Ressourcen

Obsidian-Plugins

Sortiert nach Installationen laut der offiziellen Statistik von Obsidian. Der Katalog umfasst über 10.000 Plugins, hier stehen die, die für einen Vault zählen, den ein Agent pflegt. Installationen messen Nutzung, GitHub-Sterne messen Aufmerksamkeit, und beide gehen in diesem Umfeld weit auseinander.

Agenten in Obsidian

Hier läuft der Agent direkt in Obsidian.

Struktur und Abfragen

Graph

Pflege

Erfassen und Lernen

Werkzeuge

Alles außerhalb des Plugin-Katalogs von Obsidian.

Der Kern

Andere Orte für einen Vault

KI-Wissens-Apps

Fertige Produkte. Sie nehmen dir Arbeit ab und kosten dafür die Portabilität, auf die der Kurs setzt.

Erfassen und Aufbereiten

Suche und Graph

Veröffentlichen

Skills und Agenten

Gezählt wird jeder Skill einzeln, so wie du ihn installierst. Die Zahlen stammen aus dem Dateibaum der Repositories.

Skills, Befehle, Subagents und Skripte des Kurses findest du im Werkzeugkasten.

Umsetzungen des LLM-Wiki-Musters

Allgemeine Skill-Sammlungen

Sammlungen für alle Einsatzzwecke. Hier ist das Format definiert, und hier stehen gut geschriebene Beispiele.

Graph-Bauer

Neu in Claude Code (Herbst 2026)

Repositories

Projekte zu Graph, Retrieval und Gedächtnis, die du kennen solltest.

GraphRAG und Graph-Retrieval

Gedächtnis für Agenten

Ein Nachbarproblem mit denselben Techniken: Diese Projekte geben einem Agenten ein Gedächtnis, der Kurs gibt einem Menschen eine Wissensbasis. Lesenswert für das Retrieval-Design.

RAG-Frameworks

Für den Fall, dass dein Vault den Dateien entwächst. Wann das so weit ist, steht in RAG bei Bedarf.

MCP

Das Plugin Local REST API bringt inzwischen einen eigenen MCP-Server mit, ein separater Server ist damit optional. Mehr in MCP für Obsidian.

Harness-Forschung

Lesestoff

Das Ursprungsdokument

• llm-wiki

  Andrej Karpathy, Gist vom 4. April 2026

  Das Muster, auf dem das Praxisprojekt aufbaut. Kurz und als Ideendatei geschrieben, die du deinem eigenen Agenten gibst. Der Kern: Bei RAG entdeckt das Modell das Wissen bei jeder Frage neu, und nichts sammelt sich an. Mehr in Das LLM-Wiki-Muster.

Das Muster im Unternehmen

• An Organizational Second Brain: Building an AI That Learns From Experts

  Meta Engineering, 2. September 2026

  Dasselbe Muster bei Meta, mit einem ganzen Fachteam als Nutzer. Über 200 Wissensdateien mit YAML-Frontmatter bilden einen Abhängigkeitsgraphen, getrennt davon liegen „Recipes“, die Arbeitsabläufe beschreiben. Expertenkorrekturen laufen durch eine Schleife aus Diagnose, Kompilieren und Validieren mit Regressionstests, ohne neues Training. Nach sechs Wochen: Bewertungszeit von Tagen auf Minuten, keine Regressionen.

Die Tradition dahinter

Alle drei Methoden funktionieren und scheitern an derselben Stelle: Wer sie pflegt, wird müde. Mehr in Zettelkasten, PARA, Evergreen Notes.

• How to Take Smart Notes

  Sönke Ahrens, Buch

  Die Zettelkasten-Methode. Das Argument für atomare Notizen und dichte Verlinkung gilt weiter.

• Building a Second Brain

  Tiago Forte, Buch

  Woher der Begriff stammt, dazu die PARA-Methode. Ein Großteil des Buchs handelt von der Pflegearbeit, die ein Agent übernimmt.

• Andy Matuschaks Notizen

  Website

  Evergreen Notes, öffentlich als Beispiel geschrieben. Ein Gegengewicht zum ganzen Ansatz: Für Matuschak ist das Schreiben das Denken.

