🚀 Dein erstes AI & Automation Lab

🚀 Dein erstes AI & Automation Lab — Linux Mint Edition

Ziel: In ca. 60 Minuten baust du dir auf deinem Laptop ein eigenes AI-Chat-System und eine Automationsplattform — mitalles einemlokal, leistungsstarkenohne KI-ModellCloud, ausohne der IONOS Cloud.Accounts.

Was du am Ende hast:

• ZugriffEin auf ein leistungsstarkeslokales Large Language Model (MistralLLM), Smalldas 24B) über die IONOS Cloud

Eine Chat-Oberflächedu im Browser,Browser diebefragen aussieht wie ChatGPTkannst Eine Automationsplattform (n8n), die das LLM automatisiert nutzen kann Grundverständnis für Docker, LLMs und Workflow-Automation

---

Teil 01 — SystemDocker vorbereiten und Benutzer einrichteninstallieren (10 Min.)

BevorDocker esist losgeht,wie bringeneine wir"App-Box": dasDu Systemlädst auffertige denSoftware-Pakete neuesten(Container) Standherunter und startest sie, ohne irgendetwas kompliziert installieren diezu nötigenmüssen. Grundlagen.Stell Meldedir dichvor, dazudu zunächstbekommst alseine Rootkomplett odereingerichtete mitvirtuelle einemMaschine bestehenden— Administrator-Accountaber an.viel kleiner und schneller.

Schritt 1: Terminal öffnen

Klicke unten in der Taskleiste auf das Terminal-Symbol oder drücke Ctrl + Alt + T.

Das Terminal ist deine "Kommandozeile". Hier tippst du Befehle ein, die der Computer direkt ausführt — ohne grafische Oberfläche. Das klingt erstmal ungewohnt, aber du wirst sehen: Für viele Aufgaben ist es schneller als Klicken.

Schritt 2: System aktualisieren

sudo apt update && sudo apt upgrade -y

Was passiert hier im Detail:

• sudo — steht für "Super User Do". Damit sagst du dem System: "Führe den folgenden Befehl mit Administrator-Rechten aus." Du wirst nach deinem Passwort gefragt.

apt — der Paketmanager von Linux. Er verwaltet Software-Installation und Updates, ähnlich wie ein App Store, aber per Kommandozeile. update — aktualisiertholt die neueste Liste aller verfügbaren Softwarepakete.Software-Pakete Deinvom SystemServer. weißEs danach,installiert welchenoch Programmenichts, insondern welchenschaut Versionennur: verfügbar"Was sind —gibt es wird aber noch nichts installiert oder geändert.Neues?" && — bedeutetverknüpft "undzwei danach".Befehle. Der zweite Befehl wird nur ausgeführt, wenn der erste erfolgreich war. apt upgrade -y — installiert dietatsächlich neuestenalle Versionenverfügbaren aller bereits installierten Pakete.Updates. Das -y beantwortetsteht alle Rückfragen automatisch mitfür "Ja",yes" damitund überspringt die Rückfrage "Möchtest du nichtwirklich jedes Update einzeln bestätigen musst.aktualisieren?".

Schritt 2:3: curlDocker installieren

sudo apt install curl -y docker.io docker-compose

• apt install — installiert einneue neuesSoftware-Pakete Softwarepaket.auf deinem System.
• curldocker.io — das eigentliche Docker-Programm. Es ermöglicht dir, Container (isolierte Mini-Umgebungen) zu starten.

docker-compose — ein Kommandozeilen-Werkzeug,Zusatztool, das Dateien ausmit dem Internetdu herunterladenmehrere kann.Container Wirgleichzeitig brauchenin eseiner gleich,einzigen umDatei dasdefinieren Docker-Installationsskriptund herunterzuladen.starten kannst. Ohne Compose müsstest du jeden Container einzeln mit langen Befehlen starten. -y — wie oben: automatisch mitwieder "Ja"yes", bestätigen.damit du nicht manuell bestätigen musst.

