Nachprüfbar statt überzeugend
Jede Aussage im Wiki soll auf ihre Quelle zurückführbar sein. Antworten ohne Beleg gelten als Fehler, nicht als Feature.
Nicht-kommerzielles Forschungsprojekt
Wissensbau untersucht, wie Sprachmodelle rohe Notizen, E-Mails und Dokumente zu einem verlinkten Wiki verdichten – nach dem LLM-Wiki-Muster von Andrej Karpathy. Der Prototyp ist die Testumgebung für unsere Experimente.
PDF · DOCX · XLSX · PPTX · E-Mail · CSV · Bilder · Audio
wiki / hardware / batterie
„Wie lange hält der Akku des Sensors im Dauerbetrieb?“
Grundsätze
Jede Aussage im Wiki soll auf ihre Quelle zurückführbar sein. Antworten ohne Beleg gelten als Fehler, nicht als Feature.
Wissensbau ist ein Forschungs- und Lernprojekt ohne Produktversprechen. Es gibt keine Werbung, keine Abos und keine Nutzerprofile.
Selbst gehostet, ohne Tracker und ohne externe Schriftarten. Personenbezogene Angaben lassen sich vor der Verarbeitung schwärzen.
Methode
Rohdaten liegen unverändert in einem Ordner – Dateien, E-Mails oder angebundene Quellen wie IMAP und PostgreSQL.
Ein Sprachmodell extrahiert Themen, Entitäten und Konzepte und schreibt daraus Wiki-Seiten.
Seiten werden untereinander verlinkt; Beziehungen erscheinen im Wissensgraph.
Ein Chat antwortet auf Basis des Wikis und nennt die zugrunde liegenden Quellen.
Fragestellungen
Wie zuverlässig lassen sich Text, E-Mails, PDF, Office-Dokumente, Tabellen, Bilder und Audio in strukturiertes Wissen überführen?
Wie gut entstehen aus Rohmaterial konsistente, untereinander verlinkte Seiten mit Verweisen auf ihre Quellen?
Stützen sich Chat-Antworten nachweisbar auf das Wiki? Eine Faithfulness-Auswertung prüft das.
Werden Personen, Projekte und Konzepte über Dokumente hinweg korrekt zusammengeführt und im Graph abgebildet?
Schlagwortsuche und Einbettungen im Vergleich – inklusive Benchmark zur Skalierung mit der Korpusgröße.
Schwärzung personenbezogener Daten und Quellenvertrauen als Bausteine für den verantwortungsvollen Einsatz.
Anwendungsfelder
Kein fertiges Produkt, sondern Szenarien, in denen wir die Methode testen und ihre Grenzen ausloten.
Laborjournale, Protokolle und Literaturnotizen zu einem gemeinsamen, durchsuchbaren Wiki verdichten.
Verstreute Spezifikationen, Berichte und E-Mail-Verläufe eines Projekts nachvollziehbar zusammenführen.
Wissen aus Postfächern und Ablagen so aufbereiten, dass neue Mitarbeitende Fragen selbst beantwortet bekommen.
Große, heterogene Bestände erschließen – mit Querverweisen, die im Rohmaterial nicht existieren.
Technik
Vier Schichten, bewusst einfach gehalten: Die Rohdaten bleiben unverändert, alles Erzeugte ist als Markdown lesbar und versionierbar.
01
Python
Liest Rohdaten, ruft das Sprachmodell auf und erzeugt Wiki-Seiten, Entitäten und Verlinkungen.
02
Markdown · JSON · Graph
Seiten als Markdown-Dateien, Wissensgraph und Zustände als JSON – ohne eigene Datenbank.
03
Node.js · Express · TypeScript
Authentifizierung, Pipeline-Steuerung, Retrieval und Chat-Endpunkte hinter einer schlanken REST-Schnittstelle.
04
EJS · Tailwind CSS
Serverseitig gerendert, zweisprachig (DE/EN) und auf kleine Server und Bildschirme ausgelegt.
Reproduzierbarkeit
Der gesamte Prototyp läuft in wenigen Containern mit festen Ressourcengrenzen und lässt sich mit Docker Compose reproduzieren – auch auf einem kleinen Server. Evaluationsskripte für Retrieval, Faithfulness, Entitätsauflösung und PII-Schwärzung sind Teil des Projekts.
FAQ
Nein. Es ist ein nicht-kommerzielles Forschungsprojekt. Es gibt weder Preise noch Verkaufsabsichten, und bislang liegen keine Studienergebnisse vor.
Vom LLM-Wiki-Muster, das Andrej Karpathy beschrieben hat: Ein Sprachmodell pflegt ein Wiki aus Rohmaterial, statt bei jeder Frage neu zu suchen. Wir untersuchen, wie gut das im Alltag funktioniert.
Der Zugang ist auf Testkonten beschränkt, damit der kleine Server verlässlich läuft. Schreiben Sie uns über die Kontaktseite, wenn Sie Interesse haben.
Rohdaten bleiben unverändert auf dem Server. Für die Verarbeitung werden Textauszüge an den konfigurierten Sprachmodell-Anbieter gesendet – oder bei lokaler Konfiguration gar nicht nach außen. Die Beispieldaten im Prototyp sind fiktiv.
Ja, der Quellcode liegt öffentlich auf GitHub. Der Aufbau ist mit Docker Compose reproduzierbar, auch auf kleiner Hardware.
Über Evaluationsskripte für Retrieval, Faithfulness, Entitätsauflösung und PII-Schwärzung. Aussagekräftige Ergebnisse veröffentlichen wir erst, wenn eine Auswertung sie trägt.
Über das Projekt
Wissensbau entsteht als Forschungs- und Lernprojekt rund um LLM-gestützte Wissenssysteme. Rückmeldungen, Fragen zur Methode und Hinweise auf Fehler sind jederzeit willkommen.
Der Zugang ist auf Testkonten beschränkt. Melden Sie sich an, um Pipeline, Wiki und Chat mit Beispieldaten zu erkunden.