Andrej Karpathy hat am Wochenende eine Seite veröffentlicht, die nur Videos empfiehlt, die in Hacker-News-Diskussionen über Jahre hinweg immer wieder auftauchten. Die Auswahl stammt aus 43 Millionen Kommentaren, und die eigentliche Arbeit hat ein Modell gemacht.
Was HackerTube anders macht als YouTube
Die Seite heißt HackerTube und liegt unter hackertube.org. Sie zeigt eine Liste von Videos, sortiert nach einem Kriterium, das auf YouTube nicht vorkommt: Wie oft ein Video in den vergangenen 20 Jahren von verschiedenen Menschen in den Kommentaren von Hacker News empfohlen wurde.
Hacker News ist ein Nachrichtenforum, in dem vor allem Entwickler und Gründer lesen. Wer dort einen Link postet, bekommt Antworten von Leuten, die den Inhalt meist selbst geprüft haben. Karpathy beschreibt den Auslöser in seinem Beitrag mit einem Satz: Er habe die Empfehlungen von YouTube satt gehabt. Der Beitrag hatte nach 15 Stunden mehr als 3,2 Millionen Aufrufe.
Der Unterschied liegt in der Richtung der Empfehlung. YouTube schlägt vor, was als Nächstes Aufmerksamkeit bindet. HackerTube schlägt vor, was eine Gruppe von Lesern über Jahre hinweg für wertvoll hielt, ohne dass ein Empfehlungssystem daran verdient.
Die drei Regeln hinter HackerTubes 6454 Videos
Der Filter ist der interessante Teil, nicht die Oberfläche. Aus allen Kommentaren zwischen 2007 und 2026 sammelte das System zunächst mehr als 100 000 verschiedene YouTube-Links.
Daraus blieben rund 7000 Videos übrig, für die drei Bedingungen gleichzeitig galten: mindestens drei verschiedene Personen, mindestens drei verschiedene Monate und ein echter Kommentar statt eines bloßen Links. Ein Video, das nur einmal viral ging, fällt damit heraus. Übrig bleibt, was über Jahre hinweg wieder auftauchte.
Danach hat Claude jeden Kommentar zusammen mit dem Titel der zugehörigen Diskussion gelesen und eingeordnet, ob der Sprecher das Video empfiehlt, zitiert, kritisiert oder nur einen Witz macht. 39 834 Kommentare wurden so etikettiert. Für jedes Video entstand eine Karte mit Zusammenfassung, einer Begründung, warum die Community es mag, einer Genrezuordnung und einer Einschätzung, ob es die Zeit überstanden hat.
Am Ende stehen 6454 Karten zu etwa 150 Themen. Die Reihenfolge richtet sich nach der Zahl der Monate, in denen ein Video empfohlen wurde, nicht nach einem einmaligen Ausschlag.
Wie Karpathy die Arbeit aufteilte
Er selbst hat nach eigener Darstellung drei Dinge erledigt, die ein Modell nicht übernehmen kann: einen API-Schlüssel bei Google Cloud beantragen, um Metadaten zu YouTube-Videos zu bekommen, einen Server mieten und eine Domain kaufen.
Alles andere lief in Claude Code auf einem Mac, mit dem Modell Opus 5.5 und mittlerer Denkstufe. Das Modell baute die Datenpipeline, die Suche, die Empfehlungen und die Seite selbst, einschließlich der Veröffentlichung. Karpathy gab ihm nur die IP-Adresse. Der Auftrag lautete: aktualisieren, absichern, deployen, beschleunigen.
Die Etikettierung der Kommentare und die Textkarten übernahm eine Gruppe von Sonnet-5.5-Agenten, die Opus koordinierte. Das ist der Punkt, an dem die Arbeitsteilung interessant wird: Ein Modell planen zu lassen und viele andere die Wiederholungen erledigen zu lassen, ist ein Muster, das auch außerhalb solcher Hobbyprojekte funktioniert.
