Infinite Brain: der KI-Wissensgraph, der PARA ablöste

Ich habe drei Jahre damit verbracht, einen PARA-Tresor zu bauen. Projekte, Bereiche, Ressourcen, Archive. Sechshundertzweiundvierzig Markdown-Dateien. Die Diagrammansicht sah aus wie eine Galaxie. Ich war stolz darauf, so wie man stolz auf einen Garten ist, in dem größtenteils nur Unkraut wächst, das man Wildblumen nennt.

Dann habe ich einen einzelnen Benchmark durchgeführt, der meine Beziehung zu PARA in etwa neunzig Sekunden beendete.

Ich habe Claude Opus 4.7 dieselbe Frage im Vergleich zu zwei Versionen desselben Wissens gestellt: meinem vorhandenen PARA-Tresor und einer umstrukturierten Version, die ich sechs Wochen lang in aller Stille getestet hatte. Die PARA-Abfrage verbrauchte 8.847 Eingabetokens, um eine mittelmäßige Antwort zu liefern, die drei unabhängige Projekte in einer einzigen verwirrenden Empfehlung vermischte. Die umstrukturierte Version beantwortete dieselbe Frage mit 612 Token – und die Antwort war schärfer, zitierte die richtigen Quellen und brachte einen Zusammenhang zwischen zwei Notizen zum Vorschein, die ich im Abstand von acht Monaten geschrieben hatte und von deren Existenz ich völlig vergessen hatte.

Gleiches Wissen. Gleiches Modell. 14,5x weniger Token. Bessere Antwort.

Da wurde mir klar, was der Großteil der Produktivitätswelt in den nächsten achtzehn Monaten schmerzhaft herausfinden wird: PARA wurde für Menschen entwickelt, die surfen. Es ist strukturell feindlich gegenüber AI, das abruft. Und die Kluft zwischen diesen beiden Anwendungsfällen ist jetzt so groß, dass Sie jeden Tag, an dem Sie einem Modell, das hervorragende Arbeit leisten könnte, mittelmäßigen Kontext zuführen, echtes Geld kosten.

Das System, das meinen PARA-Tresor ersetzte, nennt der ursprüngliche Ersteller Infinite Brain – ein personalisierter Wissensgraph, der auf sechzehn atomaren Notentypen und zehn typisierten Kanten basiert. Es klingt bürokratisch, wenn man es auf dem Papier beschreibt. In der Praxis ist es die erste Wissensarchitektur, die ich verwendet habe, bei der sich der AI nicht mehr wie ein Tourist anfühlt, sondern so, als ob er tatsächlich in meinen Notizen lebt.

Ich werde Ihnen genau erklären, was sich geändert hat, warum die Mathematik die Änderung erzwingt, ob es Ihnen gefällt oder nicht, und die genauen Konvertierungsschritte, die ich verwendet habe, um in etwa zwei Wochenenden einen PARA-Tresor mit 642 Dateien in ein Infinite Brain-Diagramm zu migrieren. Es gibt einen bestimmten Moment in diesem Beitrag – irgendwo im Abschnitt „Getippte Kanten“ –, an dem Sie entweder nicken und mit der Planung Ihrer Konvertierung beginnen oder den Tab schließen. Ich werde nicht versuchen, Sie zu überzeugen. Die Token-Nummern erledigen das von selbst.

Warum PARA stillschweigend jede von Ihnen ausgeführte AI-Abfrage sabotiert

Ich möchte hier vorsichtig sein. Die PARA-Methode von Tiago Forte ist kein schlechtes System. Für menschliche Notizenmacher im Jahr 2017 war es wirklich revolutionär – eine Möglichkeit, einen Informationsberg nach Umsetzbarkeit statt nach Themen zu organisieren, was ein kluger Schachzug ist, wenn der Engpass die eigene Aufmerksamkeit ist.

Aber der Engpass hat Ihre Aufmerksamkeit irgendwann gegen Ende 2024 nicht mehr geweckt. Der Engpass bestand darin, wie sauber ein LLM das von Ihnen gesammelte Wissen abrufen, überdenken und synthetisieren kann. Und sobald das die Einschränkung ist, beginnt jede Designentscheidung gegen Sie zu arbeiten.

Folgendes meine ich konkret.

PARA-Notizen sind groß. Das vorherrschende Muster in Tresoren im BASB-Stil ist ein „Projektdokument“ mit einigen tausend Wörtern, das Besprechungsnotizen, Entscheidungen, Links, Rohrecherchen und persönliche Kommentare in einer einzigen Datei bündelt. Wenn ein AI-Agent diese Notiz abruft, erhält er das gesamte Paket. Die meisten dieser Token sind im Verhältnis zur gestellten Frage Rauschen.

PARA-Links sind untypisiert. Wenn Sie [[client-onboarding-v2]] in eine Projektnotiz schreiben, erstellt Obsidian einen Link. Aber der Link sagt dem AI nichts darüber, warum die beiden Notizen verbunden sind. Ist das eine Abhängigkeit? Ein Widerspruch? Eine Quellenangabe? Ein Präzedenzfall? Um das herauszufinden, muss das Modell beide Notizen vollständig lesen, was Token kostet und häufig zu falschen Schlussfolgerungen führt.

PARA-Ordner sind beliebige Grenzen. Ein „Projekt“-Ordner ist für Ihre morgendliche Selbstplanung eines Quartals sinnvoll. Für einen LLM macht es keinen Sinn zu antworten: „Was habe ich über die Preisgestaltung bei jedem Kundenauftrag gelernt?“ Das Modell muss nun vier bis zehn Projektordner durchsuchen, Hunderte irrelevanter Notizen aufnehmen und hoffen, dass der richtige Kontext ganz oben in seinem Aufmerksamkeitsfenster auftaucht.

