--- title: "OpenKB Review: Knowledge Compiler vs. RAG" canonical: https://wavect.io/de/blog/openkb-review-vs-rag/ language: de description: "OpenKB Review für CTOs: LLM Knowledge Compiler und Vector RAG im Vergleich bei Evidenz, Sicherheit, Kosten, Enterprise-Reife und Zugriffsrechten." image: "https://wavect.io/img/blog/headers/header_openkb-review-vs-rag.png" --- [**Zurück**](/de/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/de/team/kevin-riedl/) [Kevin Riedl](/de/team/kevin-riedl/) https://linkedin.com/in/wsdt 15 min Lesezeit · 11. August 2026 Zuletzt geprüft 11. August 2026 [**Weiter**](/de/blog/open-knowledge-format-okf/) # OpenKB Review: Ist ein Knowledge Compiler besser als RAG? TL;DR OpenKB ist ein Apache-2.0-lizenzierter Knowledge Compiler für Entwickler. Das Tool verwandelt Dokumente in ein wachsendes, querverlinktes Markdown-Wiki und lässt anschließend ein LLM dieses kompilierte Artefakt abfragen. Das passt zu kuratierter Recherche, Due Diligence und Agentenwissen, das über mehrere Quellen hinweg wachsen soll. OpenKB ersetzt RAG nicht pauschal. Eine preregistrierte Studie mit kleinem Korpus fand bessere Verbindungen zwischen Papers und präzisere Claim-Level-Zitate beim kompilierten Wiki, während Vector RAG bei Einzelfakten und Query-Token-Kosten gewann. Andere Forschung zeigt, dass blinde Kompilierung kritische Fakten verlieren kann. Evaluation und iterative Korrektur sind deshalb Pflicht. OpenKB ist eine glaubwürdige Pilotplattform. Alpha-Status, ein einzelner optionaler Bearer Token und die dokumentierte Scaling-Roadmap bedeuten aber, dass Unternehmen Berechtigungen, SSO, Tenant-Isolation, Audit, Evaluation und Source Governance selbst ergänzen müssen. **OpenKB ist eine der klarsten funktionierenden Umsetzungen der Idee eines LLM Knowledge Compilers, aber kein Drop-in-Ersatz für Enterprise RAG.** Das Tool liest Quellen, schreibt Zusammenfassungen und Konzeptseiten, aktualisiert Querverweise und lässt anschließend einen Agenten das gewachsene Wiki abfragen. Die Arbeitseinheit verschiebt sich von „Finde Chunks für diese Frage“ zu „Pflege einen wiederverwendbaren Wissensbestand“. Das Muster stammt aus [Andrej Karpathys LLM-Wiki-Ideendatei vom April 2026](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f). Die kommerzielle Frage ist nicht mehr, ob die Idee gut klingt. Entscheidend ist, ob OpenKB nach Build-Kosten, Informationsverlust, Berechtigungen und Wartung bessere verifizierte Antworten liefert als Vector RAG. Unser Urteil nach Prüfung des Projekts und aktueller Forschung am 11. August 2026: **Teste OpenKB für kuratierte, syntheseintensive Wissensarbeit; behalte Vector RAG oder einen hybriden Ansatz für große, schnell veränderliche oder berechtigungssensible Korpora.** Diese Seite besitzt die produktspezifische Suchintention „OpenKB Review“ und „OpenKB vs. RAG“. Unser separater [Enterprise Guide zum Open Knowledge Format](/de/blog/open-knowledge-format-okf/) besitzt das portable Format. Die [RAG-Production-Readiness-Checkliste](/de/blog/rag-production-readiness-checklist-eu/) besitzt Retrieval, Berechtigungen und Antwortkontrollen. ## Was ist OpenKB? **OpenKB ist eine Open-Source-Python-CLI mit Web Workbench, die Dateien und URLs in ein dauerhaftes, querverlinktes Markdown-Wiki kompiliert.** Das [offizielle OpenKB-Repository](https://github.com/VectifyAI/OpenKB) dokumentiert PDF, Word, PowerPoint, Excel, HTML, CSV, Text, Markdown und URLs als Eingaben. Der Kompilierungslauf erstellt oder aktualisiert Quellenzusammenfassungen, Konzepte, Entitäten, Index und Log. Generatoren für Query, Chat, Visualisierung, Slides und Agent Skills lesen anschließend dieses Wiki. | Schicht | Was OpenKB übernimmt | Was der Buyer weiter besitzen muss | | --- | --- | --- | | Rohquellen | Kopiert oder konvertiert ausgewählte Dateien und URLs in einen Knowledge-Base-Workspace | Freigabe, Klassifizierung, Aufbewahrung, Löschung und unveränderliche Evidenz | | Long-Document-Index | Nutzt einen hierarchischen PageIndex-Baum für PDFs ab 20 Seiten | OCR-Wahl, Parser-Abnahme, Seitenprüfung und Provider-Policy | | Kompiliertes Wiki | Schreibt Zusammenfassungen, Konzept- und Entitätsseiten, Links, Index und Aktivitätslog | Schema, Faktenprüfung, Widersprüche und Freshness Ownership | | Generatoren | Fragt das Wiki ab, chattet, visualisiert und destilliert Agent Skills | User-Rechte, App-UX, Evaluation, Monitoring und Incident Response | Kurze Dokumente werden mit MarkItDown konvertiert und als