Schritt 3:4: ZeitzoneDocker setzenohne sudo nutzbar machen

timedatectlsudo set-timezoneusermod Europe/Berlin-aG docker $USER

• timedatectlusermod — ein WerkzeugBefehl zurzum VerwaltungÄndern dervon Systemzeit und Zeitzone.Benutzer-Einstellungen.
• set-timezone-aG Europe/Berlindocker — stelltfügt (-a = append/hinzufügen) deinen Benutzer zur Gruppe (-G = Group) namens docker hinzu. Gruppen sind wie Berechtigungs-Clubs: Wer in der Gruppe "docker" ist, darf Docker-Befehle ohne sudo ausführen.

$USER — eine Variable, die Zeitzoneautomatisch aufdeinen Mitteleuropäischeaktuellen ZeitBenutzernamen (MEZ/MESZ).enthält. Das istSystem wichtig,ersetzt damit$USER Zeitstempelbeim inAusführen Logsdurch unddeinen zeitgesteuerte WorkflowsNamen (z.B. in n8n) die richtige Uhrzeit verwenden."praktikant").

Teil

⚠️ 1Wichtig: —Danach Dockereinmal installierenab- und wieder anmelden (10oder Min.)Laptop neu starten), damit die Änderung greift. Linux liest Gruppenrechte nur beim Login ein.

Schritt 1:5: Testen ob Docker herunterladen und installierenläuft

curldocker -fsSLrun https://get.docker.com -o get-docker.sh
sh get-docker.shhello-world

• curldocker -fSL https://get.docker.comrun — lädtder wichtigste Docker-Befehl. Er macht drei Dinge auf einmal: (1) Prüft ob das offizielleImage Docker-Installationsskript"hello-world" herunter.lokal
  vorhanden ist, (2) lädt es herunter falls nicht, (3) startet einen Container daraus.

-fhello-world — schlägtein beiwinziges HTTP-FehlernTest-Image leisevon fehlDocker, (stattdas nur eine FehlerseiteErfolgsnachricht herunterzuladen).ausgibt. -sPerfekt —zum "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).Testen.

Wenn

-odu get-docker.sheine Nachricht siehst, die mit "Hello from Docker!" beginnt — 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 installiertperfekt, 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).funktioniert!

---

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.)

  # =====================================================
  # OLLAMA — Das KI-Gehirn: führt das LLM lokal aus
  # =====================================================
  ollama:
    image: ollama/ollama
    # Welches Docker-Image benutzt wird. Docker lädt es automatisch
    # von Docker Hub herunter (wie ein App Store für Container).
    container_name: ollama
    # Ein fester Name für den Container, damit wir ihn leicht
    # finden und ansprechen können (z.B. in anderen Containern).
    ports:
      - "11434:11434"
    # Port-Weiterleitung: Der Container lauscht intern auf Port 11434.
    # Wir leiten ihn auf den gleichen Port deines Laptops weiter.
    # Format: "Laptop-Port:Container-Port"
    # Du könntest also auch "9999:11434" schreiben — dann wäre
    # Ollama auf deinem Laptop unter Port 9999 erreichbar.
    volumes:
      - ollama_data:/root/.ollama
    # Ein Volume ist wie ein USB-Stick für den Container:
    # Daten bleiben erhalten, auch wenn der Container neu gestartet wird.
    # Hier werden die heruntergeladenen KI-Modelle gespeichert.
    # Ohne Volume wären die Modelle nach jedem Neustart weg!
    restart: unless-stopped
    # Startet den Container automatisch neu, falls er abstürzt —
    # außer du stoppst ihn bewusst mit "docker-compose down".

