Dein erstes AI & Automation Lab

Ziel: In ca. 60 Minuten baust du dir auf deinem Laptop ein eigenes AI-Chat-System und eine Automationsplattform — mit einem leistungsstarken KI-Modell aus der IONOS Cloud.

Was du am Ende hast:

Zugriff auf ein leistungsstarkes Large Language Model (Mistral Small 24B) über die IONOS Cloud
Eine Chat-Oberfläche im Browser, die aussieht wie ChatGPT
Eine Automationsplattform (n8n), die das LLM automatisiert nutzen kann
Grundverständnis für Docker, LLMs und Workflow-Automation

Teil 0 — System vorbereiten und Benutzer einrichten (10 Min.)

Bevor es losgeht, bringen wir das System auf den neuesten Stand und installieren die nötigen Grundlagen. Melde dich dazu zunächst als Root oder mit einem bestehenden Administrator-Account an.

Schritt 1: System aktualisieren

apt update && apt upgrade -y

apt update — aktualisiert die Liste aller verfügbaren Softwarepakete. Dein System weiß danach, welche Programme in welchen Versionen verfügbar sind — es wird aber noch nichts installiert oder geändert.
&& — bedeutet "und danach". Der zweite Befehl wird nur ausgeführt, wenn der erste erfolgreich war.
apt upgrade -y — installiert die neuesten Versionen aller bereits installierten Pakete. Das -y beantwortet alle Rückfragen automatisch mit "Ja", damit du nicht jedes Update einzeln bestätigen musst.

Schritt 2: curl installieren

apt install curl -y

apt install — installiert ein neues Softwarepaket.
curl — ein Kommandozeilen-Werkzeug, das Dateien aus dem Internet herunterladen kann. Wir brauchen es gleich, um das Docker-Installationsskript herunterzuladen.
-y — wie oben: automatisch mit "Ja" bestätigen.

Schritt 3: Zeitzone setzen

timedatectl set-timezone Europe/Berlin

timedatectl — ein Werkzeug zur Verwaltung der Systemzeit und Zeitzone.
set-timezone Europe/Berlin — stellt die Zeitzone auf Mitteleuropäische Zeit (MEZ/MESZ). Das ist wichtig, damit Zeitstempel in Logs und zeitgesteuerte Workflows (z.B. in n8n) die richtige Uhrzeit verwenden.

Teil 1 — Docker installieren (10 Min.)

Schritt 1: Docker herunterladen und installieren

curl -fsSL https://get.docker.com -o get-docker.sh
sh get-docker.sh

curl -fSL https://get.docker.com — lädt das offizielle Docker-Installationsskript herunter.
- -f — schlägt bei HTTP-Fehlern leise fehl (statt eine Fehlerseite herunterzuladen).
- -s — "silent", unterdrückt den Fortschrittsbalken.
- -S — zeigt trotzdem Fehlermeldungen an (in Kombination mit -s).
- -L — folgt automatisch Weiterleitungen (falls die URL auf eine andere Adresse umleitet).
-o get-docker.sh — speichert die heruntergeladene Datei unter dem Namen get-docker.sh.
sh get-docker.sh — führt das heruntergeladene Skript aus. Es erkennt automatisch dein Betriebssystem und installiert Docker mit allen nötigen Abhängigkeiten.

Schritt 2: Docker Compose Plugin installieren

apt install docker-compose-plugin -y

docker-compose-plugin — installiert Docker Compose als Plugin für Docker. Docker Compose ermöglicht es, mehrere Container mit einer einzigen Konfigurationsdatei zu starten und zu verwalten.

Schritt 3: Docker Compose Version prüfen

docker compose version

Du solltest eine aktuelle Version sehen (z.B. v2.x.x).

Teil 2 — Alles starten mit Docker Compose (10 Min.)

Statt jeden Dienst einzeln zu starten, beschreiben wir alles in einer einzigen Datei. Docker Compose liest diese Datei und startet alle Services automatisch — mit den richtigen Einstellungen, Verbindungen und Abhängigkeiten.

Schritt 1: Projektordner anlegen

mkdir ~/ai-lab && cd ~/ai-lab

mkdir — steht für "make directory" und erstellt einen neuen Ordner.
~/ai-lab — die Tilde ~ ist eine Abkürzung für dein Home-Verzeichnis (z.B. /home/praktikant). Der Ordner heißt also ai-lab und liegt direkt in deinem Benutzerordner.
cd — steht für "change directory" und wechselt in den angegebenen Ordner. Danach bist du "drin" und alle weiteren Befehle beziehen sich auf diesen Ordner.

