Kategorie: Second Brain

Der erste Beitrag hat beschrieben, warum ein Agentic Vault mehr ist als ein bloßes Ablagesystem. Dieser Beitrag beantwortet die Frage, aus welchen Bausteinen er sich zusammensetzt und warum diese gebraucht werden.

Ein KI-System, das zum ersten Mal in einem Vault landet, ist in einer eigentümlichen Situation. Es sieht Dateien, kann aber nicht einordnen, welche Bedeutung sie haben. Es findet Text, kann aber nicht nachvollziehen, warum er dort liegt oder für wen er gedacht ist. Das KI-System kann zwar arbeiten, hat aber weder Orientierung noch Hinweise zum Kontext, in dem es sich befindet. Es weiß auch nicht, wem es zuarbeitet. „Wer ist der Mensch, für den ich arbeite?“ Genau diese drei Defizite bestimmen die Zielarchitektur eines Agentic Vault. Orientierung und Personenwissen sind dabei eng verwandt – beide sind eine wichtige Voraussetzung, bevor zielgerichtete KI-Arbeit beginnen kann.

Orientierungs- und Personenebene

Diese Ebene greift zwei der drei Defizite auf: die fehlende Orientierung und das fehlende Wissen über den Menschen, den Nutzer des KI-Systems. Das dritte – das eigentliche Kontextwissen – ist Gegenstand des nächsten Abschnitts.

Orientierung bedeutet für ein KI-System dreierlei. Es muss wissen, was eine Datei ist, wo es welche Inhalte findet, und nach welchen Regeln im Vault gearbeitet wird. Diese drei Fragen beantworten die drei Bausteine: Typisierung, Indizes und Verhaltensdefinition. Das Wissen über den Menschen tritt als vierter Baustein hinzu. Zusammen bilden sie die Infrastrukturschicht des Agentic Vaults: alles, was vorhanden sein muss, bevor inhaltliche Arbeit sinnvoll beginnen kann.

Der erste Baustein beantwortet, was eine Datei ist: die Typisierung. Jede Datei im Vault trägt im Frontmatter – einem strukturierten Metadatenblock am Dateianfang – eine Typbezeichnung: Quelle, Synthese, Entwurf, Bericht oder Erkenntnis. Für den Menschen ist das eine nützliche Orientierung. Für die KI ist es eine Voraussetzung. Ohne diese maschinenlesbare Etikettierung müsste ein KI-System den Inhalt jeder Datei lesen, um einzuschätzen, worum es sich handelt. Das kostet Kontextfenster – die Menge an Text, die ein Modell gleichzeitig verarbeiten kann – und liefert dennoch keine Garantie für die richtige Einschätzung.

Der zweite Baustein klärt, wo etwas zu finden ist: navigierbare Indizes. Ein Vault, der über Monate und Jahre wächst, umfasst schnell mehrere tausend Dateien. Eine KI, die alles lesen würde, um relevantes Material zu finden, würde einen erheblichen Teil ihres Kontextfensters mit irrelevantem Inhalt belegen. Maschinenlesbare Indizes lösen dieses Problem: eine zentrale Einstiegskarte, ein strukturelles Inventar, ein thematischer Inhaltsindex für eingehendes Quellmaterial. Sie erlauben der KI, den richtigen Ausschnitt gezielt zu laden – ohne danach suchen zu müssen.

Der dritte Baustein legt fest, nach welchen Regeln gearbeitet wird: die Verhaltensdefinition. Eine eigene Instruktionsdatei – für jedes KI-System eine eigene – beschreibt, wie die KI im Vault arbeitet, was sie beim Sitzungsstart liest, welche Ablageregeln gelten und wie Ergebnisse zurückfließen. Ohne diese Datei beginnt jede Sitzung ohne Gedächtnis dafür, wie hier gearbeitet wird. Dieselbe KI, dieselbe Kompetenz – aber ohne den erforderlichen Rahmen, der aus generischer Leistungsfähigkeit zielgerichtete Arbeit macht.

Das Personenwissen ist der vierte und konzeptuell anspruchsvollste Baustein dieser Ebene. Eine KI, die nicht weiß, für wen sie arbeitet, kann keine wirklich passgenauen Ergebnisse produzieren. Im Agentic Vault ist dieses Wissen nicht dem Zufall überlassen – es ist explizit und strukturiert abgelegt. Ein eigenes Verzeichnis hält fest, wer der Mensch ist, für den gearbeitet wird: seine fachliche Expertise und sein Hintergrund, seine Publikationsorte und ihr jeweiliges Zielpublikum, sein Schreibstil für verschiedene Kontexte, sein Netzwerk, seine Ziele, seine technische Umgebung. Das ist kein Kurzprofil. Es ist ein dauerhafter Arbeitskontext, der es der KI erlaubt, Texte zu schreiben, Empfehlungen zu geben und Entscheidungen vorzubereiten, die zu genau diesem einen Menschen passen.