Text gelesen. Für lange PDFs nutzt OpenKB den [vektorlosen Tree-Index-Ansatz von PageIndex](https://github.com/VectifyAI/PageIndex): Ein Inhaltsverzeichnis ähnlicher Baum entsteht, und ein LLM navigiert zu relevanten Abschnitten. „Keine Vektordatenbank“ bedeutet daher nicht „kein Retrieval“. Die Suche nutzt Dokumentstruktur und Reasoning statt Embedding-Ähnlichkeit. ## Wie unterscheidet sich ein Knowledge Compiler von Vector RAG? Vector RAG speichert meist Chunks und Embeddings, holt pro Frage ein Top-k-Set und baut daraus eine Antwort. OpenKB verlagert mehr Synthese in den Ingest. Ein neues Dokument kann mehrere Konzeptseiten verändern, bevor jemand eine Frage stellt. | Entscheidungsfaktor | OpenKB Knowledge Compiler | Vector RAG | | --- | --- | --- | | Primäres Artefakt | Lesbares, verlinktes Markdown-Wiki | Quell-Chunks, Metadaten und Vektorindex | | Arbeit beim Ingest | Hoch: zusammenfassen, zusammenführen, verlinken und Konzepte überarbeiten | Meist geringer: parsen, chunken, anreichern und embedden | | Arbeit bei der Query | Kompilierte Seiten und Quellenindizes navigieren | Query embedden, Chunks holen und synthetisieren | | Quellenübergreifende Synthese | In Konzeptseiten vorgerechnet und fortlaufend erweitert | Pro Query neu, sofern keine Summary- oder Graph-Schicht existiert | | Einzelfakten | Kann scheitern, wenn die Kompilierung den Fakt ausgelassen hat | Stark, wenn der richtige Chunk abrufbar und berechtigt ist | | Menschliche Prüfung | Stark: Seiten, Links und Git-Diffs sind direkt lesbar | Hängt von Retrieval-Tools und Index-Observability ab | | Aktualität | Braucht sichere Rekompilierung und Prüfung geänderter Seiten | Braucht Source Sync, Re-Embedding und Stale-Index-Kontrollen | | Zugriffskontrolle | Wird durch Markdown-Kompilierung nicht gelöst | Kann Dokument- und Chunk-ACLs filtern, wenn korrekt gebaut | | Bester erster Fit | Kuratierte Recherche, Due Diligence, Standards und Domainwissen | Große operative Korpora, Support-Suche, häufige Änderungen und User-Rechte | Der nützliche Vergleich lautet nicht „altes RAG gegen neue Magie“. OpenKB kombiniert selbst ein kompiliertes Wiki mit reasoning-basiertem Retrieval. Ein reifes System kann auch über kompilierte Seiten, Rohquellen oder beides suchen. Die Architektur ist ein Spektrum: Raw-Chunk-Retrieval, hierarchische Suche, kompilierte Zusammenfassungen, explizite Graphen und gecachter Vollkontext können nebeneinander bestehen. ## Ist OpenKB kostenlos, und was kostet es wirklich? Die Software steht unter Apache 2.0. Für kommerzielle Nutzung fällt daher keine OpenKB-Lizenzgebühr an. Der aktuelle [PyPI-Paketeintrag](https://pypi.org/project/openkb/) nannte bei unserer Prüfung Version 0.4.4 vom 10. Juli 2026 und klassifizierte das Projekt als Alpha. Das ist ein Reifesignal, keine Abwertung. Procurement sollte Versionen pinnen, Upgrades testen und Ownership für eine schnell bewegte Dependency budgetieren. Die Gesamtkosten haben mindestens sechs Teile: 1. **Kompilierungs-Token.** Jede Quelle kann Arbeit für Summary, Konzepte, Entitäten und Querverweise auslösen. Ein Ingest kann viele Seiten ändern. 2. **Retrieval- und Antwort-Token.** Query-Kosten bleiben. Vektorlos bedeutet weder modellfrei noch tokenfrei. 3. **Dokumentenverarbeitung.** Lokales Parsing deckt übliche Inputs ab; komplexes OCR und optional PageIndex Cloud schaffen einen weiteren Provider- und Kostenpfad. 4. **Menschliche Prüfung.** Jemand muss Faktenkompression, Widersprüche, Zitate und sensible Ausgaben prüfen. 5. **Enterprise-Kontrollen.** SSO, Rollen, Tenant-Grenzen, Audit, Secrets, Backups und Löschung sind Produktarbeit. 6. **Evaluation und Betrieb.** Golden Questions, Source-Diff-Regression, Latenz, Retries, Modellwechsel und Incidents brauchen dauerhaft Ownership. Die richtige Kosteneinheit ist nicht „Preis pro eingebetteter Seite“. Miss Kosten pro akzeptierter, quellenbelegter Antwort oder abgeschlossener Recherche. Beziehe Kompilierung, Query, Retries und Review-Minuten ein. Unser [Cost-per-Action-Modell für KI-Agenten](/de/blog/ai-agent-cost-per-action-2026/) liefert dafür den Nenner. ## Schlägt kompiliertes Wissen RAG in unabhängiger Forschung? **Keine Architektur gewinnt jede Wissensaufgabe.