Hilfeseiten aktuell halten ist Fleissarbeit. Neue Features, geänderte Abläufe, andere Formulierungen – bisher musste das alles händisch passieren. Wir haben uns gefragt: Was wäre, wenn die KI nicht nur antwortet, sondern das Wissen selbst pflegt? Die Antwort ist unser neues Hilfesystem – inspiriert von einer Idee, die aus dem Silicon Valley kommt.
Die Idee: Andrej Karpathys „LLM Wiki"
Andrej Karpathy – Mitgründer von OpenAI und ehemals Leiter der KI-Abteilung bei Tesla – veröffentlichte im April 2026 ein Konzept, das er „LLM Wiki" nannte. Die Kernidee: Statt einer KI bei jeder Frage alle Dokumente neu durchsuchen zu lassen (das klassische RAG-Verfahren), baut man ein lebendes Wissenssystem, das sich selbst pflegt und mit der Zeit besser wird.
„The tedious part of maintaining a knowledge base is not the reading or the thinking … it's the bookkeeping."
— Andrej Karpathy
Das Muster besteht aus drei Schichten:
Die drei Schichten des LLM-Wiki-Patterns
Angewendet auf Crazypatterns
- •Feature-Specs
- •Support-Exports
- •Screenshots
- •Alt-Dokumentation
- •Knowledge-Seiten
- •Help-Pages
- •Querverweise
- •Terminologie/Glossar
- •Dateiformat-Regeln
- •Redaktionsstandard
- •Lint-Regeln und QA
- •Sync-Operationen
Das Besondere: Die KI liest Rohmaterial, destilliert Wissen in vernetzte Seiten und hält alles aktuell – ähnlich einem Bibliothekar, der nicht nur Bücher einordnet, sondern auch Zusammenfassungen schreibt und veraltete Einträge markiert.
Was wir daraus gemacht haben
Wir fanden die Idee sofort überzeugend – aber unser Anwendungsfall ist ein anderer als eine persönliche Wissenssammlung. Bei Crazypatterns geht es um Hilfeseiten, die direkt aus unserem Code entstehen. Wenn sich ein Feature ändert, soll die Hilfe automatisch mitziehen.
Inspiriert von dieser Idee haben wir ein eigenes Schichtenmodell für unseren Code-to-Help-Workflow entwickelt:
Vom Code zur Hilfeseite – unser Schichtenmodell
Unveränderte Originaldokumente aus dem Entwicklungsprozess.
- Feature-Specs
- Support-Exports
- Screenshots
- Alt-Dokumentation
KI-generiertes Wissen über CP als Zwischenschicht.
- Wissen über CP
- Redaktionsregeln
- Terminologie
- Feature-Mapping
Fertige Hilfeseiten für die Live-Website.
- Hilfeseiten
- JSON-Metadaten
- Markdown-Body
Sync in die Datenbank und dann live auf der Website.
Warum Dateisystem statt Datenbank?
Eine bewusste Designentscheidung: Das Dateisystem ist unsere Source of Truth, nicht die Datenbank. Markdown-Dateien lassen sich versionieren (Git), reviewen (Pull Requests) und von der KI direkt lesen und schreiben. Die Datenbank ist nur der Runtime-Mirror – ein schneller Spiegel für die Live-Website.
Wie die KI konkret arbeitet
Unser System nutzt vier Operationen, die sich lose an Karpathys Konzept orientieren – aber auf unseren Workflow zugeschnitten sind:
Die 4 KI-Operationen im Crazypatterns-Workflow
raw/sources/ ab* Zur besseren Lesbarkeit sind zwei Schritte (Validate + Audit) hier zu „Lint" zusammengefasst.
Ein konkretes Beispiel: Wenn wir den Download-Prozess ändern, legt ein Entwickler die neue Spec in raw/sources/ ab.