Das unterscheidet den Agentic Vault von den Memory-Funktionen, die cloudbasierte KI-Dienste heute bereitstellen. Jede Plattform pflegt ihr eigenes Nutzerprofil – nur für das eigene Modell zugänglich, nicht übertragbar. Im Agentic Vault liegt dieses Wissen in offenen Markdown-Dateien. Claude, Codex und Gemini lesen denselben Bestand. Ein Wechsel des Modells ist jederzeit und ohne Aufwand möglich: Das aufgebaute Personenwissen bleibt erhalten und muss für kein System neu aufgebaut werden.

Wissensebene

Die Orientierungsebene hat geklärt, wo etwas liegt und wie gearbeitet wird. Die Wissensebene greift das dritte Defizit auf: das eigentliche Kontextwissen – die Inhalte, mit denen die KI arbeitet. Nicht ihre Verortung, sondern ihre Substanz. Dieses Wissen liegt im Agentic Vault in zwei Schichten. Die erste ist das Rohmaterial: eingehende Quellen, Feeds, Rechercheergebnisse – unverdichtet, in der Sprache und Form, in der sie eingelesen werden. Die zweite Schicht sind die Synthesen: verdichtetes, geordnetes Wissen, das aus dem Rohmaterial entsteht.

Eine Synthese ist kein Textbeitrag oder gar Artikelentwurf. Sie ist eine eigenständige Wissenseinheit, die eine klar benannte Fragestellung beantwortet. Diese Fragestellung ist Pflichtfeld – sie steht im Frontmatter jeder Synthese und hält die Einheit fokussiert. Ohne sie würde aus einer Synthese schnell eine Sammelseite, die alles ein bisschen und nichts richtig beantwortet. Mit ihr bleibt sie das, was sie sein soll: eine abrufbare Antwort auf eine konkrete Frage.

Hier liegt der entscheidende Unterschied, und es ist ein Unterschied, den ich erst lernen musste. Synthesen sind KI-Infrastruktur, nicht Redaktionsmaterial. Beim ersten Beitrag dieser Serie habe ich Synthesen wie Textbausteine behandelt – schon halb für den Leser geformt, schon auf eine Aussage hin zugespitzt. Das war ein Fehler. Eine Synthese, die editorial vorgeformt ist, beantwortet genau eine Frage – die, für die sie geschrieben wurde – und ist für jede andere wertlos. Eine Synthese, die epistemisch offen bleibt, sich also an der Sache orientiert und nicht an einem geplanten Text, lässt sich immer wieder neu befragen.

Genau genommen ist das der Grund, warum diese Schicht überhaupt existiert. Ein KI-System, das nur Zugriff auf Rohmaterial hat, müsste bei jeder Frage von vorn beginnen und tausende Quelldateien durchdringen. Ein System, das auf gepflegte Synthesen zugreift, findet verdichtetes Wissen vor, das bereits geordnet, eingeordnet und für das KI-System greifbar ist. Die Synthesen sind damit nicht das Nebenprodukt der Vault-Arbeit – sie sind ihr eigentliches Kapital.

Kooperationsebene

Die ersten beiden Ebenen beschreiben, was die KI liest: Orientierung, Personenwissen, verdichtetes Wissen. Die Kooperationsebene beschreibt das Gegenstück – was sie zurückgibt. Hier entscheidet sich, ob aus einem Werkzeug, das man befragt, ein Partner wird, dessen Arbeit sich ansammelt. Der Unterschied ist konkret. Ein KI-System ohne Rückweg beantwortet eine Frage, und die Antwort verschwindet im Gesprächsverlauf. Die nächste Sitzung beginnt, als hätte es die erste nie gegeben. Der Vault sieht nach der Arbeit genauso aus wie vorher. Ohne einen Weg zurück bleibt jede noch so gute Analyse folgenlos – sie war ein Gespräch, kein Beitrag zum Bestand.

