Topologien des Denkens: Obsidian im Einbettungsraum

15.800 Notizen. 49.746 Textabschnitte. Jeder Abschnitt ein 256-dimensionaler Vektor.⁷ Ich habe UMAP auf den vollständigen Datensatz angewendet, das Ergebnis auf drei Dimensionen projiziert und langsam auf dem Bildschirm rotieren lassen. Mein zweites Gehirn hatte eine Form, und diese Form verriet etwas, das die Notizen selbst mir nie gesagt hatten: Meine intellektuelle Arbeit gruppiert sich um drei dichte Knotenpunkte (Claude Code, Designsysteme, KI-Forschung), die durch dünne Brücken aus Schnittmengennotizen verbunden und von einem spärlichen Halo verwaister Signale umgeben sind, die an nichts anschließen.

Die Form Ihres Wissens zeigt Ihnen, wo Sie denken, wo Sie das Denken meiden und wo Ihre Ideen Raum haben, aufeinanderzuprallen. Dieselbe Kontextarchitektur, die das Verhalten von Agenten strukturiert, strukturiert auch menschliches Wissen.

Kurz gefasst: Projiziert man 15.800 Obsidian-Notizen in einen 256-dimensionalen Einbettungsraum, treten drei Wissenstopologien hervor — zentralisiert, dezentralisiert und verteilt — jede mit eigenen Fehlermustern. Brückennotizen zwischen den Clustern erzeugen die neuartigsten Erkenntnisse, und die Forschung zu Phasenübergängen zeigt: Unachtsame Kuratierung kann Ihre Wissensstruktur an einer scharfen Schwelle zum Einsturz bringen.

TL;DR

Einbettungsräume geben Wissenssammlungen eine räumliche Struktur, die intellektuelle Topologie sichtbar macht. Kat (@poetengineer__) hat drei Topologien für Obsidian-Vaults demonstriert: zentralisiert (eine Kernidee verbindet alles), dezentralisiert (thematische Knotenpunkte in Clustern) und verteilt (Kanten zwischen Ideen, beschriftet mit semantischen Beziehungen).¹ Mein Vault mit 15.800 Dateien und 49.746 Abschnitten weist eine dezentralisierte Topologie mit drei dominanten Clustern auf. Die Arbeit von Pesce et al. über Phasenübergänge beim Pruning neuronaler Netze liefert einen mathematischen Rahmen dafür, wann Vereinfachung (Kuratieren, Archivieren, Filtern) eine Schwelle überschreitet, die die Funktion der Wissensstruktur zerstört.² Im Folgenden: was Einbettungen erfassen, drei Wissenstopologien mit echten Vault-Daten, wie Sie Ihre eigene Topologie diagnostizieren, und ein interaktiver Explorer, gebaut aus meinem tatsächlichen Vault.

Was Einbettungen tatsächlich erfassen

Eine Texteinbettung verwandelt eine Textpassage in eine Zahlenliste. Der Beitrag zum Tokenisierungs-Visualizer hat behandelt, wie aus Text Tokens werden. Einbettungen gehen weiter: Aus Tokens werden Koordinaten in einem hochdimensionalen Raum, in dem Abstand Bedeutung entspricht.

Zwei Passagen über „Claude Code-Hooks zur Kontextinjektion“ liegen im Einbettungsraum nah beieinander. Eine Passage über „Claude Code-Hooks“ und eine über „iOS-SwiftUI-Navigation“ liegen weit auseinander. Der Abstand misst keine Stichwortüberschneidung. Zwei Passagen können kein einziges Wort teilen und trotzdem nebeneinander landen, wenn sie dieselben Konzepte behandeln. Zwei Passagen können viele Wörter teilen („das System verarbeitet die Daten“) und weit auseinanderliegen, wenn der umgebende Kontext ein anderer ist.

Mein Vault nutzt das Modell potion-base-8M von Model2Vec: 7,6 Millionen Parameter, die 256-dimensionale Einbettungen erzeugen.³ Das Modell ist aus einem größeren Sentence Transformer (bge-base-en-v1.5) destilliert und erreicht rund 90 % der Leistung von all-MiniLM-L6-v2, läuft dabei aber als statisches Modell – um Größenordnungen schneller, auf CPU wie auf GPU. Jeder der 49.746 Abschnitte in meinem Vault wird zu einem Punkt im 256-dimensionalen Raum.

256 Dimensionen lassen sich unmöglich direkt visualisieren. Verfahren zur Dimensionsreduktion wie UMAP projizieren die hochdimensionale Struktur auf 2D oder 3D herunter und erhalten dabei die lokalen Nachbarschaften.⁴ Punkte, die in 256 Dimensionen nah beieinanderlagen, bleiben auch in 3 Dimensionen nah beieinander. Die globale Struktur ist nur eine Näherung, die Cluster hingegen sind real.