  # =====================================================
  # 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:OLLAMA_BASE_URL=http://openai.inference.de-txl.ionos.com/v1ollama:11434
    # Eine Umgebungsvariable — wie eine Einstellung für den Container.
    # Hier sagen wir Open WebUI, wo es Ollama findet.
    # "ollama" funktioniert als Hostname, weil Docker Compose
    # alle Services automatisch in ein gemeinsames Netzwerk steckt.
    # Die URLContainer derkönnen IONOSsich AIgegenseitig Modelüber Hubihre API.Service-Namen
    # ansprechen — als wären es Computernamen im selben Netzwerk.
    depends_on:
      - ollama
    # Startreihenfolge: Open WebUI sprichterst starten, nachdem
    # das OpenAI-kompatible Protokoll — deshalb können wir die
      # IONOS-API direkt als "OpenAI-Endpunkt" eintragen.
      # OPENAI_API_KEY wird aus der .tokenOllama-Container Dateigestartet gezogenwurde.
    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:
      - N8N_DEFAULT_LOCALE=de
      # Setzt die Sprache der n8n-Oberfläche auf Deutsch.
      # n8n ist nicht zu 100% übersetzt — manche Texte
      # bleiben auf Englisch, aber die wichtigsten Menüs
      # und Beschreibungen sind auf Deutsch.
      - 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:
  ollama_data:
  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
# Modelle, 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 docker-compose up -d

• docker 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 zweidrei Container sehen: ollama, open-webui und n8n.

---

Teil 3 — VerbindungDein zurerstes ChatoberflächeLLM laden und chatten (10 Min.)

Schritt 1: Ein KI-Modell herunterladen

docker exec ollama ollama pull phi3:mini

docker exec — führt einen Befehl innerhalb eines laufenden Containers aus, ohne ihn neu zu starten. Stell dir vor, du rufst in die Box hinein: "Hey, mach mal das!" ollama (erster) — der Name des Containers, in dem der Befehl ausgeführt werden soll. ollama pull phi3:mini (zweiter Teil) — der Befehl, der im Container läuft. ollama pull lädt ein KI-Modell herunter, ähnlich wie apt install Software installiert. phi3:mini — das Modell "Phi-3" von Microsoft in der kleinen Variante (ca. 2 GB). Es ist schnell genug für ältere Laptops und trotzdem erstaunlich schlau.

Hintergrund: Ein LLM (Large Language Model) ist das Herzstück hinter ChatGPT & Co. Es verstehtist eine riesige Datei mit "gelerntem Wissen", die Text versteht und erzeugtText Text.erzeugt. StattDu eslädst lokaldir hier eines direkt auf deinemdeinen RechnerLaptop laufen— zukein lassen,Internet nutzennötig wirzum hierChatten, einen Cloud-Dienst von IONOS, der das Modell auf leistungsstarken Servern in Deutschland betreibt. Deinekeine Daten bleibenverlassen dabeideinen in der EU.Rechner.

Schritt 2: Chat-Oberfläche öffnen

Öffne im Browser: http://localhost:3000

azubi1: https://azubi1.family.ipv64.net/

azubi2: https://azubi2.family.ipv64.net/ azubi3: https://azubi3.family.ipv64.net/

1. Erstelle einen lokalen Account (bleibt alles nur auf deinem Rechner)
2. Wähle oben das Modell mistralai/Mistral-Small-24B-Instructphi3:mini aus
3. 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 eigeneseigenes, Chat-Systemprivates mit einem leistungsstarken KI-ModellChatGPT 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:

azubi1: https:http://azubi1n8n.family.ipv64.net/ azubi2localhost:5678: https://azubi2n8n.family.ipv64.net/ azubi3: https://azubi3n8n.family.ipv64.net/

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

Die n8n-Oberfläche istsollte größtenteils auf EnglischDeutsch sein — n8ndank unterstütztder offiziellEinstellung nurN8N_DEFAULT_LOCALE=de Englisch.in Inunserer dieserCompose-Datei. AnleitungEinige verwendenTexte wirsind dahermöglicherweise durchgehendnoch dieauf englischenEnglisch, Bezeichnungen.wenn sie noch nicht übersetzt wurden.

