knowledge-base/README.md

knowledge-base

RamaDama Knowledge Base — Strukturiertes Wissen aus dem OME-Chat.

Ziel: Links, Entscheidungen, Architekturdiskussionen und technische Konzepte aus dem RamaDama-Topic in eine permanente, für Agents lesbare Wissensbasis überführen.

---

Was ich gelernt habe

1. Das Problem

Der RamaDama-Topic ist voll mit guten Links, Architekturüberlegungen und Tool-Entscheidungen. Aber:

• Flüchtig — nach einem Tag Chat-Scroll ist der relevante Inhalt begraben
• Nicht referenzierbar — kein Agent (ich nicht, kein anderer) kann das Wissen beim nächsten Start wiederfinden
• Nicht teilbar — was Pit, k9ert, Nazim, Rüdiger oder René reinwerfen, ist weg sobald der Chat weiterläuft

2. Karpathys Ansatz

Quelle: https://x.com/karpathy/status/2015883857489522876 (Jan 2026, 40K+ Likes)

Karpathys Kernidee: CLAUDE.md — eine lesbare Markdown-Datei im Projekt-Stamm, die Agents beim Start lesen und ihr Verhalten danach ausrichten.

Die vier Prinzipien aus Karpathys Post, die direkt auf Knowledge-Base-Arbeit übertragbar sind:

Prinzip	Bedeutung für die KB
Think Before Coding	Nicht einfach losrennen. Erst analysieren, was existiert, was das Ökosystem macht, wo die Standards sind.
Simplicity First	Keine overengineerten Memory-Backends. Flache Markdown-Dateien. Kein Schema, das keiner braucht.
Surgical Changes	Nur das einpflegen, was wirklich relevant ist. Nicht jeden Link, nur entscheidungsrelevante.
Goal-Driven Execution	Definieren, was "Wissen ist verarbeitet" bedeutet. Nicht: "alle Links scrapen", sondern: "Jede Entscheidung ist referenzierbar und von Agents lesbar."

3. Was multica-ai besser macht

Quelle: https://github.com/multica-ai/andrej-karpathy-skills (168K Stars)

Das Repo von forrestchang (https://x.com/jiayuan_jy) implementiert Karpathys Prinzipien als installierbares Claude Code Plugin:

• Standardisiertes Format — CLAUDE.md als Solldatei, kein freestyle
• Plugin-Struktur — plugin.json mit Semver, Lizenz, Autor, Skills-Pfad
• Cross-Plattform — Claude Code, Cursor, IDE-agnostisch durch .cursor/rules/
• Versioniert — Semver, Releases, Changelog
• Installationsmechanismus — /plugin install, oder per curl + >> CLAUDE.md
• Auto-Discovery — skills/-Verzeichnis wird automatisch erkannt
• Beispiele — Separate EXAMPLES.md als didaktisches Material

Was mein erster Ansatz falsch gemacht hat:

• Keine Analyse vor Implementation
• Einfach knowledge/forgejo-botreasury.md hingelegt ohne Strukturüberlegung
• Kein Plugin-Format, kein Schema, kein Versionsmanagement
• Nicht gefragt, ob andere Agents das überhaupt lesen können sollen

4. OpenClaw-Pluginsystem

OpenClaw hat ein eigenes Pluginsystem (Skills), das ähnlich funktioniert:

• SKILL.md als Skill-Definition
• Plugin-Marketplace (installierbar via /skill install)
• Eigene Beschreibungs-Metadaten

Das heißt: Wir können Wissen entweder als Markdown-Dokument (lesbar für jeden Agent) oder als OpenClaw Skill (installierbar, versioniert, aktivierbar) ablegen.

---

Plan: Wie ich die Knowledge Base aufbauen will

Phase 1: Struktur definieren

knowledge-base/
├── README.md                    # Dieses Dokument — Projektplan + Kontext
├── kb/                          # Knowledge Base Einträge
│   ├── teams/                   # Personen, Teams, Verantwortlichkeiten
│   ├── tools/                   # Tools, Konfigurationen, Credentials
│   ├── architecture/            # Architektur-Entscheidungen
│   ├── concepts/                # Konzepte, Links, Leseempfehlungen
│   └── decisions/               # ADRs (Architecture Decision Records)
├── skills/                      # OpenClaw Skills (plugin-kompatibel)
└── scripts/                     # Hilfsskripte (z.B. KB-Eintrag generieren)

Phase 2: Chat-Inhalt verarbeiten

1. Topic-History durchgehen — alle Links, Entscheidungen, Diskussionen identifizieren
2. Nach Kategorie sortieren — Tool-Config vs. Architektur vs. Konzept vs. Entscheidung
3. In KB schreiben — kuratierte Einträge, nicht Rohdaten
4. Verlinken — Einträge referenzieren sich gegenseitig

Phase 3: Agenten-Zugriff

Beim Start lese ich:

• kb/teams/ → wer ist wer, wer hat welche Rolle
• kb/tools/forgejo.md → Instanz-Details, Credentials
• Relevante decisions/*.md → warum wurde was entschieden

Regel: Kein externes Memory-Backend erforderlich. Flache Markdown-Dateien, lesbar von jedem Agent, versioniert über Git.

Phase 4: OpenClaw-Skill-Export (optional)

Wenn Sinnvoll: Kritische KB-Einträge als OpenClaw Skills exportieren, damit sie über den Plugin-Marketplace installierbar sind.

