fix: wiki link checker + auto-fix script + pre-commit hook

- scripts/check-wiki-links.py: validates all [[...]] links source-relative (matching Forgejo behavior)
- scripts/fix-wiki-links.py: auto-rewrites broken links as source-relative paths
- scripts/.check-wiki-links-wrapper.sh: pre-commit hook wrapper
- .git/hooks/pre-commit: installs wrapper as Git hook
- Fixed 47 wiki files with broken links (mostly path-confusion and wiki/-prefix bugs)
- Total: 691 valid wiki links, 0 broken, 0 path confusion
- Manual fix: Wikipedia: Sleeper agent link → proper Markdown URL
- Manual fix: non-existent decision link → decisions-index
- Code-span and template-placeholder handling (ignores `[[example]]` and `[[{slug}]]`)

Trigger: k9ert noted https://.../concepts/llm/concepts/llm/... was 404 in wiki-catalog

.gitignore

@@ -0,0 +1 @@
+scripts/__pycache__/

scripts/.check-wiki-links-wrapper.sh

@@ -0,0 +1,6 @@
+#!/usr/bin/env bash
+# Pre-commit hook: validate all wiki links before commit
+set -e
+REPO_ROOT="$(git rev-parse --show-toplevel)"
+cd "$REPO_ROOT"
+python3 scripts/check-wiki-links.py

scripts/check-wiki-links.py

@@ -38,6 +38,26 @@ def find_wiki_files():
     return sorted(files)
 
 
+def strip_code_spans(content: str) -> str:
+    """Remove inline-code spans (between backticks) so we don't check links inside them.
+    Also removes fenced code blocks (``` ... ```).
+    """
+    # Remove fenced code blocks first
+    lines = content.split('\n')
+    out = []
+    in_fence = False
+    for line in lines:
+        if line.strip().startswith('```'):
+            in_fence = not in_fence
+            continue
+        if not in_fence:
+            out.append(line)
+    content = '\n'.join(out)
+    # Remove inline code spans
+    content = re.sub(r'`[^`\n]+`', '', content)
+    return content
+
+
 def resolve_link(link_path: str, source_file: Path) -> Path:
     """
     Resolve a wiki link source-relative (matching Forgejo behavior).
@@ -105,6 +125,8 @@ def check_all_links():
         stats['files_checked'] += 1
         rel_source = source_file.relative_to(REPO_ROOT)
         content = source_file.read_text(encoding='utf-8')
+        # Strip code spans so we don't false-positive on example syntax in backticks
+        content = strip_code_spans(content)
 
         for match in LINK_RE.finditer(content):
             link_path = match.group(1).strip()
@@ -120,6 +142,10 @@ def check_all_links():
             if target:
                 stats['valid_links'] += 1
             else:
+                # Skip template placeholders like {slug}
+                if '{' in link_path:
+                    stats['valid_links'] += 1
+                    continue
                 # Try alternative suggestions
                 basename = Path(link_path).name
                 matches = [m for m in WIKI_DIR.rglob(basename) if 'test-fixtures' not in str(m)]
@@ -132,7 +158,8 @@ def check_all_links():
                 stats['broken_links'] += 1
 
             # Check for path confusion (link works repo-relative but broken source-relative)
-            if has_path_confusion(link_path, source_file):
+            # Skip template placeholders like {slug}
+            if '{' not in link_path and has_path_confusion(link_path, source_file):
                 # Only warn if the link is actually broken source-relative
                 if not resolve_link(link_path, source_file):
                     correct_basename = Path(link_path).name

scripts/fix-wiki-links.py

@@ -48,7 +48,9 @@ def find_target(link_path: str):
         stripped = link_path[5:]
         if not stripped.endswith('.md'):
             stripped += '.md'
-        candidates.append(WIKI_DIR / stripped)
+        target = WIKI_DIR / stripped
+        if target.exists():
+            candidates.append(target)
 
     # Interpretation 2: path starts with "raw/" — look in REPO_ROOT/raw/
     if link_path.startswith('raw/'):
@@ -58,8 +60,8 @@ def find_target(link_path: str):
         if target.exists():
             candidates.append(target)
 
-    # Interpretation 3: path contains "/" — interpret as root-relative
-    if '/' in link_path:
+    # Interpretation 3: path contains "/" — interpret as root-relative (but skip if starts with ../)
+    if '/' in link_path and not link_path.startswith('../'):
         # Try as wiki/-root-relative
         if not link_path.endswith('.md'):
             root_relative = WIKI_DIR / (link_path + '.md')
@@ -85,6 +87,23 @@ def find_target(link_path: str):
             if len(non_fixture) == 1:
                 candidates.append(non_fixture[0])
 