Ich theoretisiere hier nicht. Ich habe dieselbe Abfrage mit demselben Wissen in zwei Strukturen neu erstellt und beobachtet, wie sich die Kostenunterschiede bemerkbar machten.

Dies ist der Teil, den die meisten PARA-Verteidiger übersehen, wenn sie mit der Hand winken und sagen: „Aber Sie können AI auf Ja, das kannst du. Sie können zum Anbringen einer Schraube auch einen Hammer verwenden. Die interessante Frage ist nicht, ob es möglich ist – sondern wie viel Sie an Token, Latenz und Antwortqualität für das Privileg bezahlen, zwei inkompatible Designs zusammenzuzwingen.

GraphRAG-Benchmarks aus dem vergangenen Jahr machen dies im großen Maßstab konkret. Die veröffentlichten Ergebnisse von Microsoft Research zeigen, dass GraphRAG je nach Fragetyp zwischen 26 % und 97 % weniger Token benötigt als alternative RAG-Ansätze** für die gleiche Abfragequalität. Je schwieriger und syntheselastiger die Frage ist, desto größer ist die Lücke. Persönliche Wissensarbeit ist überwältigend syntheselastig – „Wie verläuft die Linie bei diesen sechs Klienten“, „Welche Entscheidung habe ich im letzten Frühjahr getroffen“, „Welche meiner Hypothesen hat die meisten Beweise?“ Dies sind genau die Abfragen, bei denen der flache Dokumentenabruf den Token am stärksten belastet.

Der Infinite Brain ist im Wesentlichen das, was passiert, wenn Sie die strukturellen Erkenntnisse hinter GraphRAG nutzen und sie als persönliches Markdown-System umbauen, in dem Sie tatsächlich leben können. Keine Vektordatenbank. Keine Indizierungspipeline. Nur Markdown-Dateien, getippte Links und eine architektonische Disziplin zur Notizengranularität, die sich bereits am ersten Tag bezahlt macht, an dem Sie ein LLM damit verbinden.

Aber bevor wir uns mit der Architektur befassen, müssen Sie sich die Mathematik ansehen. Weil es die Mathematik ist, die die Konvertierung nicht optional macht.

Die 9.000-gegen-600-Token-Rechnung hat richtig funktioniert

Lassen Sie mich den genauen Vergleich, den ich durchgeführt habe, durchgehen, denn ich möchte, dass Sie sehen, woher die Einsparungen tatsächlich kommen. Das ist keine Zauberei. Dies ist die natürliche Folge der richtigen Granularität.

Ich wählte eine Frage, die ich unbedingt beantwortet haben wollte: „Was ist bei meinen letzten zwölf Kundeneinsätzen der häufigste Grund dafür, dass der Discovery-Bereich vor dem Start explodiert?“

In meinem alten PARA-Tresor war der relevante Kontext verstreut über:

• 12 Projektmappen mit jeweils 1.200–3.000 Wörtern Kickoff-Retrospektive
• 4 „Bereiche“-Notizen zu meiner Agenturtätigkeit
• 1 „Ressourcen“-Notiz, in der ich letzten Herbst einen halbfertigen Denkpass zu genau dieser Frage abgelegt habe
• Eine unbestimmte Anzahl täglicher Notizen, die sich auf diese Projekte beziehen

Um die Frage zu beantworten, musste Claude entweder eine große Menge Kontext aufnehmen (teuer) oder mehrere schmale Abrufe durchführen und diese zusammenfügen (ebenfalls teuer, plus Latenz). Ich überlasse es dem Agenten, die breite Wirkung zu erzielen, denn das ist es, was die meisten Menschen in der Praxis tun. Gesamteingabe: 8.847 Token. Die Antwort war mittelmäßig – sie identifizierte zwei der drei echten Muster korrekt und übersah das wichtigste, weil die relevanten Beweise in einer „Ressourcen“-Notiz vergraben waren, deren Abruf einen niedrigen Rang einnahm.

In der Infinite Brain-Version wurde das gleiche Wissen atomisiert. Jede Kickoff-Retrospektive war bereits unterteilt in:

• 1 Entscheidungsnotiz („Beschlossen, einen 5-tägigen Pre-Discovery-Sprint hinzuzufügen“ – 80 Zeilen)
• 1–3 Musternotizen („Muster: Kunden unterschätzen die Anzahl der Stakeholder im B2B“ – jeweils 120 Zeilen)
• 1 Anmerkung zur Hypothese („Hypothese: Umfangserweiterung korreliert mit marketinggesteuerten Käuferreisen“)
• Ein paar Faktennotizen (spezifische Zitate aus Kickoff-Calls, jeweils 30–60 Zeilen)
• Das Konzept weist darauf hin, dass die Muster über Supports- und Contradicts-Kanten verknüpft sind

Als ich dieselbe Frage stellte, ging der Agent die Grafik durch, anstatt die Dateien zu durchsuchen. Es zog zuerst die Musternotizen, folgte den Supports-Kanten zur Hypothese, verfolgte die Derived from-Kanten zu den zugrunde liegenden Fakten und stellte ein enges Kontextfenster mit genau den Slices zusammen, die es benötigte. Gesamteingabe: 612 Token. Die Antwort deckte alle drei echten Muster auf und kennzeichnete die Hypothese als die stärkste Beweisspur, wozu ich nach einem Jahr der Durchführung dieser Projekte wirklich gekommen bin.

