Ihr KI-Agent braucht eine Karte: LLM-Wiki oder README reichen aus
OpenAI
Anthropic
Der Artikel erläutert, wie KI-Agenten mit strukturierten Wissensbasen wie einem LLM-Wiki oder einem README-orientierten Repository komplexe Codebasen navigieren können. Er stellt Andrej Karpathys LLM-Wiki-Muster vor, bei dem ein LLM ein Wiki schreibt und pflegt, und kontrastiert es mit einem dokumentations-als-code-Ansatz, bei dem README-Dateien als primäre Wissensquelle dienen. Der Autor teilt seine praktische Implementierung eines LLM-Wikis für eine Zahlungsplattform und vergleicht beide Ansätze hinsichtlich Wissensgenerierung und -wartung.
Der Artikel argumentiert, dass KI-Agenten eine strukturierte Wissensbasis (eine ‚Landkarte‘) benötigen, um nicht bei jeder Sitzung bei null anfangen zu müssen. Er stellt Andrej Karpathys LLM-Wiki-Muster vor, das aus drei Schichten (Rohtexte, von der KI gepflegte Wikiseiten und Index-/Protokolldateien) und drei Operationen (Erfassen, Abfragen, Prüfen) besteht. Der Autor hat dieses Muster auf einer Zahlungsplattform mit einem 70-seitigen Wiki umgesetzt, das den gesamten Zahlungsbereich abdeckt. Er vergleicht es auch mit seinem früheren README-Ansatz, bei dem Dokumentation in Markdown-Dateien neben dem Code lebt und eine CLAUDE.md-Datei den Agenten zur relevanten Dokumentation führt. Der entscheidende Unterschied: Im README-Ansatz schreiben Entwickler das Wissen pro Modul nieder; beim LLM-Wiki synthetisiert die KI das Wissen aus mehreren Quellen. Der Autor merkt an, dass ein LLM-Wiki nicht für jedes Projekt nötig sei, insbesondere wenn die Codebasis einfach ist oder der Agent bereits gute Schätzungen trifft.
Quelle: Habr — хаб ИИ —
Original