Neu im Herbst 2026

• Donating Agent Skills to the Agentic AI Foundation

  Anthropic, 22. Oktober 2026

  Das SKILL.md-Format geht samt Name, Spezifikation und Website an die Agentic AI Foundation unter der Linux Foundation. Die Skills im Werkzeugkasten folgen damit einem herstellerneutralen Standard.

• Building agents: When to fold subagents into your main agent loop

  Anthropic, 22. Oktober 2026

  Eine Schleife mit Skills und schrittweise geladenen Tools erreicht oft, was eine Flotte von Subagents leistet. Dazu, wann Subagents sich trotzdem lohnen. Für den Anfang reichen zehn Golden Examples als Evals.

• How To Use Decision Models for Evals

  Hamel Husain, 20. Oktober 2026

  Jev und weitere Entscheidungsmodelle bis zu OpenAIs Decisions API als günstige Judges für Pass oder Fail, gemessen an 98 Agent-Traces mit menschlichem Label. Der Rat: die Schwelle an den eigenen Daten einstellen. Mit der Vorgabe 0,5 bleibt oft Leistung liegen.

• How the Claude Code team does code review

  Anthropic, 15. Oktober 2026

  Mehrere Agenten suchen parallel nach Fehlern, eine eigene Gruppe stimmt über jeden Fund ab, nach drei Runden soll der Autor den Ansatz überdenken. Von Juni bis September hat sich die Zahl der gemergten Pull Requests mehr als verdoppelt, der Anteil der Reverts fiel um über 40 Prozent.

• Building effective agent automations

  Anthropic, 8. Oktober 2026

  Ein geplanter Agent von Anfang bis Ende: ein Lesezeichen pro Quelle, ein Register des schon Berichteten, ein Kostendeckel pro Lauf und eine ausgefallene Quelle, die als Fehler gemeldet wird. Die Muster passen auf einen nächtlichen Import.

• Automating eval design and hillclimbing with Claude

  Anthropic, 28. September 2026

  Zwei Befehle des claude-api-Skills: einer baut ein Eval in deiner Codebasis, der andere verbessert dagegen, mit einem zurückgehaltenen Test-Split gegen Overfitting. Dazu passt Hamel Husains Einschätzung „Claude’s new auto eval tool“ vom 30. September 2026 auf hamel.dev.

Papers

Jedes Paper nennt die Bedingungen, unter denen seine Ergebnisse gelten. Ob ein Befund auf einen persönlichen Vault mit ein paar tausend kuratierten Seiten übertragbar ist, entscheidet sich genau dort. Lies deshalb den Abschnitt über die Grenzen.

Grundlagen

Lies sie, wenn du selbst entscheiden willst, ob du eine Vektordatenbank brauchst.

• From Local to Global: A Graph RAG Approach to Query-Focused Summarization

  Edge u. a., Microsoft Research, 2024 · arXiv:2404.16130

  Das Paper, das GraphRAG den Namen gab. RAG scheitert an globalen Fragen über ein ganzes Korpus, weil das eine Zusammenfassungsaufgabe ist. Warum du es im persönlichen Maßstab kaum brauchst, steht in GraphRAG.

• HippoRAG: Neurobiologically Inspired Long-Term Memory for Large Language Models

  Gutiérrez u. a., 2024 · arXiv:2405.14831

  Retrieval über einen Wissensgraphen mit Personalized PageRank, für Fragen über mehrere Schritte. Kommt dem nahe, was ein Agent tut, der von einer Startseite aus Links folgt.

• Lost in the Middle: How Language Models Use Long Contexts

  Liu u. a., TACL · arXiv:2307.03172

  Die empirische Grundlage dafür, nicht den ganzen Vault in den Kontext zu laden. Am besten schneiden Modelle ab, wenn die relevante Information am Anfang oder Ende steht. Mehr in Kontextbudget.

Neu im Herbst 2026

Preprints aus September und Oktober 2026, noch ohne Begutachtung.