Der erste Baustein dieser Ebene ist deshalb der Rückflusspfad: Jedes Ergebnis braucht einen definierten Weg zurück in den Vault – nicht in den Chat, sondern in eine Datei. Eine Erkenntnis landet bei den Erkenntnissen, ein fertiger Text bei den Produkten, eine neue Einsicht aktualisiert eine bestehende Synthese. Was die KI erarbeitet, wird damit Teil des dauerhaften Bestands und steht der nächsten Sitzung – und jedem anderen KI-System – zur Verfügung.

Der zweite Baustein ist die Übergabe selbst. Ein eigenes Verzeichnis dient als beidseitiger Übergaberaum: Der Mensch legt dort Aufträge und Material für die KI ab, die KI legt dort Ergebnisse und Prüfdateien für den Menschen ab. Die Übergabe läuft über Dateien, nicht über einen Gesprächsfaden. Das ist die Voraussetzung dafür, dass mehrere Beteiligte – der Mensch und verschiedene KI-Systeme – nacheinander am selben Vorhaben arbeiten können, ohne dass Kontext verloren geht. Die Übergabe liegt im Vault, nicht in einer einzelnen Sitzung.

An dieser Stelle gehört eine ehrliche Einschätzung dazu. Der Rückfluss ist im Agentic Vault angelegt, aber nicht durchgehend automatisiert. Ein Teil läuft bereits von selbst – tägliche Skripte erschließen neues Quellmaterial und halten den thematischen Index aktuell. Der anspruchsvollere Teil aber, neue Erkenntnisse in bestehende Synthesen einzuarbeiten, geschieht bislang von Hand, gesteuert durch den menschlichen Intellekt. Der Vault zeigt die Richtung, ohne schon am Ziel zu sein. Wie sich auch dieser Prozess KI-gestützt automatisieren lässt, bleibt für die weitere Forschung und Entwicklung offen.

Zusammenwirken und Ausblick

Die drei Ebenen sind kein Stapel, den man von unten nach oben abarbeitet – sie greifen ineinander. Orientierung und Personenwissen schaffen die Voraussetzung, überhaupt zielgerichtet zu beginnen. Die Wissensebene liefert die Substanz, mit der gearbeitet wird. Die Kooperationsebene führt die Ergebnisse zurück. Und genau dort schließt sich der Kreis: Was zurückfließt, reichert die Wissensebene an, sodass die nächste Sitzung auf einem reicheren Bestand aufsetzt als die vorige.

Das ist der eigentliche Unterschied zu einem klassischen Vault. Ein einfacher Markdown-Vault macht Zusammenhänge für den Menschen sichtbar und bleibt nach jeder Nutzung, was er war. Ein Agentic Vault macht Kontext für KI-Systeme nutzbar und wächst mit jeder Sitzung. Nicht das einzelne KI-System macht ihn wertvoll – die Modelle sind austauschbar –, sondern die Architektur, die ihre Arbeit ordnet, aufbewahrt und für den nächsten Zugriff bereithält.

Damit ist die Architektur beschrieben – im Ruhezustand. Beweisen muss sie sich aber in Bewegung. Der dritte Beitrag zeigt den Agentic Vault bei der Arbeit: wie aus einer einzelnen Quelle Schritt für Schritt ein nutzbares Ergebnis wird – bewertet, integriert, verdichtet, zu Text oder Entscheidung geformt – und wie der Rückfluss die Schleife schließt. Aus den Bausteinen wird dann ein Prozess. Für mich war das der Moment, in dem der Vault aufgehört hat, ein Ablageort zu sein – und angefangen hat, mitzuarbeiten.

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

Sprachmodelle entwickeln sich in einem Tempo, das jeden Jahresvergleich überholt. Die meisten guten Modelle sind heute für ein breites Spektrum an Aufgaben bereits hinreichend leistungsfähig – nicht weil die Entwicklung stagniert, sondern weil sie so weit vorangeschritten ist, dass der entscheidende Engpass nicht mehr beim Modell liegt. Jedes dieser Modelle kann, mit gutem Kontext, beeindruckende Ergebnisse liefern. Dasselbe Modell ohne diesen Kontext beginnt von vorn – keine Vorgeschichte, kein Projektstand, keine frühere Entscheidung. Es produziert Ergebnisse, die in sich stimmen, aber nichts von dem wissen, was die Aufgabe wirklich braucht.

Den Unterschied kann man konkret beschreiben. Ein Sprachmodell kennt das allgemeine Wissen, das im Netz verfügbar ist. Was es nicht kennt, ist das spezifische Wissen einer Person: ihre Einschätzung eines Problems, den Stand ihrer laufenden Projekte, die Entscheidung, die vor drei Monaten aus gutem Grund anders ausfiel als die übliche Praxis. Genau dieses Wissen ist das, was generische von wirklich nützlichen Ergebnissen trennt.

