdown-Datei oft genauso gut. Die Agent-Skill-Integration entfaltet ihren Wert erst bei regelmäßiger, intensiver Nutzung.
Mehr zum Aufbau eigener Skills für Claude Code erklärt Claude Code Skills erstellen: Dein eigener Workflow in 15 Minuten.
FAQ
Muss ich alle Artikel im Wiki nutzen, oder kann ich auswählen?
Du kannst einzelne Unterordner einbinden. Das karpathy-llm-wiki ist thematisch unterteilt. Wenn dein Projekt nur Tokenisierung und Feinabstimmung betrifft, bindest du nur diese Bereiche als Skill-Kontext ein. Das hält den Kontext schlank.
Funktioniert das Wiki mit dem Claude-Code-Web-Interface oder nur mit der CLI?
Der Skill-Kontext funktioniert überall, wo du .claude/skills/ einbinden kannst. Das schließt die CLI, IDE-Integrationen und Codex-kompatible Umgebungen ein. Im Web-Interface hängt es davon ab, welche Konfiguration dein Projekt mitbringt.
Wie halte ich das Wiki aktuell?
Wenn du das Repo als Submodul eingebunden hast, reicht ein git submodule update --remote. Das zieht die neuesten Änderungen aus dem Upstream-Projekt. Eigene Erweiterungen bleiben dabei erhalten, solange du sie in einem separaten Branch oder Fork führst.
Dieser Beitrag wurde verfasst von Marcel Porcher, newways.ai.
Komm in die kostenlose Claude Business Community: Lerne Claude, Automatisierung, Co-Work, Claude Code, App-Building und Agent-Coding. Zeit sparen, Kosten sparen, Business skalieren: skool.com/unternehmernetzwerk-2071