Schritt 2: Docker-Compose-Datei erstellen

nano docker-compose.yml

nano — ein einfacher Texteditor im Terminal. Er öffnet sich direkt im selben Fenster. Bedienung: Tippen zum Schreiben, Ctrl + O zum Speichern, Ctrl + X zum Schließen.
docker-compose.yml — der Dateiname, den Docker Compose automatisch sucht. .yml (auch .yaml) ist ein Dateiformat für strukturierte Konfigurationen — ähnlich wie eine Einkaufsliste mit Einrückungen statt Klammern.

Füge folgenden Inhalt ein (mit Rechtsklick → Einfügen):

services:
# "services" ist der Hauptblock — hier werden alle Container definiert,
# die zusammen gestartet werden sollen.
# (Hinweis: "version:" wird seit Docker Compose v2 nicht mehr benötigt.)

  # =====================================================
  # OPEN WEBUI — Die Chat-Oberfläche (sieht aus wie ChatGPT)
  # =====================================================
  open-webui:
    image: ghcr.io/open-webui/open-webui:main
    # Dieses Image kommt von GitHub Container Registry (ghcr.io)
    # statt Docker Hub — einfach ein anderer "App Store".
    # ":main" bedeutet: die neueste Version vom Hauptzweig.
    container_name: open-webui
    ports:
      - "3000:8080"
    # Der Container läuft intern auf Port 8080, aber wir leiten
    # auf Port 3000 weiter. Im Browser also: localhost:3000

    env_file:
      - /root/.token   # 👈 Token wird von hier geladen

    environment:
      - OPENAI_API_BASE_URL=https://openai.inference.de-txl.ionos.com/v1
      # Die URL der IONOS AI Model Hub API. Open WebUI spricht
      # das OpenAI-kompatible Protokoll — deshalb können wir die
      # IONOS-API direkt als "OpenAI-Endpunkt" eintragen.
      - OPENAI_API_KEY=eyJ0eXAiOiJKV1QiLCJraWQiOiJiYTEzNzY2Mi00NmRkLTQzMTMtYjAzYy0yYTNmNDMyY2FlZmIiLCJhbGciOiJSUzI1NiJ9.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.KemmxzRAAFHVV5PMwWrkLkBwGTJ15ALFoV9pmcwjOKfG7AzggiGVh2HY5wyL-_uVmwWxXi4ZP9_O7VyWmOtv2UIeWAQzmxHjOGxqR0rISUxYFCkVTax5qtVEmFEJgOYeDVO4rmwg3TaKGCKkYsY-NCiIBXhrQpUEyK0AUOQiqeiKPWxX3JV-ry5qw8P_Qoz5fPvxEPg8sbjFecImEit_L19cSKctCvuEYaO7mdGjRW9QcpTUVUccVwzrFumhVKAuo7vQZJGUtKYJ1nh9Pl86gAjrornutFZTzsch-utu4zgxcufYm6guMJpCna9-To64lqeEK9-6sayZGj74jAo1QQ
      # DerOPENAI_API_KEY API-Schlüsselwird für die IONOS Cloud. Das ist ein
      # sogenanntes Bearer-Token (JWT), das dich gegenüber
      #aus der IONOS-API.token authentifiziert.Datei Ohne diesen Schlüssel
      # lehnt die API alle Anfragen ab.gezogen

    volumes:
      - webui_data:/app/backend/data
    restart: unless-stopped
    # Startet den Container automatisch neu, falls er abstürzt —
    # außer du stoppst ihn bewusst mit "docker compose down".