Drei Topologien des Wissens

Kats Erkundung von Einbettungen aus Obsidian-Notizen hat drei klar unterscheidbare Wissenstopologien identifiziert.¹ Jede Topologie spiegelt eine andere intellektuelle Struktur wider, und jede hat andere Fehlermuster.

Zentralisiert: Eine Kernidee verbindet alles

In einer zentralisierten Topologie laufen die meisten Notizen über ein einziges dominantes Thema zusammen. Der Einbettungsraum zeigt ein dichtes Cluster im Zentrum, von dem dünne Ranken nach außen reichen. Wer ausschließlich über React schreibt, bekäme diese Topologie zu sehen: React ist der Knotenpunkt, und jede Notiz zu Testing, State Management, Deployment und Werkzeugen ist darüber angebunden.

Stärke: Tiefe Expertise in der zentralen Domäne. Die Suche funktioniert gut, weil die meisten Anfragen in derselben Nachbarschaft landen.

Fehlermuster: Brüchigkeit. Wird das zentrale Thema irrelevant (ein Berufswechsel, das Aus für eine Technologie), verliert die gesamte Wissensstruktur ihr Ordnungsprinzip. Notizen, die nur in Bezug auf das Zentrum Sinn ergeben, verwaisen.

Dezentralisiert: Thematische Knotenpunkte in Clustern

In einer dezentralisierten Topologie bilden Notizen mehrere klar abgegrenzte Cluster, die durch Brückennotizen verbunden sind. Mein Vault weist diese Topologie mit drei dominanten Knotenpunkten auf:

Die restlichen 22 % verteilen sich auf Inspiration, Produktivität, Wissenschaft und kleinere Kategorien.

Stärke: Widerstandsfähigkeit. Der Verlust eines Clusters zerstört die übrigen nicht. An den Grenzen zwischen den Clustern entstehen interdisziplinäre Verbindungen, aus denen die neuartigsten Erkenntnisse hervorgehen.

Fehlermuster: Fragmentierung. Sind die Brückennotizen zwischen den Clustern zu dünn, werden die Cluster zu intellektuellen Silos. In meinem Vault gibt es eine dünne Brücke zwischen Design und Claude Code (Notizen über die Gestaltung von Agenten-UIs, über Muster für Prompt-Oberflächen), aber praktisch keine Brücke zwischen Design und reiner Entwicklung — Notizen zur Backend-Architektur haben selten Verbindung zu visuellem Design. Diese Lücke ist ein blinder Fleck: Ich denke über Design nach und ich denke über Backend-Engineering nach, aber selten über beides zusammen.

Verteilt: Kanten, beschriftet nach Beziehungen

In einer verteilten Topologie tragen die Verbindungen zwischen Notizen semantische Beschriftungen, die beschreiben, wie Ideen zusammenhängen. Kats Umsetzung nutzte ein LLM, um Kantenbeschriftungen zwischen benachbarten Notizen zu erzeugen.¹ Statt anonymer Nähe hat jede Verbindung eine Beschreibung: „widerspricht“, „erweitert“, „liefert Belege für“, „überträgt auf eine andere Domäne“.

Stärke: Navigierbarkeit. Eine verteilte Topologie beantwortet nicht nur „Was hängt zusammen?“, sondern „Wie hängt es zusammen?“. Die Beschriftung ermöglicht Schlussfolgerungen höherer Ordnung: Notizen zu finden, die einer These widersprechen, nicht bloß Notizen, die sie erwähnen.

Fehlermuster: Kosten. Kantenbeschriftungen für jedes Verbindungspaar zu erzeugen, skaliert quadratisch. Für die 49.746 Abschnitte meines Vaults bräuchte eine erschöpfende Kantenbeschriftung rund 1,2 Milliarden LLM-Aufrufe. Praktikable Umsetzungen beschriften nur Kanten innerhalb einer Ähnlichkeitsschwelle.

Phasenübergänge: Wenn Vereinfachung die Struktur zerstört

Pesce, He und Caldarelli haben Phasenübergänge beim Pruning neuronaler Netze untersucht und eine scharfe Schwelle gefunden: Netze zeigen „einen Übergang von einer kooperativen, funktionalen Phase in eine ungeordnete Phase mit kollabierter Leistung“.² Unterhalb der Schwelle beeinträchtigt das Entfernen von Verbindungen die Funktion kaum. An der Schwelle bricht die Funktion abrupt zusammen. Der Übergang folgt Skalengesetzen, die mit kritischem Verhalten zweiter Ordnung vereinbar sind – derselben Mathematik, die das Schmelzen von Eis zu Wasser beschreibt.