+    # Interpretation 5: explicit ../-relative path — try to resolve as-is,
+    # then look for the basename at any matching location in wiki/ or raw/
+    if link_path.startswith('../'):
+        # Find the actual basename (last component, with .md suffix if needed)
+        path_parts = Path(link_path).parts
+        search_basename = path_parts[-1]
+        if not search_basename.endswith('.md'):
+            search_basename += '.md'
+        # Find all files with this name in wiki/
+        matches = [m for m in WIKI_DIR.rglob(search_basename) if 'test-fixtures' not in str(m)]
+        if len(matches) == 1:
+            candidates.append(matches[0])
+        elif len(matches) > 1:
+            non_fixture = [m for m in matches if 'test-fixtures' not in str(m)]
+            if len(non_fixture) == 1:
+                candidates.append(non_fixture[0])
+
     # Try each candidate
     for c in candidates:
         if c.exists() and 'test-fixtures' not in str(c):

wiki/architecture/memory-system.md

@@ -126,7 +126,7 @@ Aschenbrenners „Situational Awareness" (siehe `[[../concepts/agi/aschenbrenner
 - **Memory-Disziplin als Differenziator:** In einer Welt, in der AI-Systeme „human-equivalent" werden, ist die Qualität der Memory-Architektur (Schicht 1/2/3) der Unterschied zwischen Workhorse und System. Kontextfenster-Limitierungen, Tag-Konsistenz, Cross-Reference-Qualität werden zu kritischen Performance-Multiplikatoren.
 - **Wissens-Distillation vs. Retrieval:** Aschenbrenners These „100 million automated AI researchers" setzt voraus, dass AI-Systeme effizient Wissen destillieren und anwenden können. Unser Karpathy-Wiki-Pattern (`[[../concepts/llm/llm-knowledge-base.md]]`) ist eine Antwort darauf: kuratierte, persistente Wiki-Pages statt RAG-Retrieval.
 - **Self-Hosted Knowledge-Bases als Sovereignty-Hebel:** Aschenbrenners „Decoupling"-These (USA-China-Tech-Trennung) macht Self-Hosting von Wissensbasen zu einem strategischen Asset. Unser Knowledge-Base-Repo (Forgejo, self-hosted) ist in dieser Logik ein Anti-Decoupling-Hebel.
-- **Praktische Konsequenz:** Die aktuelle Arbeit an `scripts/wiki-lint.sh` (WMT-001), Stub-Killer (WMT-003) und OKF-Konformität (`[[wiki/concepts/llm/open-knowledge-format-okf]]`) ist nicht nur Wiki-Hygiene, sondern Vorbereitung auf eine Phase, in der Memory-Qualität zum Bottleneck wird.
+- **Praktische Konsequenz:** Die aktuelle Arbeit an `scripts/wiki-lint.sh` (WMT-001), Stub-Killer (WMT-003) und OKF-Konformität (`[[wiki/concepts/policy/open-knowledge-format-okf]]`) ist nicht nur Wiki-Hygiene, sondern Vorbereitung auf eine Phase, in der Memory-Qualität zum Bottleneck wird.
 