  # =====================================================
  # N8N — Automationsplattform: Workflows per Drag & Drop
  # =====================================================
  n8n:
    image: docker.n8n.io/n8nio/n8n
    # Das offizielle n8n-Image aus der eigenen n8n-Registry.
    # n8n hat seine Images von Docker Hub auf eine eigene
    # Registry (docker.n8n.io) umgezogen — das ist die
    # aktuelle und empfohlene Quelle.
    container_name: n8n
    ports:
      - "5678:5678"
    # n8n läuft auf Port 5678 — das ist der Standard-Port.
    volumes:
      - n8n_data:/home/node/.n8n
    # Hier speichert n8n deine erstellten Workflows,
    # Zugangsdaten (Credentials) und Ausführungsprotokolle.
    environment:
      - GENERIC_TIMEZONE=Europe/Berlin
      # Setzt die Zeitzone. Wichtig für zeitgesteuerte
      # Workflows (z.B. "Jeden Morgen um 9 Uhr ausführen"),
      # damit die richtige Uhrzeit verwendet wird.
      - N8N_SECURE_COOKIE=false
      # Deaktiviert HTTPS-Pflicht für Cookies. Nötig, weil wir
      # lokal über http:// (nicht https://) arbeiten.
      # In einer Produktivumgebung sollte das auf true stehen
      # und HTTPS konfiguriert sein.
      - N8N_RUNNERS_ENABLED=true
      # Aktiviert den neuen Task-Runner von n8n. Dieser führt
      # JavaScript/Python-Code in Nodes sicher in einem
      # separaten Prozess aus — sicherer und stabiler als
      # die alte Methode.
      - WEBHOOK_URL=http://ip-des-containers:5678/
    restart: unless-stopped

# =====================================================
# VOLUMES — Persistente Speicherbereiche
# =====================================================
volumes:
  webui_data:
  n8n_data:
# Hier werden die Volumes "registriert". Docker erstellt dafür
# automatisch Speicherbereiche auf deiner Festplatte.
# Solange du diese Volumes nicht löschst, bleiben alle deine
# Chat-Verläufe und Workflows erhalten — auch wenn
# du die Container stoppst und neu startest.

Speichern mit Ctrl + O, Enter, dann schließen mit Ctrl + X.

Was ist hier anders als bei einer lokalen KI? Statt ein KI-Modell auf deinem Rechner laufen zu lassen (was viel RAM und eine starke GPU braucht), nutzen wir die IONOS AI Model Hub API. Das ist ein Cloud-Dienst, der leistungsstarke KI-Modelle bereitstellt und über eine standardisierte Schnittstelle (OpenAI-kompatibel) erreichbar ist. Dein Laptop schickt die Fragen über das Internet an IONOS, und IONOS schickt die Antworten zurück. Der Vorteil: Du kannst ein viel größeres und schlaueres Modell nutzen (Mistral Small mit 24 Milliarden Parametern), als dein Laptop jemals lokal berechnen könnte.

Schritt 3: Alles starten

docker compose up -d

docker compose up — liest die docker-compose.yml im aktuellen Ordner, lädt alle nötigen Images herunter und startet die Container.
-d — steht für "detached" (losgelöst). Die Container laufen im Hintergrund, sodass du das Terminal weiter nutzen kannst. Ohne -d würden die Logs direkt im Terminal angezeigt und du könntest nichts anderes mehr tippen.

Docker lädt jetzt die Container herunter. Das dauert beim ersten Mal einige Minuten — hol dir einen Kaffee ☕

Schritt 4: Prüfen ob alles läuft

docker ps

docker ps — zeigt alle aktuell laufenden Container an. ps steht für "process status". Du siehst eine Tabelle mit Container-Namen, Status, Ports und Laufzeit.

Du solltest zwei Container sehen: open-webui und n8n.

Teil 3 — Verbindung zur KI testen und chatten (10 Min.)

Schritt 1: API-Verbindung testen

Bevor wir die Chat-Oberfläche öffnen, prüfen wir kurz, ob die Verbindung zur IONOS-API funktioniert:

curl -s https://openai.inference.de-txl.ionos.com/v1/models \
  -H "Authorization: Bearer eyJ0eXAiOiJKV1QiLCJraWQiOiJiYTEzNzY2Mi00NmRkLTQzMTMtYjAzYy0yYTNmNDMyY2FlZmIiLCJhbGciOiJSUzI1NiJ9.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.KemmxzRAAFHVV5PMwWrkLkBwGTJ15ALFoV9pmcwjOKfG7AzggiGVh2HY5wyL-_uVmwWxXi4ZP9_O7VyWmOtv2UIeWAQzmxHjOGxqR0rISUxYFCkVTax5qtVEmFEJgOYeDVO4rmwg3TaKGCKkYsY-NCiIBXhrQpUEyK0AUOQiqeiKPWxX3JV-ry5qw8P_Qoz5fPvxEPg8sbjFecImEit_L19cSKctCvuEYaO7mdGjRW9QcpTUVUccVwzrFumhVKAuo7vQZJGUtKYJ1nh9Pl86gAjrornutFZTzsch-utu4zgxcufYm6guMJpCna9-To64lqeEK9-6sayZGj74jAo1QQ" | head -20

curl -s — ruft die URL leise (ohne Fortschrittsbalken) auf.
-H "Authorization: Bearer ..." — sendet den API-Schlüssel als HTTP-Header mit. So weiß IONOS, dass du berechtigt bist.
| head -20 — zeigt nur die ersten 20 Zeilen der Antwort an, damit die Ausgabe übersichtlich bleibt.

