Skip to main content

🚀 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 — alles lokal, ohne Cloud, ohne Accounts.

Was du am Ende hast:

  • Ein lokales Large Language Model (LLM), das du im Browser befragen kannst
  • Eine Automationsplattform (n8n), die das LLM automatisiert nutzen kann
  • GrundverstĂ€ndnis fĂŒr Docker, LLMs und Workflow-Automation

Teil 1 — Docker installieren (10 Min.)

Docker ist wie eine "App-Box": Du lĂ€dst fertige Software-Pakete (Container) herunter und startest sie, ohne irgendetwas kompliziert installieren zu mĂŒssen.

Schritt 1: Terminal öffnen

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

Schritt 2: System aktualisieren

sudo apt update && sudo apt upgrade -y

Schritt 3: Docker installieren

sudo apt install -y docker.io docker-compose

Schritt 4: Docker ohne sudo nutzbar machen

sudo usermod -aG docker $USER

⚠ Wichtig: Danach einmal ab- und wieder anmelden (oder Laptop neu starten), damit die Änderung greift.

Schritt 5: Testen ob Docker lÀuft

docker run hello-world

Wenn du eine Nachricht siehst, die mit "Hello from Docker!" beginnt — perfekt, Docker funktioniert!

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

Statt jeden Dienst einzeln zu starten, beschreiben wir alles in einer Datei.

Schritt 1: Projektordner anlegen

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

Schritt 2: Docker-Compose-Datei erstellen

nano docker-compose.yml

FĂŒge folgenden Inhalt ein (mit Rechtsklick → EinfĂŒgen):

version: "3.8"

services:

  # --- Das KI-Gehirn: Ollama fĂŒhrt das LLM lokal aus ---
  ollama:
    image: ollama/ollama
    container_name: ollama
    ports:
      - "11434:11434"
    volumes:
      - ollama_data:/root/.ollama
    restart: unless-stopped

  # --- Die Chat-OberflÀche: sieht aus wie ChatGPT ---
  open-webui:
    image: ghcr.io/open-webui/open-webui:main
    container_name: open-webui
    ports:
      - "3000:8080"
    environment:
      - OLLAMA_BASE_URL=http://ollama:11434
    depends_on:
      - ollama
    volumes:
      - webui_data:/app/backend/data
    restart: unless-stopped

  # --- Die Automationsplattform: Workflows per Drag & Drop ---
  n8n:
    image: n8nio/n8n
    container_name: n8n
    ports:
      - "5678:5678"
    volumes:
      - n8n_data:/home/node/.n8n
    environment:
      - N8N_SECURE_COOKIE=false
    restart: unless-stopped

volumes:
  ollama_data:
  webui_data:
  n8n_data:

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

Schritt 3: Alles starten

docker-compose up -d

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

Schritt 4: PrĂŒfen ob alles lĂ€uft

docker ps

Du solltest drei Container sehen: ollama, open-webui und n8n.

Teil 3 — Dein erstes LLM laden und chatten (10 Min.)

Schritt 1: Ein KI-Modell herunterladen

docker exec ollama ollama pull phi3:mini

Das Modell Phi-3 Mini ist klein (ca. 2 GB), schnell, und lÀuft auch auf Àlteren Laptops.

Hintergrund: Ein LLM (Large Language Model) ist das HerzstĂŒck hinter ChatGPT & Co. Du lĂ€dst dir hier eines direkt auf deinen Laptop — kein Internet nötig zum Chatten, keine Daten verlassen deinen Rechner.

Schritt 2: Chat-OberflÀche öffnen

Öffne im Browser: http://localhost:3000

  1. Erstelle einen lokalen Account (bleibt alles nur auf deinem Rechner)
  2. WĂ€hle oben das Modell phi3:mini aus
  3. Stell eine Frage!

💡 Probier mal diese Prompts:

  • ErklĂ€re mir Docker in 3 SĂ€tzen, als wĂ€re ich 10 Jahre alt.
  • Was ist der Unterschied zwischen einer VM und einem Container?
  • Schreibe mir ein kurzes Python-Skript, das "Hallo Welt" ausgibt.

🎉 GlĂŒckwunsch! Du hast gerade dein eigenes, privates ChatGPT aufgebaut.

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

Jetzt verbinden wir das LLM mit einer Automation.

Schritt 1: n8n öffnen

Öffne im Browser: http://localhost:5678

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

Schritt 2: Neuen Workflow erstellen

Klicke auf "Create new workflow".