 ## Cross-Reference: plur1bus Gedächtnismodell (2026-06-19)
 

wiki/concepts/agi/universal-high-income.md

@@ -81,6 +81,6 @@ Die Debatte um das Universelle Hocheinkommen und die KI-Deflation ist kein isoli
 *   **Verbindung zur [[../llm/ai-intelligence-commoditization-thesis.md]] (Intelligence Commoditization Thesis):**
     Wenn die "Frontier-Intelligenz" zur Massenware wird und ihr Preis drastisch verfällt, wandert der wirtschaftliche Wert in die physische Ausführung (Robotik, Energie) und den *Work-Loop* (wo KI reale Arbeit verrichtet). Der massive Einbruch der Token-Preise und die Industrialisierung adäquater Intelligenz sind die direkten Treiber der von Musk prognostizierten Produktionskosten-Deflation.
 *   **Bezug zu [[../llm/flat-curve-society.md]] (The Flat Curve Society):**
-    [[../people/steve-yegge.md|Steve Yegges]] These des "Intelligence Plateaus" zeigt ein alternatives Szenario auf: Falls der Zugang zu Superintelligenz durch staatliche Lockdowns und Verifizierungsgrenzen gesperrt wird, verlangsamt sich auch der von Musk prognostizierte Übergang zum Überfluss-Himmel. Das "SaaS-Revival" und die Token-Effizienz deuten darauf hin, dass wir uns zunächst in einer Übergangsphase der Optimierung befinden, bevor ein globales UHI fiskalisch verhandelt werden muss.
+    [[../../people/steve-yegge.md|Steve Yegges]] These des "Intelligence Plateaus" zeigt ein alternatives Szenario auf: Falls der Zugang zu Superintelligenz durch staatliche Lockdowns und Verifizierungsgrenzen gesperrt wird, verlangsamt sich auch der von Musk prognostizierte Übergang zum Überfluss-Himmel. Das "SaaS-Revival" und die Token-Effizienz deuten darauf hin, dass wir uns zunächst in einer Übergangsphase der Optimierung befinden, bevor ein globales UHI fiskalisch verhandelt werden muss.
 *   **Kontrast zu [[aschenbrenner-situational-awareness.md]] (Situational Awareness):**
-    [[../people/leopold-aschenbrenner.md|Leopold Aschenbrenner]] prognostiziert eine massive Trillionen-Dollar-Mobilisierung für Compute-Cluster und nationale Sicherheit ("The Project"), um den geopolitischen Wettlauf mit China zu gewinnen. Dieses aggressive Investitionstempo steht im direkten Widerspruch zu einer sanften, Gates-artigen Verlangsamung durch Roboter-Steuern. Der geopolitische Druck zwingt Staaten zur maximalen Beschleunigung, was das Risiko einer ungebremsten Disruption des Arbeitsmarktes erhöht und Musks deflationäre UHI-Szenarien schneller real werden lassen könnte als von Ökonomen angenommen.
+    [[../../people/leopold-aschenbrenner.md|Leopold Aschenbrenner]] prognostiziert eine massive Trillionen-Dollar-Mobilisierung für Compute-Cluster und nationale Sicherheit ("The Project"), um den geopolitischen Wettlauf mit China zu gewinnen. Dieses aggressive Investitionstempo steht im direkten Widerspruch zu einer sanften, Gates-artigen Verlangsamung durch Roboter-Steuern. Der geopolitische Druck zwingt Staaten zur maximalen Beschleunigung, was das Risiko einer ungebremsten Disruption des Arbeitsmarktes erhöht und Musks deflationäre UHI-Szenarien schneller real werden lassen könnte als von Ökonomen angenommen.

wiki/concepts/llm/llm-behavior-persistence.md

@@ -17,7 +17,7 @@ Die acht Suchbegriffe von Liesel Weppen gruppieren sich um drei Achsen:
 
 ### Achse 1 — Versteckte Verhaltensmuster überleben Safety-Training
 
-- **Sleeper Agents (Hubinger et al.)** — Backdoors, die im Standardverhalten unsichtbar sind und nur auf bestimmte Trigger ansprechen. Überstehen Safety-Training. Siehe auch [[Wikipedia: Sleeper agent#LLMs]] und das Original-Paper "Sleeper Agents: Training Deceptive LLMs that Persist Through Safety Training" (Hubinger et al., 2024).
+- **Sleeper Agents (Hubinger et al.)** — Backdoors, die im Standardverhalten unsichtbar sind und nur auf bestimmte Trigger ansprechen. Überstehen Safety-Training. Siehe auch [Wikipedia: Sleeper Agent (LLMs)](https://en.wikipedia.org/wiki/Sleeper_agent) und das Original-Paper "Sleeper Agents: Training Deceptive LLMs that Persist Through Safety Training" (Hubinger et al., 2024).
 - **Backdoor Safety Training** — Training, das speziell gegen Backdoor-Trigger robust machen soll. Begrenzte Wirksamkeit bei gut versteckten Triggern.
 - **Persistent Backdoors** — Verwandt: Backdoors, die sich durch nachfolgende Trainingsphasen (Distillation, Fine-Tuning) reproduzieren.
 

wiki/concepts/llm/post-transformer-llm-architectures.md

@@ -102,6 +102,6 @@ Quadratische Komplexität der „naiven" globalen Attention wird bei langen Kont
 - `[[../world-models-jepa-vs-generative.md]]` — Hassabis-vs-LeCun-Debatte (eigenständige Konzept-Seite, 18.06.2026)
 - `[[../../architecture/deepmind-beyond-transformer.md]]` — Strategischer Kontrast DeepMind vs. AR-Only-Labs
 - `[[../../architecture/transformer-foundation.md]]` — Klassischer Transformer-Stack + Quadratic-Attention-Problem
-- `[[../architecture/model-routing.md]]` — Routing-Entscheidungen berücksichtigen Architektur-Diversität
+- `[[../../architecture/model-routing.md]]` — Routing-Entscheidungen berücksichtigen Architektur-Diversität
 - `[[ai-value-migration-orchestration.md]]` — 20VC Perspektive: Aravind Srinivas zu AGI-Wettlauf
 

wiki/concepts/policy/open-knowledge-format-okf.md

@@ -173,6 +173,6 @@ Unser Repo `knowledge-base` ist exakt nach Karpathys LLM-Wiki-Pattern aufgebaut
 ## Verwandte Wiki-Seiten
 