Bei der von Claude Opus 4.7 veröffentlichten Rate von 5 US-Dollar pro Million Eingabe-Token beträgt der Kostenunterschied pro Abfrage etwa 0,044 US-Dollar gegenüber 0,003 US-Dollar. Das ist eine 14,5-fache Reduzierung bei einer einzelnen Abfrage. Wenn Sie jeden Tag zehnmal täglich einen AI-Agenten für Ihre Wissensdatenbank ausführen, ist die jährliche Differenz zwar bedeutsam, aber nicht lebensverändernd – nennen Sie es 150 US-Dollar pro Jahr. Das ist nicht die Schlagzeile.

Die Überschrift lautet: was Sie durch die niedrigeren Token-Kosten tun können, was vorher nicht möglich war. Wenn eine Abfrage Ihres Wissensgraphen weniger als einen Drittel Cent kostet, beenden Sie die Rationierung. Sie beginnen mit der Durchführung umfassender Umgebungsabfragen – „worüber sollte ich diese Woche nachdenken“, „welche ungelösten Fragen liegen schon am längsten in meinem Diagramm“, „welche Hypothesen habe ich erstellt, die ich nie weiterverfolgt habe“ –, die sich bei den PARA-Token-Kosten verschwenderisch anfühlen würden. Der kostengünstige, schnelle Abruf verändert die Art des Denkens, das Sie mit Ihrem zweiten Gehirn machen. Das ist der Teil, den die Tabelle nicht erfasst.

In Ordnung. Die Mathematik verkauft sich. Lassen Sie mich Ihnen nun die Architektur zeigen, die es hervorbringt.

Die sechzehn Atomnotentypen und warum jeder seinen Platz verdient

Der Infinite Brain verfügt über sechzehn atomare Notentypen. Als ich die Liste zum ersten Mal las, verdrehte ich die Augen – es kam mir so vor, als würde ich um eines Frameworks willen zu viel entwickeln. Ich habe mich geirrt. Jeder Typ existiert, weil er eine Frage beantwortet, die PARA nicht beantworten kann: Was für ein Ding ist diese Notiz und wie sollte der AI sie behandeln.

Hier ist die vollständige Liste mit jeweils einem echten Beispiel aus meinem eigenen Tresor.

1. Säulen. Langfristige Nordsterne. Die Handvoll Dinge, die Sie über Jahre hinweg in Bezug auf Ihr Leben oder Ihre Arbeit wahrheitsgemäß wahrzunehmen versuchen. Ich habe acht davon. Ein Beispiel: „Bauen Sie bis 2027 ein Leveraged-Income auf, das nicht meine stündliche Aufmerksamkeit erfordert.“ Säulen werden von fast allem anderen referenziert und fast nie bearbeitet.

2. Entscheidungen. Spezifische Entscheidungen, die zu bestimmten Zeiten mit expliziter Begründung getroffen werden. „Am 14.03.2026 habe ich beschlossen, die WordPress-Seite der Agentur aufzugeben und diese Arbeit an einen Partner zu verweisen. Grund: Die Bruttomarge betrug 23 % gegenüber 61 % bei Laravel-Arbeit.“ Entscheidungen sind der wertvollste Notiztyp für den AI-Abruf, da sie ganze Überlegungsbögen in abfragbare Atome komprimieren.

3. Konzepte. Definitionen von Dingen, für die ich eine konsistente Bedeutung haben möchte. „Atomic Note“ ist selbst eine Konzeptnote. Das gilt auch für „Discovery Sprint“, „Buyer Journey“ und „Token Budget“. Konzepte geben dem AI ein stabiles Vokabular, anstatt ihn zu zwingen, Ihre Terminologie jedes Mal neu abzuleiten.

4. Fragen. Dinge, die ich beantwortet haben möchte, werden als eigenständige Notizen mit eigener Identität aufgezeichnet. „Warum bleiben Designsystem-Rollouts bei einer Akzeptanzrate von 60 % stehen?“ Fragen sind als Knoten im Diagramm vorhanden, sodass ich ihnen bei der Anhäufung Beweise hinzufügen kann, anstatt alle sechs Monate dieselbe Frage erneut zu stellen.

5. Playbooks. Wiederholbare Prozeduren mit Schritten. „Client Kickoff Playbook.“ „Playbook zur Vault-Migration.“ Anders als eine Entscheidung (die eine einmalige Entscheidung ist) und anders als ein Konzept (das eine Definition ist). Ein Playbook ist eine Sequenz, die ich erneut ausführen werde.

6. Aufgaben. Atomare Arbeitseinheiten. Die meisten Leute legen diese in einem Task-Manager ab, nicht in einem Wissensgraphen. Ich behalte sie in der Grafik für diejenigen, die sinnvoll mit anderem Wissen verknüpft sind – eine Aufgabe, die aus einer Entscheidung hervorgegangen ist, oder eine Aufgabe, die eine Hypothese testet. Die wegwerfbaren „Milch kaufen“-Aufgaben gibt es anderswo.

7. Ereignisse. Dinge, die zu einem bestimmten Zeitpunkt passiert sind. Meetings, Konferenzen, Einführungen. Die Kickoff-Retrospektiven, die ich zuvor erwähnt habe, sind Events. Sie sind der natürliche Befestigungspunkt für Fakten, die aus dem Ereignis hervorgegangen sind, und Entscheidungen, die daraus resultierten.

8. Muster. Wiederkehrende Beobachtungen über mehrere Ereignisse oder Fakten hinweg. „Muster: Jedes Mal, wenn ich einen Festpreis für einen Discovery-Sprint anbiete, verlängert sich die Lieferzeit durch Scope Creep um mehr als 30 %.“ In Mustern lebt Weisheit. Es handelt sich außerdem um die Art von Notiz, die sich kaum sauber aus einem PARA-Tresor abrufen lässt, da das Muster aus vielen unterschiedlichen Dokumenten hervorgeht, die strukturell nichts auf ihre Verbindung hinweisen.

