Suchen ohne Antworten zu erfinden
WikiKit trennt Suche, vollständiges Lesen, Herkunft und optionale Q&A. Treffer bleiben rohe Belege; ohne Treffer entsteht keine erfundene Antwort.
#Methodik
Wenn Findings zu Wissen werden
Ein WatchKit-Befund ist ein revisionsgebundener Beleg, kein dauerhaftes Wissen. Wird er als unveränderte Quelle an WikiKit übergeben, kann daraus über ein ChangeProposal und nach menschlicher Freigabe eine wiederverwendbare Aussage entstehen.
Ein Cockpit für abgeschlossene Zeitfenster
Das Mission Cockpit verbindet SubKit, ContentKit und WikiKit über ihre gewöhnlichen Verträge und trennt maschinenlesbare Fakten, geschützte Reports und kuratiertes Wissen.
Zwischenfazit und Systemblick: eine Bilanz der Serie
Monate nach dem Gespräch, mit dem alles begann, ist es Zeit für eine ehrliche Bilanz: welche Erwartungen des Auftakts eingetreten sind, welche nicht, was offen bleibt – und warum die spannendste Frage nicht mehr lautet, was die Modelle können, sondern was Organisationen daraus machen.
Publishing mit Claude Code und Codex
Claude Code und Codex bereiten belegte Markdown-Revisionen und vollständige Vorschauen vor. Die Preview-Promotion bindet den geprüften Stand an ein exaktes Manifest und eine menschliche Entscheidung.
Wissens-Lint statt Datenfriedhof
WikiKit prüft den sichtbaren Wissensbestand ohne LLM auf Widersprüche, fehlende Belege, beschädigte Beziehungen, veraltete Claims und verwaiste Konzepte.
MCP für kuratiertes Wissen
WikiKit bietet Suche, Lesen, Quellen, Historie, Ingest und Review als scope-gesteuerte MCP-Werkzeuge an. Agenten sehen nur Fähigkeiten, für die ihr Token berechtigt ist.
Websites, die Agenten lesen können
Markdown-Zwillinge, llms.txt, llms-full.txt und die geschützte Read API geben Agenten denselben freigegebenen Inhaltsstand in passenden Detailstufen.
Spaces trennen Fachwissen
Ein WikiKit-Space ist eine fachliche und sicherheitstechnische Grenze: Er hält Konzepte, Quellen, Vorschläge, Schlüssel, Sprache und Charter zusammen. Cockpit, HTTP und MCP müssen dieselbe Isolation durchsetzen – ohne Deployment-Umgebungen mit Wissensdomänen zu verwechseln.
Widersprüche dürfen bleiben
Eine Wissensbasis, die belegte Konflikte sichtbar hält, verhindert, dass ein neuer Wert einen bestehenden Widerspruch verdeckt. Funktionale Prädikate, disputed Claims und die Beziehung contradicts machen die offene Frage prüfbar – die fachliche Auflösung bleibt einer geprüften Revision vorbehalten.
Erst prüfen, dann sichtbar
WikiKit hält jede Wissensänderung als dauerhaften ChangeProposal fest. Der Stale-Base-Schutz und die atomare Freigabe trennen Agentenvorschlag und menschliche Entscheidung – im Cockpit, über HTTP und über MCP.
Claims: klein, belegt, prüfbar
Claims zerlegen Wiki-Seiten in einzelne Aussagen mit Subjekt, Prädikat, Objekt, Confidence, Status und wörtlichem Beleg. Dadurch werden Zustimmung und Widerspruch präzise.
Eine Quelle ist noch kein Wissen
WikiKit bewahrt eingereichte Dokumente unverändert und dedupliziert sie per Hash. Verlässliches Wissen entsteht daraus erst durch überprüfbare Aussagen und Freigabe.
WikiKit: Wissen mit Herkunft
Eine Aussage wird zu nachvollziehbar geprüftem Wissen, wenn Originalquelle, wörtlicher Beleg, Änderungsvorschlag, Status und menschliche Freigabe zusammen erhalten bleiben.