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: (diesen findest du in der Terminalconsole von Proxmox)

nano .token

azubi1

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

azubi2

eyJ0eXAiOiJKV1QiLCJraWQiOiJiMzY1NjhmZS0xNTVhLTRjNTUtOGNjYi1hZjFkYzAxMWYxMmUiLCJhbGciOiJSUzI1NiJ9.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.qDIErgaU_mX_D4utaR1YmLBQ9cGZBOPI-Cdy8LNOaOg1ObTbUxWOYJAqTuZfbQMQpPpwx8X3kvdEjosouXc4mjbVt0SJhnIZ4sXeXqdOkMAbodpVSuo_KQqOFNRRUbFN0s3QCSljD7GSGzUfloqXO4oOT3qVXIILDijS0jW6_DBol_G2zqgV448b3DDE91dEC8ncL2UvTF9IaI0iiwSfjHgIqXnMf184UGNWlnKpa95hFZldkxq80jHiybCn8l7xe8c6xTFZuz2-pzx0tU8aAKxdUy-W2ut0kPfBBNVhO9Djm4yFLq432UDlufyilUFfe1rcItw7m4X6m6T0MLa8FA

azubi3

eyJ0eXAiOiJKV1QiLCJraWQiOiIyMTQ3YTA3ZC1jYjA5LTRiZDktYjRmYS1hZDc2MGE4Njc5ZDciLCJhbGciOiJSUzI1NiJ9.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.XZ9e5VOkXeIbvIpraUra1lVI9i8n4ow7a7hWIt0eo1S5N0sWM85DQYMpSIHCDrLiERPylGDYahlALN2rKlT-RLbgLeLp8iIEatJ88zTPQ6ZF4oIbDXGDSO1ZGLAMPElcVjjf1qpo9k2j_5imojc8DAHyNRbl6NL7GKhCAeqtlA4zsUtFPh9qLsE1GLn_2aJisrf0HM3E51A7a-vgujcZPpRXTicB7t5PjKvOOB1mQj15V3v0ZcfxFSJ2iaGUC4c6p760abjIwk40vqbcVRh_VWMJ36dF02eGYlryZDsxQNima05C_DRXhFpTjISrsBFDAJ-8a_YeJT_4l-16bKIyQQ

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 linskKlicke auf das"Neuen plusWorkflow understellen" wähle(bzw. "Create new workflow").

Schritt 4:3: Workflow zusammenbauen

Wir bauen einen Chat-Mini-Workflow: Du schreibstschickst eineeinen NachrichtText rein → das LLM antwortetfasst dirihn — direkt in n8n als Chat-Oberfläche.zusammen.

Node 1: ChatTrigger Trigger(manuell)

1. Klicke auf das + in der Mitte
2. Suche "ChatManueller Trigger" (bzw. "Manual Trigger") → auswählen

Die Standardeinstellungen(Damit kannst du soden lassen.Workflow Derper ChatKnopfdruck Triggerstarten) 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. DerEin "ChatManueller Trigger" startetheißt: denDu Workflowdrückst jedesselbst Mal,auf wenn"Test". duAndere Trigger könnten sein: "Jeden Morgen um 9 Uhr" oder "Wenn eine Nachrichtneue imE-Mail Chat-Fenster abschickst. Du bekommst eine richtige Chat-Oberfläche, ähnlich wie bei ChatGPT.kommt".

Node 2: AIText Agentvorbereiten

1. Klicke auf das + rechts vom Chat Trigger
2. Suche "AIFelder Agent"bearbeiten" (bzw. "Edit Fields") unter "Datentransformation" → auswählen

Klicke

Die Standardeinstellungen passen für unseren Zweck. Optional kannst du unterauf Add"Feld Optionhinzufügen" im Feld→ System"String"

MessageName: unterprompt eineValue Rollenbeschreibung— eintragen,kopiere z.B.:diesen Text rein:

DuFasse bistden einfolgenden hilfreicherText Assistent.in Antworte2 immerSätzen aufzusammen: Deutsch.Künstliche Intelligenz verändert die Arbeitswelt grundlegend. Besonders in der Pharmaindustrie werden Prozesse automatisiert, die früher Stunden gedauert haben. Von der Dokumentenprüfung bis zur Datenanalyse helfen KI-Systeme dabei, schneller und genauer zu arbeiten. Gleichzeitig entstehen neue Berufsbilder rund um Prompt Engineering und KI-Integration.

