hector-bot/knowledge-base
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions
RamaDama Knowledge Base — strukturiertes Wissen aus dem OME-Chat, nach Karpathy-Prinzip
3 commits 1 branch 0 tags 7.1 MiB
Find a file
Hector the Butler eae910a69f fix: separate Karpathy's coding rules from KB concept — disclaimer added
2026-06-05 13:08:01 +02:00
README.md fix: separate Karpathy's coding rules from KB concept — disclaimer added 2026-06-05 13:08:01 +02:00

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 — das Konzept (nicht die Coding-Regeln!)

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.

Wichtig: Der Post handelt von vier Coding-Verhaltensprinzipien (Think Before Coding, Simplicity First, etc.). Das Konzept dahinter — persistente, agents-lesbare Instruction Files — ist die eigentliche konzeptionelle Grundlage für unsere Knowledge Base. Nicht die Coding-Regeln selbst.

Aus Karpathys Post für die KB relevant:

Konzept Bedeutung für die KB
Persistente Dateien Agents lesen beim Start CLAUDE.md / AGENTS.md → Wissen geht nicht verloren
Lesbares Format Reines Markdown, kein binäres Backend. Jeder Agent kann es lesen.
Git-versioniert Änderungen nachvollziehbar, kollaborativ bearbeitbar
Projektverzeichnis Wissen liegt da, wo die Arbeit passiert — nicht in einem externen System

Was ich falsch gemacht hab: Die vier Coding-Prinzipien 1:1 auf die KB-Struktur übertragen. Die sind für Coding-Verhalten, nicht für Wissensorganisation. Karpathy hat später mit autoresearch (program.md) gezeigt, dass das Instruction-File-Konzept auch für Nicht-Coding-Agenten funktioniert.

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

⚠️ Wichtige Klarstellung: Die folgenden Repos sind fast alle Coding-Verhaltensregeln (Claude Code Skills, AGENTS.md). Sie implementieren die vier Prinzipien aus Karpathys Post, nicht das Knowledge-Base-Konzept. Sie sind hier trotzdem dokumentiert, weil sie zeigen:

  1. Wie sich der Instruction-File-Standard entwickelt hat (CLAUDE.md → AGENTS.md → offener Standard)
  2. Welche Plattformen das Format unterstützen (Claude Code, Codex, Cursor, Gemini CLI, OpenClaw)
  3. Dass swarmclawai bereits einen OpenClaw-Adapter gebaut hat

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