9. Hypothesen. Überzeugungen, die Sie vertreten, aber nicht bestätigt haben. „Hypothese: Marketingorientierte B2B-Käufer unterschätzen die Anzahl der Stakeholder um das Zwei- bis Dreifache.“ Markiert mit Kanten, die auf unterstützende Fakten und widersprüchliche Beweise hinweisen, während sie sich häufen. Mit Hypothesen machen Sie Ihre Überzeugungen falsifizierbar, anstatt nur in Ihrem Kopf zu schweben.

10. Fakten. Konkrete verifizierte Behauptungen mit Quellenangabe. Ein direktes Zitat aus einem Kundeninterview. Eine Benchmark-Zahl aus einem veröffentlichten Artikel. Eine Umsatzzahl aus Ihren Büchern. Fakten sind der primäre „Beweis“-Typ – die meisten anderen Notiztypen verweisen letztlich auf Fakten.

11. Quellen. Externe Dokumente – Artikel, Aufsätze, Bücher, Podcasts. Die Metadaten für die Quelle sowie ein paar Sätze darüber, was sie beiträgt. Unterscheiden Sie sich von einem Lesezeichen (bei dem es sich nur um eine URL handelt, die Sie vielleicht später benötigen) und von einer Notiz (bei der es sich um Ihre eigene Handschrift handelt).

12. Lesezeichen. URLs, die Sie vielleicht lesen möchten, aber noch nicht gelesen haben. Im Grunde ein Bereitstellungsbereich. Ohne einen Lesezeichentyp verunreinigt jeder interessante Link, den Sie speichern, Ihr Diagramm mit nicht synthetisiertem Rauschen.

13. Notizen. Ihr eigener Rohtext – Gedanken, Entwürfe, halbfertige Ideen. Noch nicht strukturiert genug, um ein Konzept oder eine Hypothese zu sein. Notizen sind der Ausgangspunkt für Ideen. Sie werden bei der Kristallisation in andere Typen umgewandelt.

14. Kontakte. Personen. Verknüpft über Authored by-Kanten bei Quellen und Tagged as-Kanten bei Ereignissen.

15. Referenzen. Verweise auf externe Ressourcen, die Sie wiederverwenden werden – ein Snippet, eine Konfigurationsdatei, eine Codevorlage, eine Eingabeaufforderungsbibliothek. Der Typ „wiederverwendbares Artefakt“.

16. Benutzerdefinierte Typen. Der Notausgang für Dinge, die Ihre Domain benötigt. Ich habe einen Typ „Preisexperiment“ für meine Agenturarbeit und einen Typ „Prompt Pattern“ für meine AI-Engineering-Arbeit hinzugefügt. Gehen Sie sparsam damit um – jeder benutzerdefinierte Typ, den Sie hinzufügen, ist etwas Neues, das Sie konzeptionell pflegen müssen.

Die Disziplin, die dafür sorgt, dass dies funktioniert, ist die Atomic-Note-Regel: Jede Note besteht aus 50 bis 300 Zeilen. Keine Worte – Zeilen. Der Boden und die Decke sind wichtig. Unterhalb von 50 Zeilen verfügen Sie in der Regel nicht über genügend Substanz, um sie abzurufen. Über 300 Zeilen bündeln Sie mehrere Ideen in einer einzigen Abrufeinheit, was genau dem Fehlermodus PARA entspricht, dem Sie entkommen möchten.

Als ich mich zum ersten Mal hinsetzte, um eine 4.200 Wörter umfassende Projekt-Retrospektive in die richtigen Teile zu zerlegen, dauerte es vierzig Minuten und kam mir absurd vor. Beim fünften Mal dauerte es acht Minuten und fühlte sich offensichtlich an. Die Fähigkeit ist real und lässt sich schnell übertragen.

Aber die Notentypen allein sind nicht das, was den AI zum Singen bringt. Die Kanten tun es. Und an den Kanten versagen die meisten Knowledge-Graph-Systeme, weil sie alle Links als gleichwertig behandeln.

Typisierte Kanten: Der Teil, der den AI tatsächlich zum Grund macht

Obsidian-Links sind standardmäßig untypisiert. Wenn Sie [[B2B Stakeholder Patterns]] schreiben, zeichnet Obsidian auf, dass zwei Notizen verknüpft sind. Es wird nicht aufgezeichnet, warum.

Diese Mehrdeutigkeit kostet Sie bei jedem einzelnen Abruf Token, da der LLM beide Notizen vollständig lesen muss, um herauszufinden, um welche Art von Beziehung es sich handelt. Multipliziert man das mit einem Tausend-Noten-Tresor, ergibt sich aus der Ineffizienz eine Art Token-Aufblähung, die meine PARA-Abfrage in 8.847 Tokens Brei verwandelte.

Getippte Kanten beheben dieses Problem. Jeder Link in einer Infinite Brain-Notiz wird mit einem von zehn Beziehungstypen annotiert, und die Annotation befindet sich inline im Markdown, sodass jeder LLM-Agent sie ohne spezielle Tools analysieren kann.

