Google OKF, Hermes und Gbrain: Ordnner als Wissensgraphen

Die Idee von Andrej Karpathy namens „LLM-Wiki“ – ein LLM, das selbstständig Markdown-Wikis lesen und schreiben kann – hat große Neugierde hervorgerufen. Einzelne Personen und kleine Teams beginnen, es auszuprobieren. Wenn man eine Aufgabe einer KI überträgt, liegt das Schwierige oft nicht im Modell selbst, sondern darin, wie man ihm die benötigten Hintergrundinformationen zur Verfügung stellt.

Fordert man es auf, die Bestelldaten des letzten Monats zusammenzufassen, kann es nur richtig antworten, wenn es weiß, in welchen Tabellen sich die Daten befinden, was die Spalten bedeuten und wie die Tabellen miteinander verbunden sind. Das Open Knowledge Format (OKF) zielt auf solche Lücken ab. Sein Hauptfeind sind Informationsinseln, nicht die Skalierung.

Interne Kenntnisse wie Tabellenschemata, Definitionen von Metriken, Anleitungen für Vorfälle sowie Verbindungswege zwischen Systemen befinden sich in Metadatenkatalogen, Wikis, Codekommentaren sowie im Wissen erfahrener Mitarbeiter. Jedes neue Agentenprojekt beginnt damit, diesen Kontext von Grund auf zu sammeln und erneut zu erlernen. Google Cloud bezeichnet dieses Problem in seinen Schriften zum OKF als „Context-Assembly Problem“.

Wofür OKF geeignet ist

Viel von dem, was ein Agent benötigt, ist firmenspezifisch: Tabellendefinitionen, die Berechnungsmethoden von Metriken, Betriebsverfahren, API-Spezifikationen. Diese Materialien sind verstreut. OKF zielt darauf ab, sie in Markdown-Dateien zusammenzustellen, die von Git verwaltet werden können, sodass Agenten und Mitarbeiter statt jedes Mal von vorne suchen, einem strukturierten Paket folgen können. Ein index.md sowie voneinander verlinkte Konzeptdateien bilden die nutzbare Quelle.

Indem Sie den Kontext während der Arbeit mit KI aufschreiben, sammeln Sie etwas, das Sie wiederverwenden können. Das unterscheidet sich davon, bei jeder Sitzung einen neuen Prompt einzugeben.

Wie Agenten es nutzen

Ein alleiniger Aufruf eines Modells reicht selten aus, um praktische Genauigkeit zu erreichen. Agenten benötigen den Geschäftskontext, die richtigen Datendefinitionen sowie frühere Entscheidungen. OKF bietet ihnen einen sorgfältig zusammengestellten Ort, an dem sie darauf zugreifen können, bevor sie eine Antwort erfinden.

OKF, MCP und RAG

Mehrere Technologien im Zusammenhang mit Agenten werden mit OKF verwechselt. Ihre Aufgaben unterscheiden sich.

• OKF enthält im Voraus geschriebenes Wissen: Definitionen, Verträge, Anleitungen.
• MCP verbindet Agenten laufend mit aktiven Tools und Systemen.
• RAG holt bei Abfragen relevante Passagen aus großen, unstrukturierten Datenspeichern ab.

Sie sind keine Konkurrenten. Die Definition der wöchentlichen aktiven Nutzer kann in OKF gespeichert werden, während die eigentliche BigQuery-Anfrage über MCP abgewickelt wird. OKF-Bundles können ebenfalls als Suchziele innerhalb eines RAG-Index dienen. Die praktische Frage ist, welche Bereiche Sie bereits abdecken und wo die Lücken liegen.

Hermes, Wiki LLM und Gbrain

Ein Weg, den einige Menschen einschlagen, besteht darin, eine Agentenumgebung wie Hermes mit Wiki LLM als Standardfunktion zu nutzen und anschließend Gbrain als Speicherschicht hinzuzufügen. Gbrain, das von Garry Tan als Open Source veröffentlicht wurde, speichert Informationen in einer Form, die von Agenten später wiederverwendet werden kann. Es ähnelt eher einer externen Speicherung für LLMs als einer für Menschen zugänglichen Wiki-Struktur, im Einklang mit Karpathys Idee einer LLM-Wiki. Gespeicherte Elemente sind so eingebettet, dass bei späterer Abfrage semantisch verwandte vorherige Kontexte gefunden werden können – ähnliche Entscheidungen, verwandte Geschäftsbeschränkungen usw. – und nicht nur exakte Schlüsselwortübereinstimmungen.

Sobald die Umgebung bereit ist, kann die Einrichtung von Gbrain sowie die damit verbundenen Überprüfungen innerhalb von Hermes automatisiert werden, einschließlich der Einbettung der Konfiguration. Optional verfügbare Skill-Pakete erweitern die Fähigkeiten des Agents.

Ein typischer Bereitstellungsablauf platziert den Agent auf einem VPS hinter einem Reverse-Proxy, sodass er von überall aus erreichbar ist, und bestätigt anschließend den ersten Start im Dashboard. Danach geht es weniger um die Installation von Software und mehr darum, die Wiki-Daten sowie das Gedächtnis mit echtem Kontext zu füttern.