Schritt 3: Workflow zusammenbauen

Wir bauen einen Mini-Workflow: Du schickst einen Text rein → das LLM fasst ihn zusammen.

Node 1: Trigger (manuell)

  1. Klicke auf das + in der Mitte
  2. Suche "Manual Trigger" → auswĂ€hlen (Damit kannst du den Workflow per Knopfdruck starten)

Node 2: Text vorbereiten

  1. Klicke auf das + rechts vom Trigger
  2. Suche "Edit Fields" (unter "Data Transformation") → auswĂ€hlen
  3. Klicke auf "Add Field" → "String"
  4. Name: prompt
  5. Value — kopiere diesen Text rein:
Fasse den folgenden Text in 2 SĂ€tzen zusammen: KĂŒnstliche Intelligenz verĂ€ndert die Arbeitswelt grundlegend. Besonders in der Pharmaindustrie werden Prozesse automatisiert, die frĂŒher Stunden gedauert haben. Von der DokumentenprĂŒfung bis zur Datenanalyse helfen KI-Systeme dabei, schneller und genauer zu arbeiten. Gleichzeitig entstehen neue Berufsbilder rund um Prompt Engineering und KI-Integration.

Node 3: LLM aufrufen

  1. Klicke auf das + rechts
  2. Suche "HTTP Request" → auswĂ€hlen
  3. Konfiguriere:
    • Method: POST
    • URL: http://ollama:11434/api/generate
    • Body Content Type: JSON
    • Body Parameters → Add Parameter:
      • Name: model → Value: phi3:mini
      • Name: prompt → Value: {{ $json.prompt }}
      • Name: stream → Value: false (⚠ als Boolean, nicht als String — Toggle nutzen)

Node 4: Ergebnis anzeigen

Das Ergebnis kommt im Feld response der HTTP-Antwort zurĂŒck. Du kannst es direkt im Output-Panel von n8n sehen.

Schritt 4: Workflow ausfĂŒhren!

Klicke oben auf "Test Workflow" → der Workflow lĂ€uft durch alle Nodes.

Im letzten Node siehst du die Zusammenfassung, die das LLM generiert hat.

🎉 Du hast gerade deine erste KI-Automation gebaut!

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

Challenge 1: Anderes Modell testen

docker exec ollama ollama pull llama3.2:1b

Vergleiche die Antworten von Phi-3 und Llama 3.2 auf die gleiche Frage in Open WebUI.

Challenge 2: n8n-Workflow erweitern

  • FĂŒge vor dem LLM einen "If"-Node hinzu, der prĂŒft ob der Text lĂ€nger als 100 Zeichen ist
  • Wenn ja → Zusammenfassung durch LLM
  • Wenn nein → direkt ausgeben

Challenge 3: Eigenes System-Prompt

Ändere den Prompt im Edit-Fields-Node zu:

Du bist ein Experte fĂŒr die Pharmaindustrie. ErklĂ€re das folgende Thema einfach und verstĂ€ndlich: Was ist ein ERP-System?

🧠 Was du gelernt hast

Thema Was du gemacht hast
Docker Container gestartet, Docker Compose genutzt, Services verwaltet
LLM Ein KI-Modell lokal geladen und im Chat genutzt
Automation Einen n8n-Workflow gebaut, der ein LLM automatisiert aufruft
API-Grundlagen Einen HTTP POST Request an eine REST-API geschickt

🔧 NĂŒtzliche Befehle zum Nachschlagen

Befehl Was er tut
docker ps Zeigt laufende Container
docker-compose up -d Startet alle Services
docker-compose down Stoppt alle Services
docker-compose logs -f Zeigt Live-Logs
docker exec ollama ollama list Zeigt installierte Modelle
docker exec ollama ollama pull <modell> LĂ€dt ein neues Modell

❓ Troubleshooting

Open WebUI zeigt kein Modell an? → Warte 1–2 Minuten, Ollama braucht Zeit zum Starten. Dann Seite neu laden.

n8n HTTP-Request schlĂ€gt fehl? → PrĂŒfe ob stream wirklich auf false steht (als Boolean, nicht als Text). → PrĂŒfe die URL: http://ollama:11434/api/generate (nicht localhost!).

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

Laptop wird langsam? → Modelle brauchen RAM. Phi-3 Mini braucht ca. 3–4 GB. Schließe andere Programme.

Back to top