Die Parallele zur Wissenskuratierung liegt auf der Hand. Meine Pipeline zur Signalbewertung⁶ hat den Eingang über eine Relevanzschwelle von 14.771 auf 5.886 Notizen reduziert. Dieselbe Dynamik des kumulativen Kontexts, die den Wert des Agentengedächtnisses anwachsen lässt, gilt auch hier: Der Wert einer Notiz hängt von ihren Verbindungen ab, nicht bloß von ihrem Inhalt. Die Reduktion hat die Suchqualität verbessert: weniger Treffer mit geringer Relevanz, engere Cluster, schnelleres Abrufen. Doch ging dabei Signal verloren? Hat die Vereinfachung die Schwelle eines Phasenübergangs überschritten?

Die Pruning-Forschung legt nahe, dass die Antwort von der Konnektivität abhängt, nicht von der Menge. Isolierte Knoten zu entfernen (Notizen ohne semantische Nachbarn) hat auf die Funktion des Netzes vernachlässigbaren Einfluss. Brückenknoten zu entfernen (Notizen, die sonst getrennte Cluster verbinden) kann die Struktur zum Einsturz bringen, selbst wenn die entfernten Notizen für sich genommen unbedeutend wirken.

Meine Triage-Pipeline hat die Relevanzschwelle von 0,30 auf 0,40 angehoben. Die Verkleinerung des Eingangs um 60 % wurde nach Anzahl gemessen. Die Auswirkung auf die Topologie habe ich nicht gemessen. Eine Kuratierungsstrategie, die Phasenübergänge mitdenkt, würde:

1. Brückennotizen vor dem Filtern identifizieren (Notizen mit hoher Betweenness-Zentralität im Ähnlichkeitsgraphen)
2. Brückennotizen unabhängig von ihrer individuellen Bewertung vom Relevanzfilter ausnehmen
3. Kennzahlen zur Cluster-Konnektivität nach jedem Kuratierungsdurchgang überwachen
4. Alarm schlagen, wenn ein Kuratierungsschritt die Brückendichte zwischen Clustern unter eine Schwelle drückt

# Sketch: bridge note detection before curation
def identify_bridge_notes(embeddings, threshold=0.7):
    """Find notes that connect otherwise-separate clusters."""
    from sklearn.neighbors import NearestNeighbors
    nn = NearestNeighbors(n_neighbors=10, metric='cosine')
    nn.fit(embeddings)
    distances, indices = nn.kneighbors(embeddings)

    # Bridge score: how many of a note's neighbors are from
    # different clusters than the note itself
    bridge_scores = []
    for i, neighbors in enumerate(indices):
        own_cluster = labels[i]
        cross_cluster = sum(1 for n in neighbors if labels[n] != own_cluster)
        bridge_scores.append(cross_cluster / len(neighbors))

    return bridge_scores

Ihre Wissenstopologie diagnostizieren

Sie brauchen keine 15.000 Notizen, um Ihre Wissenstopologie zu analysieren. Jede Sammlung ab 100 Notizen mit Einbettungen legt Struktur offen. Wenn Sie Obsidian als KI-Infrastruktur nutzen, haben Sie das Rohmaterial bereits — die siebzehntausend Signale in meinem Vault begannen als schlichte tägliche Notizfragmente. Drei diagnostische Fragen:

1. Wie viele Cluster gibt es?

Lassen Sie k-Means oder DBSCAN über Ihre Einbettungen laufen und zählen Sie die klar abgegrenzten Cluster. Weniger als 3 deutet auf eine zentralisierte Topologie hin. Zwischen 3 und 8 spricht für dezentralisiert. Mehr als 8 kann entweder auf eine tatsächlich verteilte Topologie hindeuten oder auf mangelnde Kuratierung — viele Cluster bedeuten viele Themen, und das kann heißen: in keinem davon Tiefe.

2. Wie dicht sind die Brücken?

Zählen Sie für jedes Clusterpaar die Notizen, die in beiden Clustern nächste Nachbarn haben. Eine Brückendichte unter 2 % der Größe des kleineren Clusters weist auf ein mögliches Silo hin. Meine Brücke von Design zu Entwicklung liegt bei rund 1,4 % – unterhalb der Schwelle, was den beobachteten blinden Fleck bestätigt.