Du solltest eine Liste der verfügbaren Modelle sehen. Wenn eine Fehlermeldung kommt, prüfe deine Internetverbindung.

Hintergrund: Ein LLM (Large Language Model) ist das Herzstück hinter ChatGPT & Co. Es versteht Text und erzeugt Text. Statt es lokal auf deinem Rechner laufen zu lassen, nutzen wir hier einen Cloud-Dienst von IONOS, der das Modell auf leistungsstarken Servern in Deutschland betreibt. Deine Daten bleiben dabei in der EU.

Schritt 2: Chat-Oberfläche öffnen

Öffne im Browser: http://localhost:3000

Was ist localhost? Das ist die Adresse deines eigenen Computers. localhost:3000 bedeutet: "Verbinde dich mit dem Dienst auf meinem eigenen Rechner, der auf Port 3000 lauscht." Dort wartet Open WebUI.

Erstelle einen lokalen Account (bleibt alles nur auf deinem Rechner)
Wähle oben das Modell mistralai/Mistral-Small-24B-Instruct aus
Stell eine Frage!

💡 Probier mal diese Prompts:

Erkläre mir Docker in 3 Sätzen, als wäre ich 10 Jahre alt.
Was ist der Unterschied zwischen einer VM und einem Container?
Schreibe mir ein kurzes Python-Skript, das "Hallo Welt" ausgibt.

🎉 Glückwunsch! Du hast gerade dein eigenes Chat-System mit einem leistungsstarken KI-Modell aufgebaut.

Teil 4 — Dein erster Automations-Workflow in n8n (20 Min.)

Jetzt verbinden wir das LLM mit einer Automation. n8n ist eine visuelle Plattform, in der du per Drag & Drop "Nodes" (Bausteine) zu einem Workflow verbindest — wie eine Kette, durch die Daten fließen.

Schritt 1: n8n öffnen

Öffne im Browser: http://localhost:5678

Beim ersten Mal: Erstelle einen lokalen Account (nur auf deinem Rechner).

Die n8n-Oberfläche ist auf Englisch — n8n unterstützt offiziell nur Englisch. In dieser Anleitung verwenden wir daher durchgehend die englischen Bezeichnungen.

Schritt 2: IONOS API als Credential einrichten

Bevor wir einen Workflow bauen, sagen wir n8n einmal, wo unser KI-Modell erreichbar ist. Das muss nur einmal gemacht werden — danach können alle Workflows darauf zugreifen.

Gehe oben linsk auf das plus und wähle "Credentials"
Klicke auf "Add Credential"
Suche nach "OpenAI" → auswählen
Im Feld API Key trägst du den folgenden Token ein:

eyJ0eXAiOiJKV1QiLCJraWQiOiJiYTEzNzY2Mi00NmRkLTQzMTMtYjAzYy0yYTNmNDMyY2FlZmIiLCJhbGciOiJSUzI1NiJ9.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.KemmxzRAAFHVV5PMwWrkLkBwGTJ15ALFoV9pmcwjOKfG7AzggiGVh2HY5wyL-_uVmwWxXi4ZP9_O7VyWmOtv2UIeWAQzmxHjOGxqR0rISUxYFCkVTax5qtVEmFEJgOYeDVO4rmwg3TaKGCKkYsY-NCiIBXhrQpUEyK0AUOQiqeiKPWxX3JV-ry5qw8P_Qoz5fPvxEPg8sbjFecImEit_L19cSKctCvuEYaO7mdGjRW9QcpTUVUccVwzrFumhVKAuo7vQZJGUtKYJ1nh9Pl86gAjrornutFZTzsch-utu4zgxcufYm6guMJpCna9-To64lqeEK9-6sayZGj74jAo1QQ

Im Feld Base URL trägst du ein:

https://openai.inference.de-txl.ionos.com/v1

Klicke auf "Save"

Warum "OpenAI" als Credential? Die IONOS AI Model Hub API ist OpenAI-kompatibel. Das bedeutet, sie spricht das gleiche Protokoll wie die OpenAI-API. Deshalb können wir in n8n einfach die OpenAI-Credential verwenden und nur die Base URL auf die IONOS-Adresse ändern. n8n merkt keinen Unterschied — es denkt, es spricht mit OpenAI, aber die Anfragen gehen an IONOS.