Hier sind die zehn Kantentypen mit der von mir verwendeten Inline-Syntax:

• Unterstützt – [[fact-stakeholder-count]] supports [[hypothesis-b2b-stakeholders]]
• Widerspruch – [[fact-march-2026-pricing-test]] contradicts [[hypothesis-fixed-price-discovery]]
• Abhängig von – [[task-rebuild-discovery-deck]] depends on [[decision-drop-wordpress]]
• Abgeleitet von – [[pattern-scope-creep]] derived from [[event-march-kickoff]] [[event-april-kickoff]] [[event-may-kickoff]]
• Bezogen auf – [[concept-discovery-sprint]] related to [[playbook-client-kickoff]]
• Teil von – [[task-update-pricing-page]] part of [[decision-drop-wordpress]]
• Vorangestellt von – [[event-april-kickoff]] preceded by [[event-march-kickoff]]
• Gefolgt von — [[decision-drop-wordpress]] followed by [[task-rewrite-services-page]]
• Autor – [[source-cagan-empowered]] authored by [[contact-marty-cagan]]
• Gekennzeichnet als – [[event-may-kickoff]] tagged as [[concept-fixed-price]] [[concept-b2b-saas]]

Die Inline-Syntax ist wichtig. Sie benötigen keine Graphdatenbank, kein Plugin oder eine spezielle Infrastruktur. Einfacher Abschlag. Der LLM liest „unterstützt“, „widerspricht“ oder „abgeleitet von“ als Teil der Prosa rund um den Link und kann durch das Diagramm navigieren, indem er dem Kantentyp folgt, der für die gestellte Frage relevant ist.

Hier ist ein echtes Beispiel aus meinem Tresor. Dies ist eine echte Musternotiz, leicht geschwärzt:

„Abschlag

Beobachtung

Bei jedem B2B-SaaS-Engagement, das wir seit dem dritten Quartal 2025 durchgeführt haben, beträgt das Die anfängliche Stakeholder-Liste des Kunden erfasst 30-45 % der Menschen, die tatsächlich bei Entscheidungen zum Umfang mitwirken müssen vor dem Anpfiff.

Beweise

• [[fact-march-kickoff-stakeholder-count]] unterstützt
• [[fact-april-kickoff-stakeholder-count]] unterstützt
• [[fact-may-kickoff-stakeholder-count]] unterstützt
• [[fact-june-pmo-pushback]] unterstützt
• [[fact-october-finance-veto]] unterstützt

Gegenbeweis

• [[fact-feb-clean-kickoff]] widerspricht (Hinweis: Dieser Client hatte unseren Erkennungsprozess bereits zuvor ausgeführt.)

Abgeleitet von

[[event-march-kickoff]] [[event-april-kickoff]] [[event-may-kickoff]] [[event-june-pmo-meeting]] [[event-october-finance-call]]

Unterstützt

[[hypothesis-stakeholder-mapping-pre-discovery]]

Verwandte Konzepte

[[Concept-Discovery-Sprint]] [[Concept-Buyer-Journey]] [[concept-stakeholder-map]]

Notizen

Der sauberste Prädiktor, den ich gefunden habe: ob Beschaffung und Finanzen werden beim ersten Einführungsgespräch nicht genannt 30 %+ Scope-Abwanderung vor SOW-Signatur. Dieses Muster taucht in marketinggesteuerten Käuferreisen weitaus häufiger auf als produktorientierte. „

Das sind 152 Zeilen in der eigentlichen Datei. Es handelt sich um eine vollständige atomare Einheit synthetisierten Wissens. Ein AI-Agent kann diese einzelne Notiz ziehen und das gesamte Muster, die Beweise, die Gegenbeweise und die Verbindungen zu umgebenden Ideen haben. 152 Zeilen, vielleicht 600 Token. Vergleichen Sie es mit dem Einbinden von fünf vollständigen Projektrückblicken mit insgesamt 12.000 Wörtern, um dem Modell das gleiche Verständnis zu vermitteln.

Die obige Musternotiz wurde nicht von Grund auf neu geschrieben. Es wurde aus einem vergrabenen Absatz in einer alten „Retrospektive zum vierten Quartal 2025“ beworben, den ich in PARA niemals abgefragt hätte, da es sich bei der Datei um eine Küchenspüle mit 4.800 Wörtern handelte. Die Atomisierung hat dieses Wissen zugänglich gemacht.

Randbemerkung: Als ich anfing, getippte Kanten von Hand zu schreiben, dachte ich, das wäre mühsam genug, um das System zu zerstören. Das ist es nicht. Nach etwa einer Woche wird die Syntax genauso zum Muskelgedächtnis wie [[wikilinks]]. Und der Claude-basierte Agent, den ich erstellt habe (mehr dazu weiter unten), schlägt automatisch Kantentypen vor, wenn ich neue Links erstelle, sodass der tatsächliche kognitive Overhead pro Notiz etwa fünf zusätzliche Sekunden beträgt. Für eine 14-fache Token-Reduzierung bei jeder zukünftigen Abfrage ist das ein Deal, den ich den ganzen Tag annehmen werde.

Die Konvertierung: Zwei Wochenenden von PARA zu Infinite Brain

Lassen Sie mich Ihnen das eigentliche Spielbuch zeigen. Nicht theoretisch – die genaue Reihenfolge, die ich in meinem eigenen Tresor mit 642 Dateien verwendet habe. Wenn Sie Obsidian verwenden und ein Claude- oder ChatGPT-Abonnement haben, können Sie dieselbe Konvertierung ausführen.

Wochenende 1: Foundation und Triage

Schritt 1 – Einrichten der neuen Struktur (30 Minuten).

Ich habe parallel zu meinen vorhandenen PARA-Ordnern einen neuen Ordner der obersten Ebene mit dem Namen _brain/ erstellt. Darin befinden sich sechzehn Unterordner, die den Notiztypen entsprechen: _brain/decisions/,

Ich habe außerdem einen einzelnen _brain/_index.md erstellt, der jeden Notiztyp mit einer Beschreibung aus einem Satz und einer Anzahl auflistet. Dieser Index wird vom AI-Agenten zuerst gelesen, um sich bei der Beantwortung von Abfragen zu orientieren.

Schritt 2 – Vernichten Sie zuerst die Lesezeichen-Mülldeponie (45 Minuten).