3. Wie hoch ist der Anteil verwaister Notizen?

Eine verwaiste Notiz hat innerhalb einer Kosinus-Ähnlichkeitsschwelle (typischerweise 0,7) keinen Nachbarn. Verwaiste Notizen sind nicht zwangsläufig schlecht – sie können echte neue Ideen darstellen. Eine Verwaisungsquote über 15 % deutet allerdings entweder auf uneinheitliches Erfassen hin (Notizen, die nicht zu Ihrer Wissensdomäne passen) oder auf Qualitätsprobleme der Einbettungen.

Verwaisungsquote in meinem Vault: rund 8 %. Die meisten verwaisten Notizen sind rohe Notizfragmente im Eingang, die noch nicht zu strukturierten Notizen verarbeitet wurden. Ohne den Eingang fällt die Quote auf 3 % — verarbeitete Notizen fügen sich also gut in die bestehende Topologie ein.

Was die Cluster verraten

Die Visualisierung oben verwendet 500 zufällig gezogene Abschnitte aus meinem Vault. Die Cluster bilden reale intellektuelle Nachbarschaften ab.

Der Knotenpunkt KI & ML (26 % der Abschnitte) ist das dichteste Cluster. Claude Code-Architektur, Entwurfsmuster für Agenten, LLM-Forschungsarbeiten und Techniken des Prompt Engineering bilden eine eng gefügte Nachbarschaft. Die Dichte spiegelt das Volumen wider: Zu KI und ML lese und erfasse ich mehr als zu jeder anderen Kategorie. Dichte bringt zudem einen Vorteil bei der Suchqualität – Anfragen in dieser Domäne liefern hochrelevante Ergebnisse, weil der Einbettungsraum gut besiedelt ist.

Der Knotenpunkt Design (14 %) liegt in einiger Entfernung von KI & ML. Typografiesysteme, Farbwissenschaft, Muster für UI-Komponenten und visuelle Designreferenzen bilden ein eigenes Cluster. Die Trennung ist stimmig: Design und KI-Engineering verwenden unterschiedliche Vokabulare, unterschiedliche Denkrahmen und unterschiedliche Bewertungskriterien. Sie bedeutet allerdings auch, dass Anfragen wie „Wie sollte Agentenausgabe für die Prüfung durch Entwickler formatiert sein?“ in die Lücke zwischen beiden Clustern fallen und Ergebnisse von der einen oder der anderen Seite liefern, selten aber aus der Schnittmenge.

Der Knotenpunkt Entwicklung (10 %) überlappt stärker mit KI & ML als mit Design. FastAPI-Muster, Datenbankdesign und SwiftUI-Architektur teilen konzeptuelles Vokabular mit den Notizen zum KI-Engineering (beide handeln von Code, Architektur, Testing). Aus dieser Vokabularüberschneidung entsteht eine Mischzone, in der Notizen zu DevOps für Agenten und Infrastruktur für KI zu Hause sind.

Der Halo des Eingangs (28 %) umgibt alles. Rohe Notizfragmente, unsortierte Signale und unverarbeitete Lesezeichen bilden eine spärliche Wolke mit schwachen Verbindungen zu den etablierten Clustern. Die Pipeline zur Signalbewertung, die den Eingang von 14.771 auf 5.886 Notizen reduziert hat, hat vor allem aus diesem Halo aussortiert: Notizen mit geringer Ähnlichkeit zu allen etablierten Clustern.

Das Cluster Inspiration (6 %) nimmt eine Position zwischen Design und Eingang ein. Referenzen zu kinetischer Typografie, Studien zu Motion Design und erfasste bildende Kunst bilden eine lose Nachbarschaft. Das Cluster existiert, weil ich visuelle Inspiration beständig erfasse, diese Fundstücke aber selten zu strukturierten Notizen verarbeite. Darin zeigt sich ein Muster: Ich konsumiere visuelle Inspiration in der Breite, produziere eigene Designarbeit aber nur in einem schmalen Ausschnitt. Die Kluft zwischen Konsum und Produktion wird in der Topologie sichtbar als Cluster mit hoher eingehender Dichte (Fundstücke), aber wenigen ausgehenden Verbindungen (Notizen, die auf der Inspiration aufbauen).

Die Brücken zwischen den Clustern sind die interessantesten Merkmale. Die dünnste Brücke verbindet Design und Entwicklung: Bei rund 1,4 % der Notizen des kleineren Clusters liegen nächste Nachbarn in beiden Clustern. Zum Vergleich: Die Brücke von KI zu Entwicklung liegt bei 8,3 % — ein Spiegel dessen, wie stark meine Entwicklungsarbeit von KI-Infrastruktur durchzogen ist. Die Brückendichte sagt voraus, wo neuartige Arbeit entsteht. Mein Beitrag von Boids zu Agenten ging aus einer Brückennotiz hervor, die Forschung zu emergentem Verhalten (Cluster KI & ML) mit der Implementierung eines Schwarmalgorithmus (Cluster Entwicklung) verband. Ohne diese Brücke wären die beiden Notizbestände nie aufeinandergeprallt.