** Die nützlichste aktuelle Evidenz ist ein [preregistrierter Vergleich von Vector RAG und einem LLM-kompilierten Wiki](https://arxiv.org/abs/2605.18490) mit 24 Papers und 13 Fragen. Das Wiki verband Ergebnisse über mehrere Papers besser, und seine zitierten Seiten stützten häufiger die konkrete Aussage. Vector RAG bestand den preregistrierten Test für Einzelfakten und verbrauchte deutlich weniger Query-Token. Eine RAG-Variante mit Query-Zerlegung holte den Großteil des Synthesevorteils bei geringerem Token-Verbrauch auf, aber nicht den Vorteil bei Claim-Level-Zitaten. Die Studie ist bewusst klein und nutzt LLM-Judges statt Menschen. Sie beweist nicht, dass OpenKB einen Production-RAG-Stack schlägt. Sie gibt CTOs aber ein besseres Evaluationsmodell: Bewerte Synthesestruktur, exakten Claim-Support und Gesamtkosten separat. Ein einzelner Durchschnitt für „Antwortqualität“ versteckt den Trade-off. Ein zweites Paper zeigt den wichtigsten Failure Mode. [WiCER evaluierte Wiki-Memory-Kompilierung über 6.800 Fragen](https://arxiv.org/abs/2605.07068). Blinde Kompilierung lag deutlich unter Raw Full Context und zeigte im berichteten Setup 53% bis 60% katastrophale Fehler, weil kritische Fakten verloren gingen. Eine iterative Evaluate-and-Refine-Schleife holte einen großen Teil der Qualität zurück. Die Konsequenz ist direkt: Kompilierung braucht diagnostische Fragen und Reparaturdurchläufe, keinen One-shot-Summary-Prompt. | Behauptung | Was die Evidenz stützt | Was sie nicht stützt | | --- | --- | --- | | Kompilierte Wikis helfen bei Synthese | Vielversprechender Vorteil bei Verbindungen zwischen Papers in einer kleinen preregistrierten Studie | Universeller Vorteil über Korpora, Modelle und Workloads | | Kompilierte Wikis verbessern Zitate | Besserer Support zwischen Claim und zitierter Seite in dieser Studie | Automatische faktische Korrektheit nach dem Umschreiben von Quellen | | RAG ist obsolet | Nichts in den Studien stützt das | RAG blieb stark bei Lookup und Query-Kosten | | Kompilierung kann unbeaufsichtigt laufen | Iterative Evaluation kann Informationsverlust reparieren | Blinde Kompilierung war sicher genug für kritisches Wissen | ## Was ändert Google OKF für OpenKB? Portabilität ist eine der stärksten Seiten des Ansatzes. Google Cloud stellte im Juni 2026 das [Open Knowledge Format v0.1](https://cloud.google.com/blog/products/data-analytics/how-the-open-knowledge-format-can-improve-data-sharing) vor. Es standardisiert eine kleine Interoperabilitätsfläche rund um Markdown, YAML-Frontmatter, Links, Indexdateien und Logs. OpenKB bezeichnet seine Wiki-Seiten als OKF-ready. Das ist wichtig, weil auch ein gescheiterter Pilot lesbare, versionierte Artefakte hinterlassen kann. Ein Team kann sie in einem Editor prüfen, über Git bewegen oder an ein anderes Search- und Agentensystem geben. Es garantiert weder semantische Korrektheit noch perfekte Interoperabilität oder dauerhafte Konformität, wenn sich v0.1 weiterentwickelt. Validiere das Bundle in CI und halte Rohquellen von kompilierten Seiten getrennt. ## Ist OpenKB enterprise-ready? **OpenKB ist bereit für einen kontrollierten Entwickler- oder Research-Pilot. Die öffentliche Kontrollfläche ist keine vollständige Enterprise-Wissensplattform.** Workbench und REST API erleichtern Upload, Kompilierung, Query, Chat, Lint und Rekompilierung. Das dokumentierte Auth-Modell bleibt bewusst local-first. Der [offizielle REST-API-Guide](https://github.com/VectifyAI/OpenKB/blob/main/examples/rest-api/README.md) sagt, dass Authentifizierung standardmäßig aus ist und mit einem einzelnen Bearer Token aktiviert werden kann. Er warnt ausdrücklich, dass ein Binding an einen Non-Loopback-Host ohne Token jede erreichbare Knowledge Base öffentlich lässt. Ein Shared Token kann einen Pilot-Endpunkt schützen. Er ist nicht dasselbe wie SSO, User Identity, rollenbasierter Zugriff, Dokumentberechtigungen oder Tenant-Isolation. | Production-Thema | Was OpenKB liefert | Was Unternehmen ergänzen müssen | | --- | --- | --- | | Authentifizierung | Optionaler Bearer Token für die API | SSO, Lifecycle, Service Identities und kurzlebige Credentials | | Autorisierung | Knowledge Bases werden per Name gewählt | User-, Gruppen-, Tenant-, Source- und Field-Level-Rechte | | Auditierbarkeit | Wiki-Log, Quelldateien und Git-freundlicher Output | Identitätsgebundene Zugriffslogs, Admin-Aktionen, Modellaufrufe und Incident-Evidenz | | Datenschutz | Lokale Dateien und konfigurierbare Modellprovider | Klassifizierung, Verschlüsselung, Residency, Retention, Löschung und Backup | | Qualität | Linting, Quellenzusammenfassungen und zitierte Antworten | Golden Sets, adversariale Tests, Faktenprüfung und Change Regression | | Skalierung | Dateibasiertes Wiki