Ich hatte 387 Webausschnitte in den PARA Resources-Ordnern, die meisten davon wurden nie gelesen. Diese in das neue System zu integrieren, war die größte Bereinigung, die ich durchgeführt habe. Drei Eimer:

• Lesen und synthetisieren → zu einer Quellnotiz mit einer 60-zeiligen Zusammenfassung hochstufen
• Gelesen, aber noch nicht synthetisiert → als Lesezeichen für später hinterlassen
• Niemals lesen → löschen

Ehrliche Zählung: 41 wurden zu Quellen, 89 zu Lesezeichen, 257 wurden gelöscht. Das sind zwei Drittel meines „Wissens“ in 45 Minuten, und die Qualität meiner Grafiken ist gestiegen.

Schritt 3 – Identifizieren Sie Ihre Säulen (20 Minuten).

Diese sind leicht zu erkennen, wenn Sie wissen, wonach Sie suchen. Langfristige Ziele, beständige Werte, Polarsterne, über die Sie schon seit Jahren schreiben. Ich hatte acht. Jeder hat seine eigene Atomnote in _brain/pillars/, zwischen 80 und 200 Zeilen. Diese ändern sich selten, aber sie sind die Schwerkraftquellen, die der Rest des Graphen umkreist.

Schritt 4 – Führen Sie einen „Decision Mining“-Durchlauf durch (3 Stunden).

Dies ist die wertvollste Konvertierungsaufgabe und wird von den meisten Menschen übersprungen. Ich habe meine Projektnotizen, Tagesnotizen und Rückblicke der letzten zwölf Monate durchgesehen und jede explizite Entscheidung in eine eigene Entscheidungsnotiz extrahiert. Format:

„Abschlag

Entscheidung: [Spezifische Wahl in einem Satz]

Datum

14.03.2026

Kontext

[Was war die Situation, die diese Wahl erzwang]

Optionen berücksichtigt

• Option A: ...
• Option B: ...
• Option C: ...

Wahl

Option B.

Argumentation

[Warum diese Option gewonnen hat. Seien Sie bei Kompromissen genau.]

Markiert als

[[Konzept-x]] [[Konzept-y]]

Gefolgt von

[[task-z]] [[event-w]]

I extracted 73 Decision notes from the past year. Each one is now independently retrievable. When Claude needs to answer "why did I make that pricing change last spring," it pulls the relevant Decision note — 100 lines, maybe 400 tokens — instead of grepping through my entire Areas/Business folder.

### Weekend 2: Atomization and Edge Wiring

**Step 5 — Atomize project retrospectives (4-5 hours).**

This is the hardest step and the one that separates a real Infinite Brain from a half-converted PARA vault. Each old project retrospective gets pulled apart into its component atomic notes:

- The events that happened → Event notes
- The decisions that were made → Decision notes (already done in Step 4 if applicable)
- The patterns that emerged → Pattern notes
- The hypotheses you formed → Hypothesis notes
- The specific facts and quotes → Fact notes
- The concepts you defined → Concept notes

I had a working rule: if I touched a retrospective and didn't extract at least three atomic notes from it, I wasn't reading carefully enough. The lowest-yield retrospective produced three notes; the highest produced eleven.

**Step 6 — Wire up typed edges (2-3 hours).**

This is where Claude becomes a force multiplier. I built a small Claude prompt that takes one of my new atomic notes as input and suggests typed edges to other notes in the graph. The prompt looks like this:

Sie vernetzen Kanten in einem Infinite Brain-Wissensgraphen.

Hier ist eine neue Notiz: [Notizinhalt einfügen]

Hier ist der Index der vorhandenen Notizen nach Typ: [paste _index.md]

Schlagen Sie für jede mögliche Verbindung Folgendes vor:

• Die Zielnote
• Der Kantentyp (Unterstützt / Widerspricht / Abhängig von / Abgeleitet von / Bezogen auf / Teil von / Vorangestellt von / Gefolgt von / Verfasst von / Markiert als)
• Eine Begründung in einem Satz

Schlagen Sie nur Kanten vor, bei denen die Beziehung klar ist und spezifisch. Überspringen Sie vage „verwandte“ Links, es sei denn, es gibt solche keinen besseren Kantentyp. „

Ich führe dies gegen jede neue Atomnote durch. Claude schlägt 4-12 Kanten vor. Ich akzeptiere vielleicht 60-70 % davon – das Modell ist häufiger richtig als falsch, aber gelegentlich übertreibt es. Die Akzeptanz beträgt in meinem Obsidian-Setup ein Tastendruck pro Kante.

Schritt 7 – Erstellen Sie den Bereinigungsdurchlauf (1 Stunde).

Letzter Schritt: Führen Sie eine Abfrage für das Diagramm aus und bitten Sie den Agenten, Säulen, Konzepte oder Hypothesen zu identifizieren, die null eingehende Kanten aus anderen Notizen haben. Das sind die Waisen. Entweder ist die Waise wirklich nicht angeschlossen (und Sie sollten sich fragen, ob sie ihren Platz verdient), oder Sie haben es versäumt, sie zu verkabeln.

Nach dem ersten Edge-Wiring-Durchgang hatte ich 23 Waisen. Nach der Bereinigung hatte ich vier – und drei dieser vier waren Konzepte, die ich zwar definiert, aber nie tatsächlich verwendet hatte, und die ich gelöscht hatte.

Gesamtzeit am Wochenende: ca. 18 Stunden an zwei Wochenenden. Das sind die tatsächlichen Kosten. Die Belohnung besteht darin, dass jede AI-Abfrage, die ich in der restlichen Zeit, in der ich diesen Tresor verwende, ausführe, strukturell günstiger, schneller und schärfer ist als die entsprechende PARA-Abfrage.