Vom Organigramm zur Produktverantwortung
KI macht den Weg vom Kundenproblem bis zur Wirkung durchgängiger.
Hilfsmittel, die tragen: Konzepte, Methoden, Prozesse
Einen Agenten für die eigene Fachdomäne kann man nicht installieren – den Weg dorthin aber sehr wohl lernen. Welche Konzepte tragen, welche Methoden den Anfang klein halten und welche Prozesse verhindern, dass Regeln veralten.
llms.txt: Doku für Maschinen
Kontext für Modelle, nicht fürs Ranking: warum llms.txt und llms-full.txt Coding-Agenten helfen – und was ein MCP-Server daraus macht.
Regeln, die halten: der eigene Agent pro Fachdomäne
Ein Tool prüft den einzelnen Aufruf – verbindliche Regeln gelten aber für den ganzen Vorgang. Warum Durchsetzung, Freigaben und Nachweis in einen eigenen, an die Fachdomäne gebundenen Agenten gehören.
Agent, Modell, Fachdomäne
Das Modell ist gemietet, der Agent kann unter eigener Kontrolle stehen – entscheidend ist, ob die Fachdomäne als Prosa im Prompt liegt oder als geprüfte Schnittstelle im Agenten.
Wissen, das die Session überlebt
Session-Wissen verdampft, wenn niemand es kuratiert – warum Teams ihr KI-Arbeitswissen wie Code behandeln sollten und dabei nicht das Modell schlauer wird, sondern die Organisation lernt.
Sauberes Grounding II: Antworten erden
Mein Arbeitsmodell für Grounding unterscheidet Konventionen, Dokumente und Schnittstellenbeschreibungen. Was im knappen Kontext bleibt, priorisiere ich nach Aufgabe und Wiederbeschaffungskosten.
Sauberes Grounding I: Warum die KI so überzeugend rät
Warum Sprachmodelle plausible Dinge erfinden, weshalb mehr Training das Problem nicht zuverlässig beseitigt und was Grounding damit zu tun hat.
Vergebliche Versuche: Skills, AGENTS.md und die Grenze der Empfehlung
Ein halbes Jahr lang habe ich versucht, Teamregeln über CLAUDE.md, AGENTS.md und Skills durchzusetzen – die Chronik einer Ernüchterung und die Einsicht, dass Instruktionsdateien Empfehlungen an ein probabilistisches System sind, keine Regeln.
Mein Erfolg lässt sich nicht kopieren
Ein Kollege übernimmt mein KI-Setup und bekommt andere Ergebnisse. Werkzeuge, Tests und Konventionen sind übertragbar; Aufgabenzuschnitt, Prüfblick und der einzelne Sessionverlauf sind es nur begrenzt.
Was ich kritisch sehe
Vier Beobachtungen und eine offene Hypothese nach intensiven Monaten mit KI – vom möglichen Kompetenzverlust bis zur Sorge vor gleichförmigeren Lösungen und meinen praktischen Gegenmaßnahmen.
Delegieren statt Diktieren: der Harness macht den Unterschied
Wie Tools, Kontextverwaltung und ausführbare Prüfungen aus einer Aufgabe einen reviewbaren Branch machen können – und warum die Abnahme trotzdem beim Menschen bleibt.
Gut genug: das Modell ist selten der Engpass
Bei den Alltagsaufgaben, die ich selbst mit KI bearbeite, ist die Modellwahl selten der erste Engpass. Aufgabenzuschnitt, Kontext und Prüfung wirken meist stärker.
Vom Werkzeug zur Arbeitsweise
Wie ein Gespräch in Berlin mich nach über dreißig Jahren Softwarehandwerk zum täglichen Arbeiten mit Claude, ChatGPT und Claude Code gebracht hat – und warum ich meiner Begeisterung trotzdem erst einmal misstraue.