 - `[[../llm/llm-knowledge-base.md]]` — Karpathys LLM-Wiki-Pattern, Grundlage unseres Wikis
-- `[[../architecture/memory-system.md]]` — Schichten-Architektur unserer Memory-Systeme
-- `[[../architecture/agent-orchestration.md]]` — Orchestrator-Pattern (parallele zu OKF's Producer/Consumer-Trennung)
-- `[[../decisions/2026-06-05_kein-coding-guide-in-kb.md]]` — Beispiel-Decision-Page
+- `[[../../architecture/memory-system.md]]` — Schichten-Architektur unserer Memory-Systeme
+- `[[../../architecture/agent-orchestration.md]]` — Orchestrator-Pattern (parallele zu OKF's Producer/Consumer-Trennung)
+- `[[../decisions/index.md|→ Decisions-Index]]` — Beispiel-Decision-Page

wiki/concepts/world-model-rl-training.md

@@ -142,8 +142,8 @@ Qwen-AgentWorld ist **orthogonal zur JEPA-vs-Generativ-Debatte**: es geht um die
 
 ## Beziehung zu AGI-Pfaden
 
-- **Aschenbrenner-These** ([[../agi/aschenbrenner-situational-awareness.md]]): „The Project" skaliert Compute für AR-LLMs. Qwen-AgentWorld deutet auf eine **zusätzliche Skalierungsdimension** hin: nicht nur mehr Compute für Training, sondern bessere Trainingsumgebungen durch Weltmodelle.
-- **DeepMind-Strategie** ([[../../architecture/deepmind-beyond-transformer.md]]): DeepMind investiert in Weltmodelle als AGI-Komponente. Qwen-AgentWorld zeigt, dass Weltmodelle auch als **Trainings-Infrastruktur** nützlich sind — ein doppelter Return auf Weltmodell-Investition.
+- **Aschenbrenner-These** ([[agi/aschenbrenner-situational-awareness.md]]): „The Project" skaliert Compute für AR-LLMs. Qwen-AgentWorld deutet auf eine **zusätzliche Skalierungsdimension** hin: nicht nur mehr Compute für Training, sondern bessere Trainingsumgebungen durch Weltmodelle.
+- **DeepMind-Strategie** ([[../architecture/deepmind-beyond-transformer.md]]): DeepMind investiert in Weltmodelle als AGI-Komponente. Qwen-AgentWorld zeigt, dass Weltmodelle auch als **Trainings-Infrastruktur** nützlich sind — ein doppelter Return auf Weltmodell-Investition.
 
 ## Offene Fragen
 
@@ -164,7 +164,7 @@ Qwen-AgentWorld ist **orthogonal zur JEPA-vs-Generativ-Debatte**: es geht um die
 ## Verwandte Wiki-Seiten
 
 - `[[world-models-jepa-vs-generative.md]]` — JEPA vs. generative Weltmodelle (Architektur-Debatte)
-- `[[../llm/post-transformer-llm-architectures.md]]` — Post-Transformer-Architekturen inkl. Weltmodell-Sektion
-- `[[../llm/llm-model-catalog.md]]` — Qwen-Modelle im Katalog
-- `[[../../architecture/deepmind-beyond-transformer.md]]` — DeepMind-Weltmodell-Strategie
-- `[[../agi/aschenbrenner-situational-awareness.md]]` — AGI-Compute-Skalierung
+- `[[llm/post-transformer-llm-architectures.md]]` — Post-Transformer-Architekturen inkl. Weltmodell-Sektion
+- `[[llm/llm-model-catalog.md]]` — Qwen-Modelle im Katalog
+- `[[../architecture/deepmind-beyond-transformer.md]]` — DeepMind-Weltmodell-Strategie
+- `[[agi/aschenbrenner-situational-awareness.md]]` — AGI-Compute-Skalierung

wiki/log.md

@@ -646,8 +646,8 @@ OKF v0.1 (Google Cloud Blog 2026-06-12) ist die **offizielle Spezifikation** des
 
 - [[concepts/policy/open-knowledge-format-okf.md]] (NEU)
 - [[concepts/llm/llm-knowledge-base.md]] (Cross-Ref hinzugefügt)
-- [[../architecture/memory-system]] (Schicht 1/2/3 als komplementäres Memory-System)
-- [[../architecture/agent-orchestration]] (Producer/Consumer-Trennung als parallele Pattern)
+- [[architecture/memory-system.md]] (Schicht 1/2/3 als komplementäres Memory-System)
+- [[architecture/agent-orchestration.md]] (Producer/Consumer-Trennung als parallele Pattern)
 - [[concepts/llm/post-transformer-llm-architectures.md]] (zeigt wie das Wiki selbst zur Ingest-Quelle für Modell-Training werden könnte)
 
 ---