Wie ein OKF-Bundle in der Praxis aussieht

Ein Bundle ist ein Verzeichnis mit Markdown-Dateien, die YAML-Frontmatter enthalten. Jede Datei repräsentiert ein Konzept: eine Tabelle, eine Metrik, eine API oder ein Runbook. Das Frontmatter enthält die Felder, die abfragbar sein müssen, wie z. B. Typ, Titel, Beschreibung, Tags und Zeitstempel. Der Dateikörper enthält den Text, Formeln und Beispiele, die sowohl Menschen als auch Modelle tatsächlich lesen. Verlinkungen zwischen den Dateien verwandeln das Verzeichnis in ein Graphen, nicht nur in einen Baum, sodass ein Agent von einer Metrik zu ihrer Quelltabelle und von dort zu einem Incidents-Guide gelangen kann.

Weil es sich um einfache Dateien handelt, kann dasselbe Bundle in Git gespeichert werden, als Tarball versandt oder auf einem statischen Server liegen. Pull Requests bilden somit den Überprüfungsprozess für das Wissen. Schuldzuweisungen und Historien zeigen an, wer die Churn-Formel geändert hat und wann. Kein proprietäres SDK steht zwischen Ingenieuren und dem Inhalt; cat reicht aus, um ein Konzept zu inspizieren.

Diese Einfachheit ist beabsichtigt. In Googles Designnotizen wird betont, dass es sich um einen möglichst unverbindlichen Vertrag handelt: Es wird nur ein Typfeld erforderlich, und die Ersteller entscheiden über den Rest. Menschen können Pakete manuell erstellen. Export-Pipelines können sie aus vorhandenen Katalogen generieren. Ein Agent kann ein Konzept schreiben, das ein anderer Agent später verwendet. Das Format ist der Vertrag; die Tools auf beiden Seiten bleiben austauschbar.

Hermes und Gbrain in Aktion

Sobald Hermes läuft, ähnelt der tägliche Ablauf eher der Wissensarbeit als der Infrastrukturverwaltung. Man fügt Notizen, Entscheidungen und Definitionen in die Wiki-Schicht ein. Gbrain integriert sie und macht sie nach Bedeutung suchbar. Wenn ein Agent später auf eine ähnliche Frage stößt, kann er auf diese früheren Kontexte zurückgreifen, anstatt bei einem leeren Prompt anzufangen.

Einige Gewohnheiten machen diesen Kreislauf nützlich. Schreiben Sie Definitionen so, als würde ein Fremder sie in sechs Monaten lesen. Wählen Sie lieber ein Konzept pro Datei, damit die Auffindbarkeit erhalten bleibt. Verknüpfen Sie verwandte Konzepte anstelle von Textduplikaten. Wenn sich eine Entscheidung ändert, aktualisieren Sie das Konzept, anstatt eine widersprüchliche Notiz an anderer Stelle zu hinterlassen. Behandeln Sie die Wiki-Seite als Produkt und nicht als Ablageort.

Optionale Skill-Pakete rund um Gbrain erweitern die Fähigkeiten des Agents, ohne das Kerngedächtnismodell zu verändern. Entscheidend ist, dass Gedächtnis und Tools getrennt bleiben: Das Gedächtnis enthält das Bekannte; die Tools greifen bei Bedarf auf laufende Systeme zu. Diese Trennung spiegelt die oben beschriebene Aufteilung zwischen OKF und MCP wider.

Ein Ausgangspunkt wählen

Falls Ihr Team bereits eine gut gepflegte Wiki-Seite mit Metriken und Schemata hat, ist es der natürliche erste Schritt, diese in ein OKF-ähnliches Paket umzuwandeln. Wenn das Hauptproblem darin besteht, dass „die Agenten unsere Datenbanken nicht sehen können“, könnte zunächst ein MCP-Server vor diesen Systemen sinnvoll sein. Wenn das Problem darin liegt, dass „Antworten uns in der Slack-Archäologie vergraben“, könnte ein RAG-Index für Chats und Tickets die richtige Lösung sein. Viele Teams möchten letztendlich alle drei Lösungen, doch mit dem größten Mangel anzufangen hält das Projekt realistisch.

Egal, welche Lösung Sie wählen – messen Sie, ob die Agenten aufhören, dieselben Nachfragen zu stellen. Das ist ein besseres Erfolgsmerkmal als die Anzahl der Dateien im Paket.

Bevor das Wissen ordentlich ist

Wenn man sich OKF ansieht, wird eine Grenze deutlich. Sowohl OKF als auch RAG helfen, sobald das Wissen organisiert ist. Davor versteckt sich der nützliche Kontext weiterhin in Meetingnotizen, Chatprotokollen, Zweifeln und unvollendeten Diskussionen. Formate wie OKF kommen erst nach der Kuratierung des Wissens zum Einsatz. Verweise auf die ursprüngliche Quelle befinden sich dagegen davor. Anstatt dem Modell eine fertige Antwort zu geben, weisen Sie es auf einen Weg zum ursprünglichen Kontext hin.

Langfristig werden nicht nur Modelle und Prompts wichtig sein. Genauso entscheidend wird sein, wie Informationen gespeichert und der KI dargestellt werden.