Ein KI-Gedächtnis für Ihr Projekt: Markdown-Dateien direkt im Repo

Früher oder später stößt jeder, der mit einem KI-Assistenten entwickelt, an dieselbe Wand. Sie bitten ihn, Authentifizierung für Ihre Next.js-App zu bauen, und die Antwort ist gut. Dann sagen Sie „jetzt binde das an mein bestehendes User-Schema an“, und er tut so, als hätte er das Projekt nie gesehen. Er weiß nichts über:

• Ihre Ordnerstruktur
• Ihr Datenbankschema
• Ihre Coding-Standards
• die Entscheidungen zu Features, die Sie getroffen haben
• warum bestimmte Dateien existieren
• was Sie bewusst vermieden haben

Also erklären Sie alles noch einmal, und noch einmal. Irgendwann wird klar: Das Modell ist nicht das Problem. Das Gedächtnis ist es.

Die Lösung kostet wenig: Halten Sie ein Projektgedächtnis in Markdown-Dateien im Repo, damit der Assistent jede Sitzung schon mit dem Wissen beginnt, wie das Projekt funktioniert. Das ist nicht an Claude von Anthropic gebunden. OpenAI-Modelle, Gemini und jeder andere Coding-Assistent können dieselben Dateien lesen.

Was ein Projektgedächtnis ist

Es ist eine dauerhafte Wissensschicht für Ihre Codebasis. Der Chatverlauf verschwindet, also legen Sie strukturiertes Projektwissen im Repository selbst ab:

• was das Unternehmen macht und warum
• wie das System aufgebaut ist
• welche Features wann ausgeliefert wurden
• wie Dateien zusammenhängen
• Coding-Konventionen
• die Begründung früherer Entscheidungen
• API-Verträge
• Datenbankschemas

Im Grunde dokumentiert sich Ihr Repo dann selbst, und zwar in einer Form, die eine KI lesen kann. Das zählt, denn ohne Kontext rät ein Modell, mit Kontext wird es deutlich nützlicher.

Warum sich das lohnt

Überlegen Sie, was Sie einer neuen Senior-Entwicklerin am ersten Tag in die Hand drücken würden: Architekturdokumentation, Setup-Anleitung, Ordnerstruktur, API-Doku, eine Erklärung der Geschäftslogik, Roadmap, bekannte Probleme, Coding-Konventionen. Eine KI braucht dasselbe Material, und sie nimmt es sofort auf.

Vergleichen Sie die Prompts. Ohne Gedächtnis können Sie nur etwas Allgemeines fragen wie „erklär mir meinen Zahlungsablauf“. Mit Gedächtnis fragen Sie: „Füge Retry-Logik für fehlgeschlagene Razorpay-Webhooks hinzu, passend zu unserer bestehenden Event-Architektur.“ Das eine ist vage, das andere präzise.

Der Gedächtnis-Ordner

Legen Sie im Wurzelverzeichnis des Repos einen versteckten Ordner neben Ihre Quellverzeichnisse:

/project-root
 ├── src
 ├── components
 ├── services
 ├── .ai-memory

Und innerhalb von .ai-memory:

.ai-memory/
├── project-overview.md
├── architecture.md
├── folder-structure.md
├── database-schema.md
├── api-contracts.md
├── coding-guidelines.md
├── feature-history.md
├── active-tasks.md
├── known-issues.md
├── decision-log.md

Einfach, lesbar und versioniert. Der Ordner ist das Gehirn des Projekts. Jede Datei hat eine Aufgabe.

project-overview.md

Die wichtigste Datei. Sie sagt, was das Projekt tut, wer es nutzt, welches Problem es löst und was die Kernfunktionen sind. Zum Beispiel:

# Project Overview

Project Name: DevResume AI
Purpose:
A SaaS platform where developers create digital resumes,
ATS-friendly resumes, and portfolio profiles.
Primary Users:
- Developers
- Students
- Recruiters
Core Features:
- Resume builder
- Portfolio generator
- Job tracker
- AI interview prep

Ohne sie sieht die KI nur Code. Mit ihr versteht sie, wofür der Code da ist, und das verändert die Qualität aller Vorschläge.

architecture.md

Beschreiben Sie, wie die App aufgebaut ist:

# Architecture

Frontend:
- Next.js 16
- React 19
- Tailwind CSS
Backend:
- Node.js
- Express
Database:
- PostgreSQL
Authentication:
- NextAuth
Storage:
- AWS S3
Deployment:
- Vercel

So schlägt die KI keinen falschen Stack mehr vor, und Sie sparen sich viele Korrekturen.

folder-structure.md

Erklären Sie die Beziehungen zwischen Dateien, mit einer kurzen Erläuterung zu jedem Verzeichnis:

src/
 ├── app/
 ├── modules/
 ├── shared/
 ├── services/
 ├── hooks/

/modules = feature-based architecture
/shared = reusable UI
/services = API integrations
/hooks = custom hooks