Was istmacht "Felder bearbeiten"? Dieser Node erzeugt ein AIDatenpaket Agent?mit Dereinem AIFeld Agentnamens ist n8n's zentraler Baustein für KI-Workflows. Er nimmt die Nachricht vom Chat Trigger entgegen, leitet sie an"prompt", das Sprachmodellden weiterText enthält. Stell dir vor, du steckst einen Brief in einen Umschlag und gibtbeschriftest die Antwort zurück. Ein Agent kann auch "nachdenken" und Werkzeuge (Tools) nutzenihn — z.B.der imnächste InternetNode suchenweiß oderdann, Berechnungenwo durchführen. Fürer den AnfangText nutzen wir ihn ohne Tools als reinen Chat-Assistenten.findet.

Node 3: OpenAILLM Chat Model (Sub-Node)aufrufen

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

1. 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 + danebenrechts Suche "OpenAIHTTP-Anfrage" Chat(bzw. Model""HTTP Request") → auswählen Konfiguriere:

Methode: POST URL: http://ollama:11434/api/generate Send Body aktivieren Body-Inhaltstyp: JSON Im Feld CredentialJSON tofolgendes connect witheintragen 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

{
  "model": "phi3:mini",
  "prompt": "{{ $json.prompt }}",
  "stream": false
}

Was passiert hier?

HTTP-Anfrage — so kommunizieren Programme miteinander übers Netzwerk. Du schickst eine Anfrage ("Request") an Ollama. POST — die HTTP-Methode. POST heißt: "Ich schicke dir Daten und will eine Antwort." (GET wäre: "Gib mir etwas.") http://ollama:11434/api/generate — die Adresse der Ollama-API. Wir nutzen ollama statt localhost, weil die Container sich untereinander über ihre Service-Namen ansprechen (das Docker-Compose-Netzwerk macht es möglich). {{ $json.prompt }} — das ist n8n-Syntax: "Nimm den Wert aus dem Feld prompt vom vorherigen Node." Die doppelten geschwungenen Klammern {{ }} sagen n8n: "Das hier ist kein normaler Text, sondern ein Sub-Node?Verweis auf Daten." stream: false — normalerweise schickt Ollama die Antwort Wort für Wort (Streaming). Wir wollen aber die komplette Antwort auf einmal, deshalb false.

Node 4: Ergebnis anzeigen

Das Ergebnis kommt im Feld response der HTTP-Antwort zurück. Du kannst es direkt im Ausgabe-Panel von n8n unterscheidetsehen zwischen— normalenklicke Nodeseinfach (dieauf inden der Kette liegen) und Sub-Nodes (die an einen anderenletzten 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 dunach dem Agenten in die Hand gibst.Ausführen.

Schritt 5:4: Workflow testen!ausführen!

Klicke oben auf "Chat"Workflow testen" (dasbzw. Sprechblasen-Symbol)"Test —Workflow") es→ öffnetder sichWorkflow einläuft Chat-Fenster

durch Schreibealle eineNodes. Nachricht,

Im z.B.:letzten ErkläreNode mirsiehst Docker in 3 Sätzen, als wäre ich 10 Jahre alt.

Warte kurz — deine Nachricht wird andu die IONOSZusammenfassung, Cloud gesendet unddie das ModellLLM antwortetgeneriert 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? hat.

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

---

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

Challenge 1: Anderes Modell testen

Die

docker IONOSexec AIollama Modelollama Hubpull bietetllama3.2:1b
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-Instructllama3.2:1b — Metas großes"Llama 70B-Modell,3.2" sehr hohe Antwortqualität

mistralai/Mistral-Nemo-Instruct-2407 — ein kleineres 12B-Modell vonmit Mistral,1 schnellereMilliarde AntwortenParametern. Kleiner als Phi-3, aber interessant zum Vergleichen: Verschiedene Modelle haben unterschiedliche Stärken.