Wenn Sie ein intensiver Nutzer von AI-Wissensdatenbanken sind – und wenn Sie bis hierhin gelesen haben, ist das mit ziemlicher Sicherheit der Fall – zahlt sich die Mathematik in Wochen und nicht in Monaten aus.

Was ich falsch gemacht habe und was daran wirklich schwierig ist

Ich möchte ehrlich zu den Problemen sein, die dieser Ansatz nicht löst, weil ich zu viele Beiträge mit der Aufschrift „Ich habe mein System geändert und es hat mein Leben verändert“ gelesen habe, in denen die Kompromisse beschönigt werden.

Die Atomisierungssteuer ist real. Es dauert zehn Minuten, einen Brain Dump mit 4.000 Wörtern zu schreiben und ihn in einem Projektordner abzulegen. Das Schreiben des gleichen Inhalts wie 8–12 Atomnoten mit ordnungsgemäßer Kantenverdrahtung dauert bei den ersten paar Malen 25–40 Minuten. Nach ein paar Monaten wird es schneller – nennen wir es 50 % langsamer als der Brain-Dump-Ansatz, nicht 4x langsamer –, aber es wird nie kostenlos sein. Sie zahlen im Voraus für die Erfassungsreibung, um im Voraus Abrufkosten zu sparen. Wenn Sie jemand sind, der Ihre Notizen nur gelegentlich abfragt, funktioniert diese Mathematik möglicherweise nicht für Sie. Wenn ich mehr als 30 AI-Abfragen pro Tag für meinen Tresor ausführe, ist das nicht annähernd so.

Die Atomnotenregel ist schwieriger als es klingt. „Zwischen 50 und 300 Zeilen“ fühlt sich wie eine weiche Richtlinie an, bis Sie auf eine 700-Zeilen-Note starren, die sich wirklich nicht sauber zerlegt. Die Fähigkeit zu erkennen, wo eine Notiz geteilt sollte, ist etwas, an dem ich sechs Monate lang noch arbeite. Das Muster, das ich gefunden habe, hilft: Wenn ich eine Abschnittsüberschrift in eine Notiz schreibe, verdient dieser Abschnitt wahrscheinlich eine eigene Notiz mit einem angemessenen Rand.

Edge Sprawl ist ein echter Fehlermodus. Zu Beginn meiner Konvertierung wurde ich verrückt nach Edge und verkabelte jede plausible Verbindung. Das Diagramm wurde zu dicht, um noch nützlich zu sein – jede Note war mit vierzig anderen verbunden, und der AI konnte nicht erkennen, welche Verbindungen tragend waren. Die Lösung war eine Disziplin, die ich jetzt rücksichtslos anwende: Jede Kante muss eine sein, die ein zukünftiges Ich tatsächlich überqueren würde. Wenn der Zusammenhang interessant ist, ich ihm aber nie folgen würde, um eine echte Frage zu beantworten, dann verdient er seinen Platz nicht.

Das System belohnt bestimmte Arten von Arbeit mehr als andere. Wenn Ihre Wissensarbeit stark auf Synthesen basiert – Forschung, Strategie, Beratung, Schreiben – zahlt sich der Infinite Brain enorm aus. Wenn Ihre Arbeit stark ausführungsorientiert ist und Ihre „Notizen“ hauptsächlich aus der einfachen Aufgabenverfolgung bestehen, ist der Mehraufwand schwerer zu rechtfertigen. PARA wurde für den zweiten Anwendungsfall entwickelt. Ersetzen Sie Ihren Task-Manager nicht dadurch. Dafür ist es nicht gedacht.

Es gibt noch kein Community-Plugin, das dies trivial macht. Ich habe meine eigenen Obsidian-Vorlagenschnipsel und Claude-Eingabeaufforderungen erstellt. Die Community des ursprünglichen Erstellers bietet Konvertierungsaufforderungen und -vorlagen an, die gute Ausgangspunkte darstellen. Sie sollten jedoch damit rechnen, einige benutzerdefinierte Tools für Ihren spezifischen Arbeitsablauf zu erstellen. Dies ist noch kein System zum Herunterladen einer App. Es könnte in einem Jahr sein.

Die gute Nachricht ist, dass keiner dieser Kompromisse die zugrunde liegende Mathematik ändert. Die 14-fache Token-Reduzierung ist real. Die Verbesserung der Abrufqualität ist real. Das Erlebnis „AI fühlt sich an, als ob es tatsächlich in meinen Notizen lebt“ ist real. Was Sie für diese Zuwächse eintauschen, ist Disziplin im Vorfeld beim Schreiben, und diese Disziplin wird mit der Zeit immer weniger, je mehr sich der Muskel entwickelt.

Wo die Token-Einsparungen tatsächlich sichtbar sind

Ich möchte mit etwas Konkretem schließen, da die abstrakte Formulierung „weniger Token“ nicht ganz erfasst, was sich täglich ändert.

Drei Monate nachdem ich meinen Infinite Brain in Betrieb genommen habe, mache ich jetzt Folgendes, was ich mir in meinem PARA-Tresor buchstäblich nicht hätte leisten können:

Morgens Umgebungsabfragen. Jeden Morgen führe ich einen Claude-Befehl aus, der fragt: „Wenn ich mir mein heutiges Diagramm ansehe, was ist die wichtigste ungelöste Hypothese, die ich habe, und was wäre nötig, um sie zu bestätigen oder zu zerstören?“ Diese Abfrage kostet mich etwa 1.800 Tokens an Eingaben – weniger als einen Cent. In PARA hätte die gleiche Frage mehr als 25.000 Kontext-Tokens benötigt, um eine gute Antwort zu erhalten. Ich hätte es nie laufen lassen.

