Agentic Networks
KI-Agenten, Second-Brain-Systeme und die Frage, wie Menschen künftig mit Maschinen denken, arbeiten und entscheiden.
-
vaultkit: Die Referenzimplementierung des Agentic Vault
Der folgende Beitrag bündelt die bisherigen Texte zum Agentic Vault in einer eigenständigen Konzeptbeschreibung. Für Leser, die vor allem verstehen wollen, was vaultkit ist und wie der Agentic-Vault-Ansatz praktisch umgesetzt wird, bildet dieser Beitrag den geeigneten Einstiegspunkt. Das zugehörige GitHub-Repository ist im Beitrag verlinkt. Weiterlesen →
-
Wenn Wissen altert: Wie ein KI-gestützter Vault aktuell bleibt
Ein Agentic Vault ist kein statisches Archiv. Quellen ändern sich, Aussagen altern und frühere Erkenntnisse müssen nachvollziehbar bleiben. Deshalb braucht der Vault einen Lebenszyklus für Wissen: Die KI überwacht Zulauf, Status und Alterung, während der Mensch über die inhaltliche Bewertung entscheidet. Weiterlesen →
-
Wissen gezielt weitergeben: Portable Pakete statt vollständigem Vault
Ein Agentic Vault soll nicht zur Wissensinsel werden. Dafür braucht es geprüfte Wissenspakete: kontrollierte Ausschnitte aus dem eigenen Workspace, die Fachwissen, Systemwissen und persönlichen Kontext trennen und für andere Vaults, getrennte technische Umgebungen oder spezialisierte Dienste nutzbar machen. Portabel bedeutet dabei nicht öffentlich – jede Übergabe bleibt eine bewusste Entscheidung. Weiterlesen →
-
Offenes Wissen für KI-Agenten: Was das Open Knowledge Format verändert
Das Open Knowledge Format gibt Markdown-Wissensbeständen eine gemeinsame, maschinenlesbare Struktur. Der Abgleich mit dem Agentic Vault bestätigt dessen Grundidee, zeigt aber auch, wo Navigation und Metadaten vereinfacht werden mussten. Weiterlesen →
-
Von der Quelle zum Ergebnis: Wie Mensch und KI im Vault zusammenarbeiten
Quellen einbringen, Wissen verdichten, Lücken schließen, ein Ergebnis formulieren und neue Erkenntnisse zurückführen: Erst dieser Kreislauf macht aus einem Vault eine Arbeitsumgebung. Der Beitrag beschreibt ihn in sechs Schritten. Weiterlesen →
-
Orientierung, Wissen und Rückfluss: Die Architektur gemeinsamer KI-Arbeit
Ein KI-System kann tausende Dateien lesen und trotzdem orientierungslos bleiben. Erst Typisierung, navigierbare Indizes, Personenwissen und ein geregelter Rückfluss machen aus einem Markdown-Vault eine verlässliche Arbeitsumgebung für Mensch und KI. Weiterlesen →
-
Kontext schlägt Modellwahl: Die Grundlage guter KI-Arbeit
Die Qualität eines Sprachmodells entscheidet seltener über das Ergebnis, als die meisten annehmen. Was den Unterschied macht, ist der Kontext – und wer ihn systematisch verfügbar hat, arbeitet mit KI auf einem anderen Niveau. Weiterlesen →