Dann weiß der Assistent, wohin neuer Code gehört, und Dateien landen nicht mehr an zufälligen Orten.

database-schema.md

Diese Datei ist Gold wert:

User
- id
- name
- email
- role
Resume
- id
- userId
- templateId
- content
Portfolio
- id
- userId
- slug

Mit dem Schema zur Hand schreibt die KI Abfragen, Migrationen, Joins und Validierungen präzise.

api-contracts.md

Dokumentieren Sie Ihre APIs:

POST /api/auth/login
Request:
{
 email: string
 password: string
}

Response:
{
 token: string
 user: object
}

Der Lohn ist Frontend-Code, der sich direkt integrieren lässt, weil er auf echten Verträgen beruht und nicht auf Annahmen.

feature-history.md

Halten Sie fest, was bereits ausgeliefert ist:

# Feature History

v1.0
- Authentication
- Resume Builder
v1.1
- Portfolio Export
v1.2
- AI Resume Suggestions

So baut die KI nichts nach, was Sie schon haben – ein großer und unterschätzter Gewinn.

decision-log.md

Notieren Sie, warum Entscheidungen gefallen sind:

Decision:
Used PostgreSQL instead of MongoDB.

Reason:
Need relational joins for resume templates.

Jetzt schlägt der Assistent keine Architektur mehr vor, die Sie bereits verworfen haben. Allein diese Datei kann Stunden sparen.

Gedächtnis pro Feature

Für mehr Detail bekommt jedes Feature eine eigene Gedächtnisdatei:

/features/auth/auth.memory.md
/features/payments/payments.memory.md
/features/profile/profile.memory.md

Eine typische sieht so aus:

# Auth Feature

Purpose:
Handles login/signup.
Flow:
Signup → Verify Email → Create Profile → Generate JWT
Files:
- auth.service.ts
- auth.controller.ts
- auth.routes.ts
Known edge cases:
- Duplicate emails
- Expired tokens

Das liefert sehr lokalen Kontext, fast auf Komponentenebene.

Prompts zum Aufbauen und Pflegen

Um das Gedächtnis für ein bestehendes Projekt anzulegen, nutzen Sie diesen Prompt:

Analyze my entire project and generate AI memory files.

Create:
1. project-overview.md
2. architecture.md
3. folder-structure.md
4. database-schema.md
5. api-contracts.md
6. feature-history.md
7. known-issues.md
8. coding-guidelines.md
9. decision-log.md
Rules:
- Read all folders
- Understand relationships
- Summarize clearly
- Keep markdown structured
- Mention business logic
- Mention important dependencies
- Mention reusable patterns

Für jeweils ein Feature erzeugt dieser Prompt die Feature-Datei, und er skaliert gut:

Analyze this feature folder and create featureName.memory.md.

Include:
- Feature purpose
- Business logic
- File roles
- API dependencies
- Database dependencies
- Edge cases
- Future improvements
- Current limitations

Nachdem neue Arbeit gemergt ist, führen Sie einen Update-Prompt aus. Das ist entscheidend, denn ein veraltetes Gedächtnis ist gefährlich:

Update my AI memory files based on the new changes.

Check:
- New files
- Modified APIs
- Schema changes
- New feature flows
- New dependencies
- New business logic
Update only relevant markdown files.

Gewohnheiten, die es nützlich halten

• Halten Sie es schlank. Schreiben Sie keine Romane, Modelle kommen mit klarem, kurzem Text besser zurecht.
• Versionieren Sie es mit Git. Committen, reviewen und weiterentwickeln wie Code.
• Aktualisieren Sie es nach jedem größeren Feature. Die Regel ist einfach: Feature ausgeliefert, Gedächtnis aktualisiert. Ohne Ausnahme.
• Bleiben Sie bei schlichtem Markdown. Es ist universell, portabel und überall lesbar.

Nicht auf Claude beschränkt

Dasselbe Setup funktioniert mit Claude Code, OpenAI Codex, GitHub Copilot, Cursor, Google Gemini CLI und Windsurf. Nicht das Modell sorgt dafür, dass es klappt. Das Gedächtnis tut es.

Worum es geht

Viele Entwickler behandeln KI wie einen Chatbot. Teammitglieder brauchen Kontext, und ein schlichter Ordner .ai-memory reicht, um aus wiederholtem Prompten echte Zusammenarbeit zu machen. Sobald das Projekt ein Gedächtnis hat, benimmt sich der Assistent nicht mehr wie ein Praktikant, sondern eher wie ein Architekt. Rechnen Sie damit, dass das in ein paar Jahren gängige Engineering-Praxis ist – es lohnt sich also, jetzt anzufangen.