und Long-PDF-Index | Kapazitätstests, Concurrency, Datenbankstrategie, Queues und Recovery | Bei sensiblen Unternehmensquellen ist Autorisierung zur Retrieval-Zeit die harte Grenze. Darf ein User eine Richtlinie lesen, eine andere aber nicht, kann die Kompilierung beider Quellen in dieselbe Konzeptseite eingeschränkte Fakten leaken, bevor die Query-Schicht filtert. Baue permission-erhaltende Kompilierungsdomänen oder halte diese Quellen aus dem Compiler. Unsere [Permissions-first-RAG-Architektur](/de/blog/rag-permissions-sharepoint-confluence-drive/) erklärt dieselbe Regel für SharePoint, Confluence und Drive. ## Wann solltest du OpenKB, Vector RAG oder einen Hybrid wählen? | Dominanter Bedarf | Empfohlener Startpunkt | Grund | | --- | --- | --- | | Ergebnisse über ein kuratiertes Research-Set verbinden | OpenKB-Pilot | Dauerhafte Konzeptseiten machen Synthese sichtbar und wiederverwendbar | | Eine menschenlesbare Agenten-Wissensbasis bauen | OpenKB oder OKF-nativer Workflow | Markdown, Links und Git schaffen ein prüfbares Artefakt | | Millionen häufig geänderter Datensätze durchsuchen | RAG oder Search-Plattform | Inkrementelle Indizierung und enges Retrieval sind der Kern-Workload | | Quellenrechte pro User erzwingen | Permission-aware RAG zuerst | Autorisierung muss Retrieval vor der Synthese begrenzen | | Lookup- und Synthese-Fragen beantworten | Hybrid | Roh-Evidenz für Fakten und kompilierte Seiten für Beziehungen | | Ein kleines statisches Handbuch | Long Context oder normale Suche | Compiler und Vektorstack könnten beide unnötige Wartung schaffen | Starte nicht mit der Technologie, sondern mit einem gelabelten Fragenset. Geht es meist um „Wie hoch ist das aktuelle Refund-Limit in Richtlinie X?“, dominieren Retrieval und Berechtigungen. Geht es um „Wie haben sich unsere Annahmen zu Markt Y über zwölf Reports verändert?“, wird dauerhafte Synthese wertvoller. Wenn beides zählt, betreibe beide Pfade und route nach Fragetyp. ## Ein zehntägiger OpenKB-Pilot 1. **Wähle eine verantwortete Domäne.** Nutze 20 bis 50 freigegebene Quellen und einen accountable Fachexperten. Beginne nicht mit dem gesamten Company Drive. 2. **Bewahre die Evidenzschicht.** Hash Rohquellen, speichere Datum und halte kompilierte Seiten in einem eigenen Verzeichnis. Das Wiki darf Originals nie still ersetzen. 3. **Erstelle 30 Blindfragen.** Decke Einzelfakten, Synthese, Widersprüche, fehlende Antworten, Berechtigungsfallen und geänderte Fakten ab. 4. **Friere drei Baselines ein.** Vergleiche aktuelle Suche oder manuelle Arbeit, simples Vector RAG und OpenKB auf denselben Quellen und im selben Modellbudget. 5. **Bewerte Claim-Support.** Prüfe, ob jeder wichtige Satz von der zitierten Quelle gestützt wird, nicht nur ob die Antwort vollständig klingt. 6. **Teste Informationsverlust.** Rekompiliere nach einer widersprechenden oder aktualisierten Quelle. Prüfe, was sich ändert, verschwindet und weiter auffindbar bleibt. 7. **Greife die Grenze an.** Teste Prompt Injection im Dokument, unberechtigte Quellenmischung, bösartige Links, große Dateien, Parserfehler und Provider-Ausfall. 8. **Bepreise den ganzen Loop.** Zähle Ingest- und Query-Token, p50 und p95, Retries, Review-Minuten, falsche Antworten und Recovery. 9. **Setze ein Scale Gate.** Gehe nur weiter, wenn verifizierte Antwortqualität oder Reviewer-Zeit genug steigt, um Controls und Betrieb zu finanzieren. 10. **Halte den Exit reversibel.** Exportiere Wiki, Schema, Evaluation-Set und Source Manifest für ein Folgesystem. Wavects [AI-Enablement-Service](/de/services/ai-enablement/) kann diesen Vergleich auf deiner Infrastruktur bauen, statt aus einer Demo einen Gewinner auszurufen. Die [Twinsoft-AI-Fallstudie](/de/case-studies/twinsoft-ai/) zeigt unseren Ansatz für nachvollziehbare AI-Ausgaben und Reviewer-Kontrolle. Vergleiche für das kommerzielle Modell [AI Enablement mit generischem AI Consulting](/de/compare/ai-enablement-vs-generic-ai-consultancy/), bevor du zwischen Umsetzung und Strategiepapier wählst. ## Häufig gestellte Fragen ### Was ist OpenKB? OpenKB ist ein Open-Source-Knowledge-Compiler in Python. Er verwandelt Dateien und URLs in ein dauerhaftes, querverlinktes Markdown-Wiki und bietet darauf Query, Chat, Visualisierung und Agent-Skill-Generatoren. ### Ist OpenKB für kommerzielle Nutzung kostenlos? Ja. OpenKB nutzt die Apache-2.0-Lizenz. Es gibt keine Lizenzgebühr, aber Modellaufrufe, Dokumentverarbeitung, Hosting, Sicherheit, Evaluation, Integration