Was im HackerTube-Datensatz steckt
Die Daten sind offen. Auf der Seite liegt ein 17,8 Megabyte großes Archiv unter der Lizenz ODC-By 1.0, exportiert am 31. Oktober 2026.
Es enthält vier Dateien: videos.jsonl mit 6454 Zeilen und 8,6 Megabyte, mentions.jsonl mit 39 834 Zeilen und 34,7 Megabyte, related.jsonl mit 3778 Zeilen sowie taxonomy.json mit den 150 Themen. Wer die Daten selbst auswerten will, findet darin jede Empfehlung mit Kommentar, Zeitpunkt und Video-ID.
Was fehlt, sind Aufrufzahlen, Längen und Beschreibungen. Die Bedingungen der YouTube-API verbieten die Weitergabe dieser Felder. Wer sie braucht, kann sie mit der Video-ID und einem eigenen, kostenlosen Schlüssel nachladen; nach Karpathys Angabe sind das etwa 130 Anfragen.
Eine Dokumentation für Agenten, nicht für Menschen
Im Archiv liegt eine Datei namens DATA.md. Sie ist nicht für Leser geschrieben, sondern für Programme: Sie erklärt, wie die Dateien zusammenhängen, wo typische Fehler lauern, wie ein Beispieldatensatz aussieht und wie man einen Nutzer durch die Beschaffung der YouTube-Metadaten führt.
Karpathys Beitrag endet mit der Aufforderung, den eigenen Claude auf diese Datei zu richten. Wer das tut, bekommt keinen fertigen Assistenten, aber einen Ausgangspunkt, an dem ein Agent die Struktur ohne Rückfragen versteht. Für Menschen ist die Datei trocken. Für ein Modell ist sie der Unterschied zwischen einem Projekt, das nach drei Rückfragen abbricht, und einem, das läuft.
Warum zwei Stunden bei HackerTube keine Wiederholung versprechen
Die Angabe, dass alles in etwa zwei Stunden entstanden ist, stammt von Karpathy selbst. Eine unabhängige Prüfung gibt es nicht, und sie wäre auch schwer zu führen, weil Zwischenschritte nicht dokumentiert sind.
Lässt sich das wiederholen? Nur teilweise. Dazu kommen Abhängigkeiten, die sich nicht kopieren lassen. Das Ergebnis hängt an einem bestimmten Modell, an einer bestimmten Oberfläche und an einem Nutzer, der wusste, welche Aufgaben er delegieren kann und welche nicht. Wer dieselbe Anweisung an ein anderes Werkzeug gibt, bekommt nicht dieselbe Seite.
Die rechtliche Seite ist ebenfalls offen. Hacker-News-Kommentare und YouTube-Metadaten haben eigene Nutzungsbedingungen, und eine Veröffentlichung als Datensatz ist nicht in jedem Fall davon gedeckt.
Was HackerTube für eigene Projekte heißt
Der lehrbare Teil ist die Zerlegung. Eine große Aufgabe wird in Schritte geteilt, die ein Modell wiederholen kann, und in Entscheidungen, die ein Mensch treffen muss. Karpathy hat genau das getan. Die Grenze hat er klar benannt: Konten, Server und Domain blieben bei ihm.
Für eigene Versuche heißt das, mit einer kleinen, klar umrissenen Aufgabe anzufangen und die Datenqualität zu prüfen, bevor die Oberfläche entsteht. Bei HackerTube war der Filter wichtiger als das Design. Ohne die drei Bedingungen wäre aus 100 000 Links eine beliebige Liste geworden.
Wer die Seite öffnet, sieht am Ende eine Sammlung von Videos, die über Jahre hinweg von Menschen empfohlen wurden, die nichts davon hatten, sie zu empfehlen. Das ist ein anderes Versprechen als das eines Algorithmus, der auf Klicks optimiert.