Domänenübergreifende Mustersuche. Einmal pro Woche führe ich aus: „Sehen Sie sich jede Musternotiz an, die sowohl mit concept-pricing als auch mit concept-b2b getaggt ist. Was ist die stärkste Verbindung zwischen ihnen und was ist der größte Widerspruch?“ Dies sind die Fragen, die einer Wissensdatenbank das Gefühl geben, lebendig zu sein. Dies sind auch die Fragen, die erschwinglich wurden, als getippte Kanten das flache Abrufen ersetzten.

Entscheidungsarchäologie. „Hier finden Sie jede Entscheidung, die ich in den letzten 12 Monaten getroffen habe, markiert mit concept-agency-pricing. Sortieren Sie nach Datum. Sagen Sie mir, welche ich rückgängig gemacht habe und welche noch gelten.“ Diese Abfrage dauerte 480 Token und 4 Sekunden. Es kam ein Muster in meiner eigenen Preisstrategie zum Vorschein, bei dem ich neun Monate lang denselben Fehler gemacht hatte.

Die Mathematik hinter dem Infinite Brain überzeugt Ingenieure. Die alltägliche Erfahrung, über eine Wissensdatenbank zu verfügen, über die Ihr AI tatsächlich nachdenken kann – kostengünstig, schnell und genau – überzeugt alle anderen.

Ich denke, dass wir in drei Jahren auf Notizsysteme mit flachen Ordnern im PARA-Stil zurückblicken werden, so wie wir auf die Organisation von Dateien nach Abteilung in einem gemeinsamen Laufwerk aus den 1990er-Jahren zurückblicken werden. Funktional, irgendwann schmerzhaft, ersetzt durch etwas, das den tatsächlichen Zwängen moderner Arbeit entspricht. Die Einschränkungen haben sich geändert. Mit ihnen müssen sich auch die Architekturen verändern.

Wenn Sie wissen möchten, ob sich Ihre beiden Wochenenden lohnen: Öffnen Sie Ihren aktuellen Tresor, wählen Sie die syntheseintensivste Frage aus, die Sie einem AI im letzten Monat zu Ihrem eigenen Wissen gestellt haben, und zählen Sie die Token, die nötig waren, um eine anständige Antwort zu erhalten. Wenn Ihnen diese Zahl peinlich ist, haben Sie bereits Ihre Antwort.

Meines hat mich in Verlegenheit gebracht. Ich gehe nicht zurück.

Häufig gestellte Fragen

Was ist der Unterschied zwischen einem Infinite Brain und einem Zettelkasten?

Ein Infinite Brain ist eine strikte Obermenge von Zettelkasten mit zwei wichtigen Ergänzungen: einer festen Taxonomie von 16 atomaren Notiztypen (Zettelkasten ist typunabhängig) und 10 typisierten Kanten (Zettelkasten-Links sind untypisiert). Das Ergebnis ist ein Diagramm, in dem ein LLM semantisch navigieren kann, ohne jede Notiz vollständig lesen zu müssen. Die vollständige Architektur finden Sie oben im Abschnitt über die sechzehn Notentypen.

Benötige ich dafür eine Vektordatenbank?

Nein. Der springende Punkt ist, dass getippte Kanten und die Granularität atomarer Noten das ersetzen, was mit der Vektorabfrage versucht wurde. Der Agent durchläuft das Diagramm, indem er der Inline-Edge-Syntax in einfachem Markdown folgt – keine Einbettungen, keine Indizierungspipeline, keine Chunking-Entscheidungen. Dies ähnelt im Geiste eher GraphRAG als dem herkömmlichen Vektor RAG.

Wie lange dauert die Konvertierung von PARA zu Infinite-Brain tatsächlich?

Zwei Wochenenden konzentrierter Arbeit für einen Tresor mit 600 Dateien, der etwa zur Hälfte zwischen Zerstäubung und Kantenverdrahtung aufgeteilt ist. Das Konvertierungs-Playbook oben ist genau die Reihenfolge, die ich verwendet habe. Rechnen Sie mit insgesamt 12 bis 20 Stunden, abhängig von der Größe des Tresors und davon, wie intensiv Sie löschen bzw. konvertieren.

Kann ich dies mit ChatGPT anstelle von Claude verwenden?

Ja. Der Infinite Brain ist Markdown-nativ – jeder LLM-Agent, der Dateien lesen kann, funktioniert. Ich verwende Claude Opus 4.7, weil die Diagrammnavigationsabfragen von einer starken Argumentation profitieren, die Architektur jedoch modellunabhängig ist. ChatGPT, Gemini und lokale Modelle arbeiten alle mit derselben Tresorstruktur.

Was passiert mit meinem PARA-Tresor während der Konvertierung?

Meins blieb unberührt in seinen ursprünglichen Ordnern, während ich daneben die neue _brain/-Struktur erstellte. Sobald das neue System für tägliche Abfragen funktionierte, habe ich die alten PARA-Ordner in einem _archive/-Verzeichnis archiviert und aufgehört, in sie zu schreiben. Ich habe sie nicht gelöscht – sie sind ein Ersatz für den Fall, dass ich jemals etwas rekonstruieren muss –, aber ich habe sie auch seit zwei Monaten nicht geöffnet.

Lasst uns zusammenarbeiten

Möchten Sie AI-Systeme aufbauen, Arbeitsabläufe automatisieren oder Ihre technische Infrastruktur skalieren? Ich würde gerne helfen.

• Fiverr (benutzerdefinierte Builds und Integrationen): fiverr.com/s/EgxYmWD
• Portfolio: mejba.me
• Ramlit Limited (Unternehmenslösungen): ramlit.com
• ColorPark (Design & Branding): colorpark.io
• xCyberSecurity (Sicherheitsdienste): xcybersecurity.io