Wenn ich mit einer KI an einer wiederkehrenden Aufgabe arbeite, möchte ich beim nächsten Gespräch darauf aufbauen können. Welche Entscheidungen haben wir getroffen? Wie soll die Aufgabe bearbeitet werden? Wo steht die aktuelle Fassung?
Dafür nutze ich ein Playbook-System. Eine kurze Anweisung beschreibt die Zusammenarbeit. Ein Index zeigt, welche Dateien für welche Aufgabe gebraucht werden. Eine gemeinsame Arbeitsweise legt fest, wie recherchiert, geprüft und weiterentwickelt wird. Fachplaybooks beschreiben die konkreten Abläufe. Memory ergänzt frühere Entscheidungen und Erfahrungen.
Das lässt sich mit einer zugänglichen Dateiablage aufbauen. In meiner aktuellen Arbeitsweise liegen die vollständigen Dokumente auf GitHub. Dazu nutze ich ein externes Memory-System. Entscheidend ist, dass die KI die passenden Grundlagen tatsächlich lesen kann und Ergebnisse dort speichert, wo wir später weiterarbeiten.
Die Bausteine haben unterschiedliche Aufgaben#
| Baustein | Was dort steht | Wofür er gebraucht wird |
|---|---|---|
| Kurze Anweisung | Arbeitsregeln und Einstieg in das System | Damit die KI weiß, wie sie einen Auftrag angeht |
| Index | Dateien, Zweck, Einsatz und Status | Damit sie den passenden Kontext findet |
| Gemeinsame Arbeitsweise | Recherche, Qualität, Rückfragen, Freigaben und Lernen | Damit dieselbe Methode über Themen hinweg gilt |
| Fachplaybook | Eingaben, Ablauf, Entscheidungspunkte, Quellen und Ergebnisprüfung | Damit eine wiederkehrende Aufgabe nachvollziehbar bearbeitet wird |
| Projektdateien | Aktuelle Fakten, Konzepte, Entwürfe und Arbeitsstände | Damit die Aufgabe den richtigen sachlichen Hintergrund erhält |
| Memory | Kurze Entscheidungen, Präferenzen, Erfahrungen und Verweise | Damit frühere Arbeit gezielt wiedergefunden wird |
Diese Funktionen brauchen nicht jeweils eine eigene Datei. Ein kleines Projekt kann mit wenigen Dokumenten auskommen. Wichtig ist, dass jede Information einen klaren Pflegeort hat.
Die kurze Anweisung führt zum richtigen Einstieg#
In meinen benutzerdefinierten Anweisungen steht, dass die KI vollständig arbeiten, Unsicherheiten prüfen und nur bei entscheidenden Lücken nachfragen soll. Dazu kommt die Regel, den passenden Projektkontext zu bestimmen und die aktuellen Grundlagen zu lesen.
Ein vereinfachtes Beispiel für diesen Einstieg:
Arbeite proaktiv, kritisch und vollständig. Bestimme bei spezialisierten oder wiederkehrenden Aufgaben den passenden Kontext. Lies den Index und die gemeinsame Arbeitsweise, danach nur die benötigten Fachdateien. Nutze verfügbares Memory gezielt und gleiche es mit aktuellen Dateien ab. Speichere dauerhafte Erkenntnisse im freigegebenen Umfang und prüfe den Speichererfolg. Beantworte einfache allgemeine Fragen direkt.
Der tatsächliche Ablageort gehört dazu. „Lies meinen Index“ hilft wenig, wenn unklar ist, welcher Index gemeint ist oder wie die KI ihn erreichen kann. Die Anweisung nennt deshalb den Einstieg oder beschreibt, wie er gefunden wird. Sie stellt selbst keine Verbindung zu GitHub oder einem Memory-Dienst her.
Der Index ist die Karte des Systems#
Mein Index enthält zu jeder relevanten Datei eine kurze Erklärung: Worum geht es, wann wird sie gebraucht und ist sie aktuell oder archiviert? In einem größeren Bereich können Länge und zuständige Person oder KI dazukommen.
Angenommen, ich möchte einen Blogartikel überarbeiten. Der Index führt zur Schreibmethode, zu den passenden Vorgaben und zur bisherigen Fassung. Für eine Recherche führt er zum Rechercheverfahren und zu vorhandenem Wissen. Die KI muss dafür nicht alle anderen Projekte mitlesen.
Die Auswahl richtet sich nach dem Auftrag. Persönliche Arbeit, Unternehmen und Kunden bleiben getrennte Kontexte. Ein verfügbares Firmenprofil ist noch kein Grund, es bei einer allgemeinen Frage einzusetzen.