Schritt 3: Neuen Workflow erstellen

Gehe oben linsk auf das plus und wähle "Create new workflow".

Schritt 4: Workflow zusammenbauen

Wir bauen einen Chat-Workflow: Du schreibst eine Nachricht → das LLM antwortet dir — direkt in n8n als Chat-Oberfläche.

Node 1: Chat Trigger

Klicke auf das + in der Mitte
Suche "Chat Trigger" → auswählen

Die Standardeinstellungen kannst du so lassen. Der Chat Trigger öffnet ein Chat-Fenster direkt in n8n, über das du mit dem LLM sprechen kannst.

Was ist ein Chat Trigger? Jeder Workflow braucht einen Auslöser — das Ereignis, das die Kette startet. Der "Chat Trigger" startet den Workflow jedes Mal, wenn du eine Nachricht im Chat-Fenster abschickst. Du bekommst eine richtige Chat-Oberfläche, ähnlich wie bei ChatGPT.

Node 2: AI Agent

Klicke auf das + rechts vom Chat Trigger
Suche "AI Agent" → auswählen

Die Standardeinstellungen passen für unseren Zweck. Optional kannst du unter Add Option im Feld System Message unter eine Rollenbeschreibung eintragen, z.B.:

Du bist ein hilfreicher Assistent. Antworte immer auf Deutsch.

Was ist ein AI Agent? Der AI Agent ist n8n's zentraler Baustein für KI-Workflows. Er nimmt die Nachricht vom Chat Trigger entgegen, leitet sie an das Sprachmodell weiter und gibt die Antwort zurück. Ein Agent kann auch "nachdenken" und Werkzeuge (Tools) nutzen — z.B. im Internet suchen oder Berechnungen durchführen. Für den Anfang nutzen wir ihn ohne Tools als reinen Chat-Assistenten.

Node 3: OpenAI Chat Model (Sub-Node)

Jetzt verbinden wir den AI Agent mit dem IONOS-Modell:

Klicke auf den AI Agent Node, um ihn zu öffnen
Du siehst unten am Node einen Connector-Punkt mit der Beschriftung "Model" — klicke auf das + daneben
Suche "OpenAI Chat Model" → auswählen
Im Feld Credential to connect with wähle die OpenAI-Credential aus, die du in Schritt 2 erstellt hast
Im Feld Model wähle aus der Dropdown-Liste mistralai/Mistral-Small-24B-Instruct aus

Was ist ein Sub-Node? n8n unterscheidet zwischen normalen Nodes (die in der Kette liegen) und Sub-Nodes (die an einen anderen Node "angedockt" werden). Der OpenAI Chat Model ist ein Sub-Node — er wird nicht in den Datenfluss eingereiht, sondern an den AI Agent angehängt, um ihm zu sagen: "Nutze dieses Sprachmodell." Das ist wie ein Werkzeug, das du dem Agenten in die Hand gibst.

Schritt 5: Workflow testen!

Klicke oben auf "Chat" (das Sprechblasen-Symbol) — es öffnet sich ein Chat-Fenster
Schreibe eine Nachricht, z.B.: Erkläre mir Docker in 3 Sätzen, als wäre ich 10 Jahre alt.
Warte kurz — deine Nachricht wird an die IONOS Cloud gesendet und das Modell antwortet
Die Antwort erscheint direkt im Chat!

💡 Probier diese Fragen im Chat:

Was ist der Unterschied zwischen einer VM und einem Container?
Schreibe mir ein kurzes Python-Skript, das "Hallo Welt" ausgibt.
Was sind die wichtigsten Vorteile von Workflow-Automation?

🎉 Du hast gerade deine erste KI-Automation gebaut — mit einer richtigen Chat-Oberfläche!