Kontext verfügbar zu haben ist damit eine der wichtigsten Voraussetzungen für gute KI-Arbeit – nicht irgendwann, sondern bei jeder Aufgabe. Wer ihn dem Zufall überlässt, verschenkt den größten Hebel, den KI-Systeme bieten. Die Frage ist nicht, ob es sich lohnt, hier Energie und Aufwand zu investieren. Sie lautet: Wie kann ich den für meine Arbeit wichtigen Kontext optimal aufbereiten und ständig aktuell verfügbar halten?

Markdown als Fundament

Die Idee, Wissen geordnet in einem lokalen Dateisystem abzulegen, ist nicht neu – und sie hat sich in der Praxis bewährt. Renommierte Anwendungen wie Obsidian, Logseq, Joplin oder Zettlr arbeiten alle markdown-basiert und bedienen mit unterschiedlichen Schwerpunkten denselben Bedarf: Notizen dauerhaft, durchsuchbar und verknüpft zu speichern. Sie sind konsequent auf den menschlichen Nutzer ausgerichtet – auf dessen Art zu navigieren, Verbindungen herzustellen und Zusammenhänge zu erfassen. Für KI-Agenten als gleichberechtigte Nutzer einer Wissensbasis wurden sie nicht konzipiert. Was ein Mensch intuitiv versteht, ist für ein Sprachmodell nicht automatisch erschließbar.

Dass alle diese Tools auf Markdown als Dateiformat setzen, zeigt gleichwohl, dass das Format als Grundlage richtig ist. Markdown ist im Grunde nichts anderes als ein einfaches Textformat, das Struktur durch wenige Zeichen ausdrückt. Es ist von jedem Editor lesbar, auf jedem Betriebssystem nutzbar, versionierbar und ohne proprietäre Software zu öffnen. Sprachmodelle wurden auf Milliarden von Markdown-Dokumenten trainiert – GitHub-Repositories, technische Dokumentationen, strukturierte Wikis – und verarbeiten dieses Format effizienter als jedes andere Format, allen voran auch das allseits beliebte PDF. Strukturierte Überschriften, Listen und Metadaten im Frontmatter geben dem Modell eine klare Orientierung, die unformatierter Text nicht bieten kann.

Die logische Konsequenz aus beidem ist eine Umkehrung des Entwurfsprinzips. Alle bisherigen Plattformen stellen den menschlichen Nutzer in den Mittelpunkt und binden KI-Systeme nachträglich ein – über Plugins, Erweiterungen, externe Schnittstellen. Was gebraucht wird, ist das Gegenteil: ein System, das in seiner Verzeichnisstruktur, seiner Typisierung – also welche Rolle jede Datei im System spielt – und seiner Navigationslogik in erster Linie darauf ausgelegt ist, einen KI-Agenten optimal zu bedienen. Der Mensch soll zugleich direkt lesen, navigieren und bearbeiten können. Nicht Mensch zuerst, KI als Erweiterung. Sondern KI-Agenten als primäre Nutzer – mit dem Menschen als gleichberechtigtem Partner.

Was ein Agentic Vault ist

Ein System, das nach diesem Prinzip gebaut ist, verdient einen eigenen Namen: Agentic Vault. Keine neue Software, kein Ersatz für bestehende Werkzeuge – sondern eine Arbeitslogik, die auf denselben lokalen Markdown-Dateien aufbaut, sie aber anders denkt. Nicht als Ablage für menschliche Orientierung, sondern als Arbeitsraum, der optimal für die Interaktion mit KI-Agenten ausgelegt ist und für den Menschen zugleich vollständig beherrschbar bleibt. So entsteht eine Umgebung, in der Mensch und KI-Agenten über dieselben Dateien gemeinsam und gleichberechtigt arbeiten können.

Der Agentic Vault ist kein Archiv, das man gelegentlich öffnet – er ist der Arbeitsort, an dem KI-Arbeit zentral gebündelt stattfindet. Eigener Kontext bekommt hier ein Zuhause: Quellmaterial, das aufbereitet wurde, Wissen, das über Zeit reift, Erkenntnisse und Ergebnisse, die nicht im Chatverlauf verschwinden, sondern abrufbar bleiben. Wer KI-Systeme noch immer im Browser nutzt, arbeitet ohne diesen dauerhaften, gemeinsamen Kontext – die großen Anbieter bieten zwar auch Memory-Funktionen, aber jeder nur auf der eigenen Plattform, für das eigene Modell. Im Agentic Vault arbeiten Claude, Codex, Gemini oder auch lokale Modelle auf demselben gewachsenen Datenbestand – modell-agnostisch nebeneinander, ohne dass sich der eigene Kontext auf mehrere Silos verteilt. Die Zusammenarbeit zwischen Mensch und KI-System bekommt einen gemeinsamen Boden.