und Review verursachen Gesamtkosten. ### Braucht OpenKB eine Vektordatenbank? Nein. OpenKB nutzt Volltextkonvertierung für kurze Dokumente und PageIndex-Baumindizes für lange PDFs. Retrieval verwendet weiterhin LLM-Reasoning und Dokumentstruktur. Vektorlos bedeutet weder retrievalfrei noch kostenlos. ### Kann OpenKB RAG ersetzen? Bei einem kuratierten, syntheseintensiven Korpus manchmal, aber nicht generell. Vector RAG bleibt stark für präzises Lookup, große veränderliche Korpora und permission-aware Retrieval. Ein Hybrid kann Konzeptseiten und Roh-Evidenz gemeinsam nutzen. ### Ist OpenKB enterprise-ready? Für einen kontrollierten Pilot ist es glaubwürdig. Ein Production-Deployment braucht zusätzlich SSO, Rollen- und Tenant-Rechte, Source Permissions, Audit Logs, Secrets Management, Backups, Retention, Löschung, Kapazitätstests und laufende Evaluation. ### Funktioniert OpenKB mit Codex? Das Projekt enthält einen Agent Skill und dokumentiert für Codex eine manuelle Symlink-Einrichtung. Teams sollten den Skill prüfen, die Repository-Version pinnen und das Wiki wie internes Quellmaterial schützen. ### Wie hängt OpenKB mit Open Knowledge Format zusammen? OpenKB bezeichnet seine generierten Wiki-Seiten als OKF-ready. OKF ist das portable Markdown- und YAML-Format; OpenKB ist ein Producer und Query-Tool. Das Format liefert allein weder Kompilierungsqualität noch Retrieval, Berechtigungen oder Governance. ## Research Boundary *Status geprüft am 11. August 2026. Das ist ein unabhängiger Architektur- und Buyer-Review auf Basis öffentlicher Projektdokumentation und Forschung, kein gesponserter Beitrag, Penetrationstest oder Hands-on-Benchmark eines privaten Korpus. OpenKB, Paket, API und Roadmap können sich schnell ändern. Pinne die Version und prüfe aktuelle Dokumentation vor der Beschaffung.* ## Fazit OpenKB macht einen wichtigen Infrastrukturwechsel konkret: Wissen kann ein gepflegtes Produkt statt temporärer Query-Kontext werden. Das lesbare Wiki, der Long-Document-Pfad und Agentenintegrationen machen es zu einem starken Kandidaten für Research und andere syntheseintensive Arbeit. Die Risiken sind ebenso konkret. Kompilierung kann Fakten löschen, Query-Kosten sinken nicht automatisch, und ein local-first Bearer Token ist keine Enterprise-Autorisierung. Vergleiche OpenKB begrenzt mit Vector RAG, bewerte exakten Claim-Support, greife die Permission-Grenze an und halte Rohquellen unveränderlich. Wähle OpenKB nur, wenn angesammelte Synthese messbaren Wert erzeugt, der diese Controls finanziert. ## Das könnte dich auch interessieren.. [**Open Knowledge Format: Der Enterprise Guide** Verstehe das portable Markdown-Format für agententaugliches Wissen und die Governance, die es nicht liefert.](/de/blog/open-knowledge-format-okf/) [**AI Enablement vs. generisches AI Consulting** Vergleiche eine funktionierende Umsetzung auf deiner Infrastruktur mit einem reinen Strategie-Engagement.](/de/compare/ai-enablement-vs-generic-ai-consultancy/) Modelle und Infrastruktur ## In diesem Cluster weiterlesen [Mit dem Grundlagenartikel starten**LLMs in der EU selbst hosten: Wann sich Open Weights wirklich rechnen**](/de/blog/self-hosting-llms-eu-cost/) - [Versieht Claude Texte mit Wasserzeichen? API-Antwort 2026](/de/blog/claude-text-watermark-api-2026/) - [Unsloth Desktop im Test: Private lokale KI-Workstation?](/de/blog/unsloth-desktop-local-ai-workstation-review/) - [NeMo Switchyard 0.2: Agenten-Routing ohne Training?](/de/blog/nemo-switchyard-model-router/) - [Firecrawl AnyDoc im Test: 14 Formate zu Markdown](/de/blog/firecrawl-anydoc-review/) - [Muse Glimmer 30B: Ist Metas lokales Agentenmodell produktionsreif?](/de/blog/muse-glimmer-30b-local-agent-guide/) Postfach, ohne Lärm ## Folge der Arbeit, die für dich zählt Du bekommst eine kurze E-Mail, wenn wir etwas Neues veröffentlichen. Folge dem ganzen Blog oder nur den Themen, die dich interessieren. [**Zurück**](/de/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/de/team/kevin-riedl/) [Kevin Riedl](/de/team/kevin-riedl/) https://linkedin.com/in/wsdt 15 min Lesezeit · 11. August 2026 Zuletzt geprüft 11. August 2026 [**Weiter**](/de/blog/open-knowledge-format-okf/) Neue Beiträge per E-Mail × × Neue Beiträge per E-Mail Eine kurze E-Mail, wenn wir etwas veröffentlichen. Kostenlos, ohne Tracking. ## Structured Data ```json { "@context": "https://schema.org", "@graph": [ { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ], "employee": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "founder": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "legalRepresentative": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "name": "Wavect GmbH", "subjectOf": { "@id": "https://wavect.io/verified-claims.json#dataset", "@type": "Dataset", "creator": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "description": "A machine-readable registry of quantitative and qualitative claims published by Wavect, with review dates, localized page appearances and public third-party citations where available.", "inLanguage": "en", "isAccessibleForFree": true, "license": "https://creativecommons.org/licenses/by/4.0/", "name": "Wavect verified publication claims", "url": "https://wavect.io/verified-claims.json" }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "sameAs": [ "https://www.wikidata.org/wiki/Q139796367", "https://www.linkedin.com/in/jocr77/", "https://github.com/jo-chris" ], "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/#website", "@type": "WebSite", "inLanguage": [ "en", "de", "es", "zh" ], "name": "Wavect", "potentialAction": { "@type": "SearchAction", "query-input": "required name=search_term_string", "target": { "@type": "EntryPoint", "urlTemplate": "https://wavect.io/search/?q={search_term_string}" } }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/de/blog/openkb-review-vs-rag/#webpage", "@type": "WebPage", "dateModified": "2026-08-11", "inLanguage": "de", "isPartOf": { "@id": "https://wavect.io/#website", "@type": "WebSite" }, "lastReviewed": "2026-08-11", "url": "https://wavect.io/de/blog/openkb-review-vs-rag/" } ] } ``` ```json { "@context": "https://schema.org", "@type": "BlogPosting", "abstract": "OpenKB ist ein Apache-2.0-lizenzierter Knowledge Compiler für Entwickler. Das Tool verwandelt Dokumente in ein wachsendes, querverlinktes Markdown-Wiki und lässt anschließend ein LLM dieses kompilierte Artefakt abfragen. Das passt zu kuratierter Recherche, Due Diligence und Agentenwissen, das über mehrere Quellen hinweg wachsen soll. OpenKB ersetzt RAG nicht pauschal. Eine preregistrierte Studie mit kleinem Korpus fand bessere Verbindungen zwischen Papers und präzisere Claim-Level-Zitate beim kompilierten Wiki, während Vector RAG bei Einzelfakten und Query-Token-Kosten gewann. Andere Forschung zeigt, dass blinde Kompilierung kritische Fakten verlieren kann. Evaluation und iterative Korrektur sind deshalb Pflicht. OpenKB ist eine glaubwürdige Pilotplattform. Alpha-Status, ein einzelner optionaler Bearer Token und die dokumentierte Scaling-Roadmap bedeuten aber, dass Unternehmen Berechtigungen, SSO, Tenant-Isolation, Audit, Evaluation und Source Governance selbst ergänzen müssen.", "articleBody": " Blog-Übersicht/AI und Agents/Modelle und Infrastruktur OpenKB Review: Ist ein Knowledge Compiler besser als RAG? TL;DR OpenKB ist ein Apache-2.0-lizenzierter Knowledge Compiler für Entwickler. Das Tool verwandelt Dokumente in ein wachsendes, querverlinktes Markdown-Wiki und lässt anschließend ein LLM dieses kompilierte Artefakt abfragen. Das passt zu kuratierter Recherche, Due Diligence und Agentenwissen, das über mehrere Quellen hinweg wachsen soll. OpenKB ersetzt RAG nicht pauschal. Eine preregistrierte Studie mit kleinem Korpus fand bessere Verbindungen zwischen Papers und präzisere Claim-Level-Zitate beim kompilierten Wiki, während Vector RAG bei Einzelfakten und Query-Token-Kosten gewann. Andere Forschung zeigt, dass blinde Kompilierung kritische Fakten verlieren kann. Evaluation und iterative Korrektur sind deshalb Pflicht. OpenKB ist eine glaubwürdige Pilotplattform. Alpha-Status, ein einzelner optionaler Bearer Token und die dokumentierte Scaling-Roadmap bedeuten aber, dass Unternehmen Berechtigungen, SSO, Tenant-Isolation, Audit, Evaluation und Source Governance selbst ergänzen müssen. OpenKB ist eine der klarsten funktionierenden Umsetzungen der Idee eines LLM Knowledge Compilers, aber kein Drop-in-Ersatz für Enterprise RAG. Das Tool liest Quellen, schreibt Zusammenfassungen und Konzeptseiten, aktualisiert Querverweise und lässt anschließend einen Agenten das gewachsene Wiki abfragen. Die Arbeitseinheit verschiebt sich von „Finde Chunks für diese Frage“ zu „Pflege einen wiederverwendbaren Wissensbestand“. Das Muster stammt aus Andrej Karpathys LLM-Wiki-Ideendatei vom April 2026. Die kommerzielle Frage ist nicht mehr, ob die Idee gut klingt. Entscheidend ist, ob OpenKB nach Build-Kosten, Informationsverlust, Berechtigungen und