Die KI liest die Spec, aktualisiert das Wissen in der Knowledge-Schicht und passt dann die Hilfeseite „Anleitungen herunterladen" an – in allen Sprachen.
Qualität sichern: Vom Redaktionsstandard bis zur automatischen QA
KI-generierter Content braucht klare Leitplanken. Deshalb haben wir einen verbindlichen Redaktionsstandard definiert, der für jede Hilfeseite gilt:
- Eine Seite = ein Nutzerziel. Keine Sammelseiten, keine Mischthemen.
- Die Antwort beginnt oben. Worum geht es? Für wen? Was ist das Ergebnis?
- Echte Handlungsanweisungen. Nummerierte Schritte, klare Aktionen, erwartete Resultate.
- Keine Marketingflächen. Hilfe ist Hilfe, keine Werbung.
- Links müssen selbsterklärend sein. Kein „hier klicken", sondern „Passwort zurücksetzen".
QA-Pipeline
Von der Markdown-Datei zur geprüften Live-Seite
- KI schlägt vor, Mensch entscheidet
- Kein automatisches Veröffentlichen ohne manuelle Freigabe
Unsere QA-Suite prüft automatisch vier Bereiche:
| Prüfung | Was wird geprüft? | Methode |
|---|---|---|
| Links & Anker | Keine .md-Links im Frontend, keine falschen Sprachen, alle Anker vorhanden | Link-Resolution |
| Absatz-Struktur | Keine verschluckten Absätze, saubere Überschriften-Hierarchie | Struktur-Validierung |
| Spezialelemente | Info-Boxen nicht leer, Formeln nicht abgeschnitten, Tabellen korrekt gestylt | CSS/JS-Inspektion |
| Bildsequenzen | Keine Bullets neben Bildern, keine Side-by-side-Fehler, keine broken Images | Asset-Mirroring |
Der Faktenchecker
Ein zentraler Baustein unserer Pipeline ist der KI-gestützte Faktenchecker. Dieser Agent inspiziert regelmäßig unseren Code und gleicht die Hilfeseiten gegen den tatsächlichen Stand der Plattform ab.
So funktioniert er:
- Code-Inspektion: Der Agent liest relevante Code-Stellen und vergleicht sie mit den Beschreibungen in den Hilfeseiten.
- Widerspruchs-Erkennung: Wenn eine Hilfeseite sagt „Klicke auf den blauen Button", der Button aber inzwischen grün ist, wird das geflaggt.
- Sprachparität: Automatischer Abgleich, ob DE- und EN-Seiten inhaltlich synchron sind.
- Regelmäßigkeit: Der Check läuft automatisch – nicht erst, wenn jemand daran denkt.
Faktenchecker – Code ↔ Hilfeseite
Der KI-Faktenchecker vergleicht automatisch die Code-Realität der Plattform mit der offiziellen Dokumentation.
Formular hat 3 Felder.
Liest relevante Code-Stellen
Flaggt Diskrepanzen (z.B. Farbe, Anzahl Felder)
Prüft ob DE & EN synchron sind
"Fülle 4 Felder aus"
- Konkrete Änderungsvorschläge für die Hilfeseiten-Texte.
- Human Review: Die KI schlägt vor, ein Mensch entscheidet.
Was das für euch bedeutet
Für euch als Nutzer:innen von Crazypatterns ändert sich vor allem eins: Die Hilfe wird zuverlässiger.
- Hilfeseiten werden schneller aktualisiert, wenn sich etwas an der Plattform ändert.
- Weniger veraltete Screenshots und falsche Beschreibungen.
- Bessere Konsistenz zwischen verschiedenen Sprachen.
- Klare, aufgabenbasierte Struktur statt langer Textwüsten.
Wir glauben, dass gute Hilfe keine Nebensache ist. Sie ist Teil von Crazypatterns. Und mit dem richtigen Werkzeug können wir sie so pflegen, wie wir unseren Code pflegen: sorgfältig, nachvollziehbar und kontinuierlich.