Teil 5 — Bonus-Challenges (wenn noch Zeit ist)

Challenge 1: Anderes Modell testen

Die IONOS AI Model Hub bietet mehrere Modelle an. Probiere ein anderes aus, indem du in Open WebUI oben das Modell wechselst. Verfügbare Modelle sind z.B.:

meta-llama/Llama-3.3-70B-Instruct — Metas großes 70B-Modell, sehr hohe Antwortqualität
mistralai/Mistral-Nemo-Instruct-2407 — ein kleineres 12B-Modell von Mistral, schnellere Antworten

Vergleiche die Antworten verschiedener Modelle auf die gleiche Frage!

Challenge 2: n8n-Workflow erweitern

Ändere das Modell im OpenAI Chat Model Sub-Node auf meta-llama/Llama-3.3-70B-Instruct
Teste die gleichen Fragen erneut und vergleiche die Antworten mit Mistral Small
Probiere verschiedene System Messages aus, z.B.:

Du bist ein Experte für die Pharmaindustrie. Erkläre alles einfach und verständlich.

Challenge 3: Eigenes System-Prompt

Ändere die System Message im AI Agent Node zu:

Du bist ein Experte für die Pharmaindustrie. Erkläre das folgende Thema einfach und verständlich: Was ist ein ERP-System?

Was ist ein System-Prompt? Das ist die "Rollenbeschreibung" für das LLM. Du sagst ihm damit, wer es sein soll und wie es antworten soll — bevor es die eigentliche Frage bekommt. In Unternehmen werden System-Prompts genutzt, um KI-Assistenten auf bestimmte Aufgaben zu spezialisieren.

🧠 Was du gelernt hast

Thema	Was du gemacht hast
Linux-Basics	System aktualisiert, Pakete installiert, Zeitzone gesetzt
Docker	Docker installiert, Container gestartet, Docker Compose genutzt, Services verwaltet
KI-API	Über die IONOS AI Model Hub API ein LLM per OpenAI-kompatibler Schnittstelle angebunden
LLM	Ein KI-Modell (Mistral Small 24B) über die Cloud genutzt und im Chat getestet
Automation	Einen n8n-Workflow gebaut, der ein LLM als Chat-Assistenten nutzt
AI Agent	Einen AI Agent mit OpenAI Chat Model und Chat Trigger konfiguriert

🔧 Nützliche Befehle zum Nachschlagen

Befehl	Was er tut
`docker ps`	Zeigt laufende Container (ps = process status)
`docker ps -a`	Zeigt alle Container, auch gestoppte
`docker compose up -d`	Startet alle Services im Hintergrund
`docker compose down`	Stoppt alle Services und entfernt die Container
`docker compose logs -f`	Zeigt Live-Logs aller Container (-f = follow, folgt neuen Einträgen)
`docker compose logs -f open-webui`	Zeigt Live-Logs nur von Open WebUI
`docker stats`	Zeigt CPU- und RAM-Verbrauch aller Container live

❓ Troubleshooting

Open WebUI zeigt kein Modell an? → Prüfe ob die Umgebungsvariablen OPENAI_API_BASE_URL und OPENAI_API_KEY in der docker-compose.yml korrekt eingetragen sind. → Starte den Container neu: docker compose restart open-webui

Open WebUI zeigt einen Fehler bei der Modellauswahl? → Der API-Token könnte abgelaufen sein. Frage deinen Kursleiter nach einem neuen Token.

n8n Chat zeigt keine Antwort / AI Agent schlägt fehl? → Prüfe ob die OpenAI-Credential korrekt eingerichtet ist: Base URL muss https://openai.inference.de-txl.ionos.com/v1 sein. → Prüfe ob das Modell mistralai/Mistral-Small-24B-Instruct im OpenAI Chat Model Node korrekt eingetragen ist. → Prüfe ob der API-Token noch gültig ist.

"Unauthorized" oder "401" Fehler? → Der API-Token ist abgelaufen oder ungültig. Frage nach einem neuen Token.

Docker-Befehle brauchen sudo? → Du hast dich nach usermod nicht neu angemeldet. Einmal ausloggen und wieder einloggen.

"Permission denied" bei docker compose? → Prüfe mit groups ob "docker" in deiner Gruppenliste auftaucht. Falls nicht: Schritt 4 aus Teil 1 wiederholen und neu anmelden.

Laptop wird langsam? → Mit docker stats kannst du sehen, welcher Container wie viel Ressourcen verbraucht. → Da das KI-Modell in der Cloud läuft, braucht dein Laptop deutlich weniger RAM als bei einer lokalen Installation.

Container startet nicht? → docker compose logs -f <containername> zeigt dir die Fehlermeldung des Containers.