Vergleiche die Antworten verschiedenervon ModellePhi-3 und Llama 3.2 auf die gleiche Frage!Frage in Open WebUI. Wechsle dazu oben in der Chat-Oberfläche einfach das Modell.

Challenge 2: n8n-Workflow erweitern

• ÄndereFüge dasvor Modelldem imLLM einen OpenAI Chat Model"Wenn" Sub--Node auf(bzw. meta-llama/Llama-3.3-70B-Instruct"If") hinzu, der prüft ob der Text länger als 100 Zeichen ist
• TesteWenn dieja gleichen→ FragenZusammenfassung erneutdurch und vergleiche die Antworten mit Mistral SmallLLM
• ProbiereWenn verschiedenenein System→ Messagesdirekt aus, z.B.:ausgeben

Tipp: Der Wenn-Node findet sich unter "Ablaufsteuerung" (bzw. "Flow"). Bedingung: Du{{ bist$json.prompt.length ein}} Experte→ für"ist diegrößer Pharmaindustrie.als" Erkläre→ alles100

einfach und verständlich.

Challenge 3: Eigenes System-Prompt

Ändere dieden System MessagePrompt im AI"Felder Agent bearbeiten"-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 (Mistrallokal Small 24B) über die Cloud genutztgeladen und im Chat getestetgenutzt Automation Einen n8n-Workflow gebaut, der ein LLM alsautomatisiert Chat-Assistenten nutztaufruft AI AgentAPI-Grundlagen Einen AIHTTP AgentPOST mitRequest OpenAIan Chateine ModelREST-API undgeschickt Chat TriggerkonfiguriertLinux-Basics Terminal-Befehle, Paketmanager, Dateien erstellen, Benutzerrechte

---

🔧 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 docker-compose up -d	Startet alle Services im Hintergrund
docker docker-compose down	Stoppt alle Services und entfernt die Container
docker docker-compose logs -f	Zeigt Live-Logs aller Container (-f = follow, folgt neuen Einträgen)
docker docker-compose logs -f open-webuiollama	Zeigt Live-Logs nur von OpenOllama

WebUI docker exec ollama ollama list Zeigt alle installierten KI-Modelle docker exec ollama ollama pull <modell> Lädt ein neues Modell herunter docker exec ollama ollama rm <modell> Löscht ein Modell (spart Speicherplatz) docker stats Zeigt CPU- und RAM-Verbrauch aller Container live

---

❓ Troubleshooting

Open WebUI zeigt kein Modell an? → PrüfeWarte ob1–2 dieMinuten, UmgebungsvariablenOllama OPENAI_API_BASE_URLbraucht undZeit OPENAI_API_KEYzum inStarten. derDann docker-compose.ymlSeite korrektneu 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.laden.

n8n Chat zeigt keine Antwort / AI AgentHTTP-Anfrage schlägt fehl? → Prüfe ob diestream OpenAI-Credentialwirklich korrekt eingerichtet ist: Base URL mussauf https://openai.inference.de-txl.ionos.com/v1false sein.steht (als Boolean, nicht als Text). → Prüfe obdie das ModellURL: mistralai/Mistral-Small-24B-Instructhttp://ollama:11434/api/generate im(nicht OpenAIlocalhost Chat— Modeldie NodeContainer korrektsprechen eingetragensich ist.über ihre Namen an).

n8n ist nicht auf Deutsch? → Prüfe obin der API-TokenCompose-Datei nochob gültigN8N_DEFAULT_LOCALE=de korrekt gesetzt ist.

"Unauthorized"Danach oderContainer "401"neu Fehler?starten: →docker-compose Derdown API-Token&& istdocker-compose abgelaufenup oder-d. ungültig.Manche FrageTexte nachbleiben einemauf neuenEnglisch Token.— die deutsche Übersetzung deckt nicht 100% der Oberfläche ab.

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

"Permission denied" bei docker 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? → Modelle brauchen RAM. Phi-3 Mini braucht ca. 3–4 GB. Schließe andere Programme. → 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 docker-compose logs -f <containername> zeigt dir die Fehlermeldung des Containers.