Die gemeinsame Arbeitsweise hält die Methode zusammen#
Bestimmte Regeln gelten bei fast jeder anspruchsvolleren Aufgabe: erst das gewünschte Ergebnis verstehen, aktuelle Quellen prüfen, notwendige Bestandteile mitdenken und das Ergebnis kontrollieren. Diese Regeln stehen einmal in der gemeinsamen Arbeitsweise.
Dort ist auch festgehalten, wie wir mit Widersprüchen umgehen. Eine alte Erinnerung kann überholt sein. Eine neue Agentenantwort kann falsch sein. Eine Nutzerpräferenz beantwortet eine andere Frage als eine fachliche Quelle. Die KI muss Herkunft, Datum und Geltung prüfen, wenn ein Konflikt für die Aufgabe relevant ist.
Die Arbeitsweise unterscheidet außerdem Besprechen, Planen und Ausführen. Ich kann einen Gedanken erzählen, ohne damit einen Bauauftrag zu erteilen. Umgekehrt soll die KI einen klaren Auftrag vollständig bearbeiten und bereits erlaubte Schritte erledigen.
Ein Playbook macht eine Aufgabe wiederholbar#
Ein Fachplaybook beschreibt, wie eine bestimmte Aufgabe bearbeitet wird. Für eine Recherche könnten darin die Fragestellung, geeignete Quellen, der Umgang mit Gegenbelegen und die gewünschte Rückgabe stehen. Für einen Blogartikel wären Zielgruppe, Aufbau, Ton, Faktenprüfung und Abschlusskontrolle relevant.
Ein brauchbares Playbook enthält:
- den Zweck und die Fälle, in denen es eingesetzt wird;
- die benötigten Eingaben und den Umgang mit fehlenden Angaben;
- den Ablauf mit den wichtigen Entscheidungen;
- die Prüfung auf Vollständigkeit und typische Fehler;
- die fachlichen Grundlagen mit Quellen und Prüfdatum;
- bestätigte Anpassungen sowie den tatsächlichen Lernstand.
Die praktische Anleitung steht vorn. Ausführliche Belege und Beispiele können weiter hinten oder in verlinkten Dateien stehen. Eine ungeprüfte Arbeitsfassung bleibt als solche erkennbar.
Playbooks entstehen bei mir aus echter Arbeit. Wenn eine Aufgabe wiederkehrt oder ein Fehler mehrfach auftritt, prüfen wir zuerst, ob ein vorhandenes Verfahren ergänzt werden kann. Für jedes neue Stichwort eine Datei anzulegen würde das System schnell unübersichtlich machen.
So läuft eine konkrete Aufgabe ab#
Nehmen wir die Überarbeitung dieses Artikels. Der Auftrag lautet: Erkläre das tatsächliche Playbook-System und ändere die dazugehörigen Blogdateien.
- Auftrag einordnen: Es geht um einen bestehenden Websiteartikel. Das gewünschte Ergebnis umfasst Text und die Änderung im Repository.
- Frühere Entscheidungen abrufen: Memory liefert relevante Hinweise zur Arbeitsarchitektur und Verweise auf die Grundlagen.
- Aktuelle Dateien lesen: Der Agent liest Index, Arbeitsweise, passende Repo-Regeln und den bisherigen Artikel. Er prüft, ob die Memory-Hinweise noch stimmen.
- Inhalt bearbeiten: Er schreibt den Artikel auf dieser Grundlage um und prüft konkrete Produktbehauptungen anhand aktueller Quellen.
- Ergebnis kontrollieren: Text, Übersetzungen und Metadaten müssen zusammenpassen. Eine Änderung auf GitHub und ein Live-Deploy sind unterschiedliche Schritte.
- Gespeicherten Stand prüfen: Der Agent liest die geänderten Dateien erneut. Eine dauerhaft nützliche Entscheidung kann als kurzer Memory-Eintrag mit Verweis festgehalten werden.
So greifen die Bausteine ineinander. Der Index findet die Unterlagen, das Playbook liefert den Ablauf und Memory bringt relevante Vorgeschichte mit.
Memory verbindet frühere Arbeit mit aktuellen Dateien#
Mit Memory meine ich in meinem Aufbau ein externes StudioMeyer-Memory, das über eine eigene Verbindung angesprochen wird. ChatGPTs eingebaute Erinnerungsfunktion ist ein separates System. Sie kann je nach Konto und Einstellungen Kontext aus früheren Gesprächen und anderen verfügbaren Quellen beitragen; sie erinnert nicht jedes Detail. Die jeweils verfügbaren Kontrollen beschreibt die OpenAI-Dokumentation zu Memory.
In meinem externen Memory bleiben bestätigte Entscheidungen, dauerhafte Präferenzen, belastbare Erfahrungen und Projektverweise kurz und suchbar. Eine kleine Rohidee kann dort mit Ideenstatus liegen. Sobald daraus ein ausgearbeitetes Konzept wird, liegt der Volltext im passenden GitHub-Bereich und Memory verweist darauf.