Ein Agentic Vault hält rohes Quellmaterial, verdichtetes Wissen und eigene Ergebnisse in geordneten, maschinenlesbaren Dateien vor – aufbereitet für den Zugriff durch KI-Agenten. Ziel ist nicht, die gesamte Wissensbasis auf einmal bereitzustellen, sondern den richtigen Ausschnitt zur richtigen Zeit. Dass das noch nicht durchgängig automatisch gelingt, ist eine ehrliche Einschränkung. Alle Informationen liegen jedoch an einem gemeinsamen Ort und lassen sich rasch zusammenführen. Den entscheidenden Unterschied zum klassischen Wissensspeicher macht der Rückfluss. Ein gutes Ergebnis verschwindet nicht im Chatverlauf, sondern kehrt an seinen Ort im Vault zurück und steht beim nächsten Mal bereit. Ohne diesen Feedback-Loop bleibt jede Sitzung ein Einmalvorgang – ohne Gedächtnis und ohne Wachstum.

Was das konkret bedeutet

Die eigene Umsetzung macht aus diesem Konzept gelebte Praxis – in der Struktur des Vaults, im täglichen Informationsfluss und in der Zusammenarbeit mehrerer KI-Systeme auf gemeinsamem Datenbestand.

Die Grundlage bildet eine Verzeichnisstruktur, in der jeder Bereich eine klar definierte Rolle trägt – Feeds für automatisch eingehendes Material, Recherche für anlassbezogene Quellen, Synthesen für verdichtetes Wissen, Projekte für aktive Vorhaben, Produkte für fertige Ergebnisse. Jede Datei trägt im Frontmatter, was sie ist – Quelle, Synthese, Entwurf oder Ergebnis. Für KI-Agenten ist das keine Komforteigenschaft, sondern Voraussetzung – wer nicht weiß, womit er arbeitet, kann nicht zielgerichtet arbeiten.

Täglich fließt neues Material aus konfigurierten Quellen automatisch in den Vault – klassifiziert, angereichert und indexiert durch KI-Agenten, ohne manuellen Aufwand. Eine eigens erzeugte Navigationsschicht hält einen maschinenlesbaren Themenindex vor, der KI-Agenten bei Bedarf ad hoc den Einstieg in relevante Inhaltsbereiche ermöglicht, ohne den gesamten Vault lesen zu müssen. Der Nutzer konzentriert sich auf die inhaltliche Arbeit. Administration und Verwaltung werden von eigens hierfür geschaffenen KI-Agenten übernommen.

Auf dem so orchestrierten Datenbestand arbeiten Claude, Codex und Gemini gleichberechtigt – jedes System mit einer eigenen Instruktionsdatei, die es in die Arbeitslogik des Vaults einführt. Ein Modellwechsel erfordert keinen Systemwechsel. Was gemeinsam erarbeitet wurde, fließt zurück – Ergebnisse landen nicht im Chatverlauf, sondern an ihrem Ort im Vault, wo sie bei der nächsten Aufgabe bereitstehen. Ein Wechsel zwischen den Modellen verschiedener Hersteller ist damit jederzeit möglich und der Vault wächst mit jeder einzelnen Sitzung.

Das hier Beschriebene ist kein abgeschlossenes System, sondern eine Entwicklungsrichtung. Nicht jeder Baustein ist fertig, nicht jeder Schritt läuft bereits automatisch. Was jedoch steht, ist die Grundlogik – und die Erfahrung, dass sie trägt. Wer diesen Weg gehen will, steht vor einer grundlegenden Frage: Aus welchen Bausteinen muss ein Vault bestehen, damit KI-Systeme zuverlässig damit arbeiten können? Der nächste Beitrag beantwortet diese und beschreibt die Architektur eines Agentic Vault – von der Orientierung über das Wissen bis zur Zusammenarbeit zwischen Mensch und KI. Ein Wissensspeicher organisiert Wissen. Ein Agentic Vault organisiert Kontext – für KI-Agenten optimiert, für Menschen zugänglich.