Wartung bessere verifizierte Antworten liefert als Vector RAG. Unser Urteil nach Prüfung des Projekts und aktueller Forschung am 11. August 2026: Teste OpenKB für kuratierte, syntheseintensive Wissensarbeit; behalte Vector RAG oder einen hybriden Ansatz für große, schnell veränderliche oder berechtigungssensible Korpora. Diese Seite besitzt die produktspezifische Suchintention „OpenKB Review“ und „OpenKB vs. RAG“. Unser separater Enterprise Guide zum Open Knowledge Format besitzt das portable Format. Die RAG-Production-Readiness-Checkliste besitzt Retrieval, Berechtigungen und Antwortkontrollen. Was ist OpenKB? OpenKB ist eine Open-Source-Python-CLI mit Web Workbench, die Dateien und URLs in ein dauerhaftes, querverlinktes Markdown-Wiki kompiliert. Das offizielle OpenKB-Repository dokumentiert PDF, Word, PowerPoint, Excel, HTML, CSV, Text, Markdown und URLs als Eingaben. Der Kompilierungslauf erstellt oder aktualisiert Quellenzusammenfassungen, Konzepte, Entitäten, Index und Log. Generatoren für Query, Chat, Visualisierung, Slides und Agent Skills lesen anschließend dieses Wiki. SchichtWas OpenKB übernimmtWas der Buyer weiter besitzen muss RohquellenKopiert oder konvertiert ausgewählte Dateien und URLs in einen Knowledge-Base-WorkspaceFreigabe, Klassifizierung, Aufbewahrung, Löschung und unveränderliche Evidenz Long-Document-IndexNutzt einen hierarchischen PageIndex-Baum für PDFs ab 20 SeitenOCR-Wahl, Parser-Abnahme, Seitenprüfung und Provider-Policy Kompiliertes WikiSchreibt Zusammenfassungen, Konzept- und Entitätsseiten, Links, Index und AktivitätslogSchema, Faktenprüfung, Widersprüche und Freshness Ownership GeneratorenFragt das Wiki ab, chattet, visualisiert und destilliert Agent SkillsUser-Rechte, App-UX, Evaluation, Monitoring und Incident Response Kurze Dokumente werden mit MarkItDown konvertiert und als Text gelesen. Für lange PDFs nutzt OpenKB den vektorlosen Tree-Index-Ansatz von PageIndex: Ein Inhaltsverzeichnis ähnlicher Baum entsteht, und ein LLM navigiert zu relevanten Abschnitten. „Keine Vektordatenbank“ bedeutet daher nicht „kein Retrieval“. Die Suche nutzt Dokumentstruktur und Reasoning statt Embedding-Ähnlichkeit. Wie unterscheidet sich ein Knowledge Compiler von Vector RAG? Vector RAG speichert meist Chunks und Embeddings, holt pro Frage ein Top-k-Set und baut daraus eine Antwort. OpenKB verlagert mehr Synthese in den Ingest. Ein neues Dokument kann mehrere Konzeptseiten verändern, bevor jemand eine Frage stellt. EntscheidungsfaktorOpenKB Knowledge CompilerVector RAG Primäres ArtefaktLesbares, verlinktes Markdown-WikiQuell-Chunks, Metadaten und Vektorindex Arbeit beim IngestHoch: zusammenfassen, zusammenführen, verlinken und Konzepte überarbeitenMeist geringer: parsen, chunken, anreichern und embedden Arbeit bei der QueryKompilierte Seiten und Quellenindizes navigierenQuery embedden, Chunks holen und synthetisieren Quellenübergreifende SyntheseIn Konzeptseiten vorgerechnet und fortlaufend erweitertPro Query neu, sofern keine Summary- oder Graph-Schicht existiert EinzelfaktenKann scheitern, wenn die Kompilierung den Fakt ausgelassen hatStark, wenn der richtige Chunk abrufbar und berechtigt ist Menschliche PrüfungStark: Seiten, Links und Git-Diffs sind", "articleSection": "Engineering", "author": { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/" }, "citation": [ { "@type": "WebPage", "name": "Andrej Karpathys LLM-Wiki-Ideendatei vom April 2026", "url": "https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f" }, { "@type": "WebPage", "name": "offizielle OpenKB-Repository", "url": "https://github.com/VectifyAI/OpenKB" }, { "@type": "WebPage", "name": "vektorlosen Tree-Index-Ansatz von PageIndex", "url": "https://github.com/VectifyAI/PageIndex" }, { "@type": "WebPage", "name": "PyPI-Paketeintrag", "url": "https://pypi.org/project/openkb/" }, { "@type": "WebPage", "name": "preregistrierter Vergleich von Vector RAG und einem LLM-kompilierten Wiki", "url": "https://arxiv.org/abs/2605.18490" }, { "@type": "WebPage", "name": "WiCER evaluierte Wiki-Memory-Kompilierung über 6.800 Fragen", "url": "https://arxiv.org/abs/2605.07068" }, { "@type": "WebPage", "name": "Open Knowledge Format v0.1", "url": "https://cloud.google.com/blog/products/data-analytics/how-the-open-knowledge-format-can-improve-data-sharing" }, { "@type": "WebPage", "name": "offizielle REST-API-Guide", "url": "https://github.com/VectifyAI/OpenKB/blob/main/examples/rest-api/README.md" } ], "dateModified": "2026-08-11", "datePublished": "2026-08-11", "description": "OpenKB