Zum Beispiel: Im Memory steht knapp, welche Zielgruppe für ein Projekt bestätigt wurde und wo die aktuelle Strategie liegt. Im Repository stehen die vollständige Strategie, ihre Begründung und der Arbeitsstand. Der Agent kann dadurch die richtige Datei finden und lesen.
Zu Beginn einer Arbeitssitzung nutze ich ein kurzes Briefing aus dem verfügbaren Memory und suche danach gezielt nach dem Kontext der Aufgabe. Hinweise aus dem Briefing sind keine neuen Aufträge. Auch ein als geprüft markierter Eintrag muss bei Bedarf mit aktuellen Dateien und Angaben abgeglichen werden.
Für dieses System gilt: GitHub führt die vollständige Arbeitsfassung, Memory hält kurzen Kontext und Verweise. Es gibt keine automatische Spiegelung aller Dokumente. Projektfilter helfen bei der Auswahl; Zugriffsrechte und getrennte Speicherbereiche müssen gesondert eingerichtet werden.
Das System verbessert sich durch überprüfte Erfahrungen#
Wenn ein Ergebnis danebenliegt, prüfen wir zuerst die Ursache. War der falsche Kontext geladen? War die Aufgabe unklar? War die Quelle veraltet? Fehlte ein Schritt im Playbook?
Eine bestätigte Verbesserung kommt an den zuständigen Pflegeort. Ein geänderter Ablauf gehört ins Playbook. Eine dauerhafte Präferenz oder eine belastbare Erfahrung kann zusätzlich kurz im Memory stehen. Ein einmaliger Wunsch bleibt zunächst bei dieser Aufgabe.
Neue Dateien werden nach dem Speichern erneut gelesen. Erst danach wird ihr Verweis im Index aktiviert. Bei einer Unterbrechung zählt der tatsächliche gespeicherte Stand. So kann die nächste Sitzung beim offenen Schritt weitermachen.
Das ist die Form von Lernen, die ich hier meine: nachvollziehbare Änderungen an unserer Arbeitsgrundlage. Ob eine Änderung praktisch bessere Ergebnisse liefert, muss sich in der Anwendung zeigen.
Optional: mehrere KI-Systeme über GitHub zusammenbringen#
Auf dieser Grundlage können auch mehrere KI-Systeme zusammenarbeiten. Ich nutze dafür zusätzlich einen privaten Austausch auf GitHub. Dort liegen Beiträge, Übergaben und Entscheidungen mit Herkunft und Status. Jedes System kann die freigegebenen Unterlagen lesen und mit seinen eigenen Werkzeugen arbeiten.
GitHub macht nachvollziehbar, wer welchen Vorschlag geliefert hat und welche Fassung übernommen wurde. Ein Beitrag eines anderen Agenten bleibt zunächst Material, das geprüft werden muss. Der Dateizugriff allein richtet weder automatische Läufe noch eine Synchronisation der Gedächtnisse ein.
Diese Zusammenarbeit ist eine Erweiterung. Für den Einstieg reichen eine KI, ein lesbarer Index, die gemeinsame Arbeitsweise und ein Playbook für eine echte wiederkehrende Aufgabe.
Mit einer Aufgabe anfangen und den Ablauf prüfen#
Wähle eine Aufgabe, bei der du heute immer wieder dieselben Grundlagen erklären musst. Halte ihren Ablauf und die nötigen Fakten fest. Trage die Dateien in einen kleinen Index ein und gib der KI einen eindeutigen Einstieg. Memory kannst du ergänzen, wenn der Zugriff vorhanden und sein Geltungsbereich geklärt ist.
Teste dann in einem neuen Gespräch: Findet die KI den Index? Liest sie die passenden Dateien? Nutzt sie frühere Entscheidungen im richtigen Kontext? Liefert sie das vollständige Ergebnis und prüft eine beauftragte Speicherung?
Genau daran lässt sich der Aufbau beurteilen. Er soll dir ermöglichen, mit normal formulierten Aufträgen auf gepflegter Arbeit aufzubauen. Wie gut das gelingt, zeigt die tatsächliche Nutzung.
Quellen und Einordnung#
Der beschriebene Aufbau ist unsere Arbeitsweise. Die Rollen von Index, Playbooks, GitHub und externem Memory sind bewusst gewählte Verfahren, keine Produktgarantie von OpenAI. Die privaten Arbeitsdateien werden hier als allgemeiner Ablauf erklärt.
Produktgrundlagen, geprüft am 1. Oktober 2026: ChatGPT Custom Instructions und Memory in ChatGPT. Verbindungen, Lese- und Schreibmöglichkeiten hängen von der tatsächlich verfügbaren Umgebung und ihren Berechtigungen ab.