Die Topologie prägt auch die Qualität des Abrufs. Der hybride Retriever, der meine Vault-Suche antreibt, kombiniert Stichwortabgleich per BM25 mit Vektorähnlichkeit — wie wirksam er ist, hängt jedoch von der zugrunde liegenden Clusterstruktur ab. Anfragen, die in dichten Clustern landen, liefern präzise Ergebnisse; Anfragen, die zwischen die Cluster fallen, brauchen BM25 als Rückfallebene, um die Lücke zu überbrücken.

Neben dem Vault existiert eine zweite Einbettungsdatenbank: die Suchdatenbank für die Werkzeugkette mit 4.518 Abschnitten aus 653 Dateien.⁵ Deren Topologie sieht völlig anders aus: ein einziges dichtes Cluster (Claude Code-Konfiguration) mit kleinen Satellitenclustern für Tests, Hooks und Skills. Für eine Werkzeugkette funktioniert diese Monokultur-Topologie, weil eine Werkzeugkette einen einzigen Zweck hat. Bei einem Wissens-Vault wäre eine Monokultur-Topologie ein Warnsignal.

Ihre Topologie umformen

Die Topologie liegt nicht fest. Vier bewusste Handlungen formen die Wissensstruktur um.

Schreiben Sie Brückennotizen. Fehlen zwischen zwei Clustern die Verbindungen, schreiben Sie Notizen, die Konzepte über die Clustergrenze hinweg ausdrücklich verknüpfen. Meine Brücke von Design zu KI ist dünn, weil ich selten über die Gestaltung von Agentenoberflächen schreibe. Eine Notiz mit dem Titel „UX-Muster für Agentenausgaben“, die sowohl Gestaltungsprinzipien als auch Forschung zur Agentenarchitektur zitiert, würde einen Brückenpunkt schaffen.

Spüren Sie verwaiste Notizen auf. Führen Sie monatlich einen Scan auf verwaiste Notizen durch und entscheiden Sie: integrieren, archivieren oder löschen. Verwaiste Notizen mit Ideen im Frühstadium sollten über Brückennotizen an bestehende Cluster angebunden werden. Verwaiste Notizen, die einmalige Referenzen sind, können ins Archiv.

Überwachen Sie nach dem Kuratieren. Messen Sie vor und nach jeder größeren Kuratierung (Löschen, Archivieren, Filtern) die Cluster-Konnektivität. Sinkt die Brückendichte zwischen den Clustern, hat die Kuratierung Brückennotizen entfernt, die zu erhalten gewesen wären.

Lesen Sie an den Rändern. Die wertvollste Lektüre liegt nicht tiefer in Ihrem dichtesten Cluster. Sie liegt an den Rändern zwischen den Clustern. Ein Aufsatz, der KI-Engineering und visuelles Design verbindet, erzeugt mehr neuartige Verbindungen als ein weiterer, der das ohnehin dichte KI-Cluster vertieft.

Die wichtigsten Erkenntnisse

• Einbettungsräume geben Wissenssammlungen eine Form. Diese Form zeigt die intellektuelle Topologie: wo Sie Aufmerksamkeit bündeln, wo Sie sie meiden und wo Ideen über Domänengrenzen hinweg zusammenfinden.
• Drei Topologien, drei Fehlermuster. Zentralisiert ist brüchig. Dezentralisiert fragmentiert ohne Brückennotizen. Verteilt ist teuer im Unterhalt, aber am reichhaltigsten für die Navigation.
• Phasenübergänge machen Kuratierung nichtlinear. Notizen unterhalb einer Schwelle zu entfernen, berührt die Struktur kaum. An der Schwelle bricht die Funktion zusammen. Brückennotizen müssen vor jeder größeren Kuratierung identifiziert und geschützt werden.
• Der Halo des Eingangs ist die Grenzzone des Kuratierens. Rohe Notizfragmente bilden eine spärliche Wolke um die etablierten Cluster. Die Signalbewertung filtert den Halo, aber erst die Topologie zeigt, ob das Filtern Brückenverbindungen bewahrt oder zerstört hat.
• Lesen Sie an den Rändern. Die wertvollsten Notizen verbinden Cluster, sie vertiefen sie nicht. Die Erkennung verwaister Notizen und Kennzahlen zur Brückendichte geben die Leseprioritäten vor.

FAQ

Quellen