ist ein Apache-2.0-lizenzierter Knowledge Compiler für Entwickler. Das Tool verwandelt Dokumente in ein wachsendes, querverlinktes Markdown-Wiki und lässt anschließend ein LLM dieses kompilierte Artefakt abfragen. Das passt zu kuratierter Recherche, Due Diligence und Agentenwissen, das über mehrere Quellen hinweg wachsen soll. OpenKB ersetzt RAG nicht pauschal. Eine preregistrierte Studie mit kleinem Korpus fand bessere Verbindungen zwischen Papers und präzisere Claim-Level-Zitate beim kompilierten Wiki, während Vector RAG bei Einzelfakten und Query-Token-Kosten gewann. Andere Forschung zeigt, dass blinde Kompilierung kritische Fakten verlieren kann. Evaluation und iterative Korrektur sind deshalb Pflicht. OpenKB ist eine glaubwürdige Pilotplattform. Alpha-Status, ein einzelner optionaler Bearer Token und die dokumentierte Scaling-Roadmap bedeuten aber, dass Unternehmen Berechtigungen, SSO, Tenant-Isolation, Audit, Evaluation und Source Governance selbst ergänzen müssen.", "headline": "OpenKB Review: Knowledge Compiler vs. RAG", "image": "https://wavect.io/img/blog/headers/header_openkb-review-vs-rag.svg", "inLanguage": "de", "keywords": "OpenKB, KI-Wissensbasis", "mainEntityOfPage": { "@id": "https://wavect.io/de/blog/openkb-review-vs-rag/", "@type": "WebPage" }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/de/blog/openkb-review-vs-rag/", "wordCount": 2446 } ``` ```json { "@context": "https://schema.org", "@type": "BreadcrumbList", "itemListElement": [ { "@type": "ListItem", "item": "https://wavect.io/de/", "name": "Startseite", "position": 1 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/overview/", "name": "Blog-Übersicht", "position": 2 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/topics/ai-agents/", "name": "AI und Agents", "position": 3 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/clusters/models-infrastructure/", "name": "Modelle und Infrastruktur", "position": 4 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/openkb-review-vs-rag/", "name": "OpenKB Review: Knowledge Compiler vs. RAG | ", "position": 5 } ] } ``` ```json { "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "OpenKB ist ein Open-Source-Knowledge-Compiler in Python. Er verwandelt Dateien und URLs in ein dauerhaftes, querverlinktes Markdown-Wiki und bietet darauf Query, Chat, Visualisierung und Agent-Skill-Generatoren." }, "name": "Was ist OpenKB?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Ja. OpenKB nutzt die Apache-2.0-Lizenz. Es gibt keine Lizenzgebühr, aber Modellaufrufe, Dokumentverarbeitung, Hosting, Sicherheit, Evaluation, Integration und Review verursachen Gesamtkosten." }, "name": "Ist OpenKB für kommerzielle Nutzung kostenlos?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Nein. OpenKB nutzt Volltextkonvertierung für kurze Dokumente und PageIndex-Baumindizes für lange PDFs. Retrieval verwendet weiterhin LLM-Reasoning und Dokumentstruktur. Vektorlos bedeutet weder retrievalfrei noch kostenlos." }, "name": "Braucht OpenKB eine Vektordatenbank?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Bei einem kuratierten, syntheseintensiven Korpus manchmal, aber nicht generell. Vector RAG bleibt stark für präzises Lookup, große veränderliche Korpora und permission-aware Retrieval. Ein Hybrid kann Konzeptseiten und Roh-Evidenz gemeinsam nutzen." }, "name": "Kann OpenKB RAG ersetzen?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Für einen kontrollierten Pilot ist es glaubwürdig. Ein Production-Deployment braucht zusätzlich SSO, Rollen- und Tenant-Rechte, Source Permissions, Audit Logs, Secrets Management, Backups, Retention, Löschung, Kapazitätstests und laufende Evaluation." }, "name": "Ist OpenKB enterprise-ready?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Das Projekt enthält einen Agent Skill und dokumentiert für Codex eine manuelle Symlink-Einrichtung. Teams sollten den Skill prüfen, die Repository-Version pinnen und das Wiki wie internes Quellmaterial schützen." }, "name": "Funktioniert OpenKB mit Codex?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "OpenKB bezeichnet seine generierten Wiki-Seiten als OKF-ready. OKF ist das portable Markdown- und YAML-Format; OpenKB ist ein Producer und Query-Tool. Das Format liefert allein weder Kompilierungsqualität noch Retrieval, Berechtigungen oder Governance." }, "name": "Wie hängt OpenKB mit Open Knowledge Format zusammen?" } ] } ```