• Follow the Entities: A Corpus Map for Agentic Search

  Jeong u. a., 29. September 2026 · arXiv:2609.37226

  Ein Offline-Durchgang schreibt eine Seite pro wiederkehrender Entität mit Links auf jedes Dokument, das sie erwähnt, und Agenten folgen dieser Karte. Mit 7 Modellen und 3 Benchmarks fanden die Agenten mehr Belege bei im Schnitt weniger Tokens. Nach unserer Einschätzung kommt das einer Messung des LLM-Wiki-Musters nahe.

• Context as Infrastructure: Knowledge Compilation for Retrieval in Agentic Systems with Harnesses

  Yu u. a., 30. Oktober 2026 · arXiv:2610.41172

  Ein Harness nur mit grep und BM25 beantwortete 85 % von BrowseComp-Plus und 91 % von FRAMES ohne Vektorindex. Kompilierte Strukturen brachten auf FRAMES keine messbare Genauigkeit, ein Baum aus Aussagen und Belegen sparte im Schnitt 38 % der Tokens pro Anfrage.

• Keep Your Receipts: Trustworthy Cleanup of Agent-Built Knowledge Graphs

  Choudhary, 13. Oktober 2026 · arXiv:2610.17719

  Zu jedem Artefakt hält das Modell die Belege fest, dann wird das Löschen einer zurückgezogenen Quelle zur Mengenrechnung ohne Modellaufruf. Zwei Builds desselben Korpus mit 300 Dokumenten unterschieden sich in 29.475 Artefakten, deshalb repariert ein Neuaufbau nichts.

• LiteRAG: Cost-Efficient Graph-Based Retrieval-Augmented Generation

  Coll Tejeda u. a., 9. September 2026 · arXiv:2609.10239

  Graph-Retrieval, bei dem Algorithmen die Suche zur Anfragezeit steuern und kein LLM jeden Schritt entscheidet. Gegenüber GraphRAG Global und DRIFT über 100-mal schneller und über 99 % günstiger pro Anfrage.

• EvalMem: An Operation-Level Diagnostic Framework for Long-Term Memory Systems

  Liu u. a., 3. September 2026 · arXiv:2609.22231

  Teilt jeden Gedächtnisfehler auf: nicht gespeichert, nicht gefunden oder nicht genutzt. Am häufigsten lag es am Finden. Eine wikiartige Hilfsstruktur hob die Genauigkeit auf LoCoMo um 2,5 Prozentpunkte.

• CliffCompaction: Cost-Efficient Compaction for Long-Horizon Coding Agents

  Nguyen u. a., 22. September 2026 · arXiv:2609.26779

  Kompaktierung, die Inhalte nur kürzt oder weglässt und nie eine frühere Kompaktierung erneut verdichtet. Bis zu 50 % günstiger bei begrenztem Kontext, auf Terminal-Bench gleich gut oder besser.

• The Unreliable Progress Bar: Can LLM Agents Reliably Report Task Progress Throughout Execution?

  Wang u. a., 8. September 2026 · arXiv:2609.08589

  Die meisten Modelle melden ihren Fortschritt mitten in der Aufgabe ungenau, die neuesten werden kurz vor dem Ziel vorsichtig. Nach unserer Einschätzung ein Argument für Stoppregeln, über die die Laufzeitumgebung entscheidet.

• Frozen Judges, Moving Agents: Version-Dependent LLM-Judge Error and the Limits of Judge-Assisted Agent Evaluation

  Li, 28. September 2026 · arXiv:2609.34198

  Ein fester LLM-Judge macht bei verschiedenen Agent-Versionen verschiedene Fehler. Auf SWE-bench Verified erklärten acht Vergleiche allein per Judge Upgrades, die die Ausführungsergebnisse nicht bestätigen.

Ressourcen der Handbücher

Jedes Handbuch endet mit einer eigenen, ebenfalls geprüften Ressourcen-Lektion zu seinem Thema.

• Wissensgraphen
• Gates mit Entscheidungsmodellen
• Agent-Harnesses
• Loop Engineering
• Eval Engineering