---

Erste Prioritäten

1. ✅ Tool-Konfig: Forgejo (forgejo-botreasury.md) — besteht schon, muss ins neue Format migriert werden
2. ❌ Teams — k9ert, Pit, Nazim, René, Rüdiger: Rollen, Kontakt, Expertise
3. ❌ Architektur-Entscheidungen — Warum Forgejo? Warum Tailscale? Warum diese Instanz?
4. ❌ Concepts & Links — Alle Links aus dem RamaDama-Topic katalogisiert

---

Was ich nicht machen werde

• ❌ Kein overengineertes Schema (YAML-Frontmatter reicht)
• ❌ Keine externen Memory-Dienste als Primärspeicher
• ❌ Kein Scraping aller Links auf Vorrat — nur kuratierte Einträge
• ❌ Kein wilder Aktionismus

---

Stand: 2026-06-05 | Gebaut von hector-bot für den RamaDama-Topic, OME-Gruppe

---

Appendix: Implementierungen aus Karpathys Tweet-Thread

Alle Repos und Tools, die direkt oder indirekt auf Karpathys Post vom 26. Jan 2026 aufbauen.

Quelle: https://x.com/karpathy/status/2015883857489522876

Direkte Implementierungen

Repo	Autor	Stars	Beschreibung	Stand
multica-ai/andrej-karpathy-skills	forrestchang	~144k	Das Original-Repo: CLAUDE.md mit Karpathys vier Prinzipien, als Claude Code Plugin und Cursor-Regel verpackt. Enthält plugin.json, EXAMPLES.md, CURSOR.md.	Jan 2026
forrestchang/andrej-karpathy-skills	forrestchang	~160k	Persönlicher Fork des Autors. Insgesamt ~220k Stars kombiniert. Eine der am schnellsten wachsenden Repos in GitHub-Geschichte.	Jan 2026
karpathy/autoresearch	karpathy	~85k	Karpathys eigenes Projekt: AI Agents, die automatisch ML-Experimente auf Single-GPU-nanochat-Training fahren. Kern: program.md als Instruction File. Agent loop: read → propose → run → evaluate → commit/rollback.	März 2026

Plattform-Adapter

Repo	Autor	Beschreibung
swarmclawai/andrej-karpathy-skills	waydelyle	Multi-Adapter-Repo: Karpathys Guidelines als Claude Code, Codex, Cursor, Gemini, OpenCode, Aider, Copilot, OpenClaw und jedes AGENTS.md-kompatible Agent format. Enthält adapters/-Verzeichnis mit plattformspezifischen Dateien + npm-Install-Skript. 17 Stars.
mertso13/gemini-skill-karpathy-coding	mertso13	Karpathys Guidelines als Gemini CLI Skill. Enthält gemini-extension.json und find-skills-Support.

AGENTS.md — Der offene Standard

Repo	Stars	Beschreibung
agentsmd/agents.md	~22k	Offener Standard für AGENTS.md. Webseite mit Kompatibilitätsmatrix: Claude Code, Codex, Cursor, Aider, Windsurf, Copilot, Devin, Gemini CLI, Augment. 1.6k Forks.
FerroxLabs/agents-md	~558	Sean Donahoes AGENTS.md — Drop-in-Datei, die jeden Coding Agent wie einen Senior Engineer benimmt. Synthetisiert Karpathys vier Prinzipien + Boris Chernys Claude Code Workflow. 67 Forks.

Skill-Ökosystem (topic: karpathy-skills)

Repo	Autor	Beschreibung
PBNZ/newton-skill	PBNZ	Claude Skill für rigoroses Reasoning: ehrliches Engagement, kalibrierter Pushback, aktuelle Quellen, Wiederverwendung vor Neuerfindung.
Shreyas-prog108/shreyas-skills	Shreyas	Personal Engineering Skill Framework. Karpathy-inspiriert.
Vix0007/vixero-skills	Vix	Token-effiziente Agent Skills: Meta-Skills ≤650t, Coding Discipline.
AgriciDaniel/claude-obsidian	AgriciDaniel	Enthält AGENTS.md für Claude Code + Obsidian-Integration.

IDE & Marketplace Extensions

Extension	Plattform	Beschreibung
MichielWBeijen.andrej-karpathy-skills-cursor-vscode	VS Code	Karpathy Guidelines als Cursor/VSCode-Erweiterung
benpay/karpathy-guidelines	Open VSX	Karpathy-Guidelines auf Open VSX Registry
claudemarketplaces.com	Claude Marketplace	Karpathy Skill im Claude Code Plugin Marketplace

OpenClaw-spezifisch

Ressource	Beschreibung
augmentcode.com — Karpathy Skills on OpenClaw	Blogpost über Karpathy Skills auf OpenClaw Agents. These: „Agents schreiben nicht besseren Code — sie tun es nur effizienter."

Für unsere Knowledge Base relevant

Die wichtigsten Erkenntnisse aus dieser Recherche:

1. swarmclawai hat den breitesten Ansatz — Adapter für alle Plattformen inkl. OpenClaw
2. agentsmd/agents.md definiert den offenen Standard, den wir nutzen sollten
3. FerroxLabs/agents-md zeigt, wie man AGENTS.md als reine Drop-in-Datei designed
4. karpathy/autoresearch beweist, dass program.md über Coding hinaus für Research-Agenten funktioniert — Template für Wissens-Agenten