meldestelle/docs/01_Architecture/Minisforum-MS-R1/AI_Stack_Ollama_Setup.md

type	status	owner
Guide	ACTIVE	DevOps Engineer

Installations-Anleitung: Lokaler AI-Stack auf Zora (MS-R1)

Ziel: Ollama + Open WebUI als isolierter Proxmox LXC-Container auf Zora. Vollständig lokal, datenschutzkonform, erreichbar via Pangolin-Tunnel. Datum: 2026-03-06 | Aktualisiert: 2026-03-06 (Incus → Proxmox)

---

Hardware-Profil: CIX P1 (CP8180) — Was steckt drin?

Komponente	Detail	Bedeutung für KI
CPU	12 Cores: 4x Cortex-X4 (fast, ~2.6GHz) + 4x A720 (medium) + 4x A520 (slow)	Tri-Cluster → großzügige Kern-Zuweisung sinnvoll
GPU	Arm Immortalis-G720 MC10	Vulkan 1.3 — experimentelle GPU-Beschleunigung möglich
RAM	64 GB LPDDR5 5500MHz	Auch 70B-Modelle laufen vollständig im RAM!
NPU	CIX P1 integrierte NPU	⚠️ Aktuell kein Ollama/llama.cpp-Support — Zukunft
OS	Proxmox VE 8.4.10	Hypervisor auf Debian-Basis, ARM64-native

CPU-Kerne im Detail

Cores  0– 3  →  Cortex-A520  (Efficiency / langsam)
Cores  4– 7  →  Cortex-A720  (Balanced / mittel)
Cores  8–11  →  Cortex-X4    (Performance / schnell)

Der AI-Container bekommt 10 Kerne (2–11), Proxmox behält Kern 0–1 für Host-Betrieb. CPU-Governor auf performance für die X4-Kerne maximiert den Inferenz-Durchsatz.

---

Architektur-Entscheidung: Warum separater Proxmox LXC-Container?

Zora — Proxmox 8.4.10 (10.0.0.20)
├── VM  102  gitea-runner    (10.0.0.23)  ← Gitea CI/CD Runner
├── VM  110  meldestelle-host (10.0.0.50) ← Docker App-Stack
├── LXC 100  pangolin-client              ← Pangolin Tunnel
├── LXC 101  gitea           (10.0.0.22)  ← Gitea Server
├── LXC 103  immich                       ← Immich
└── LXC 120  ai-stack        (10.0.0.60)  ← Ollama + Open WebUI  ← NEU

Begründung: Modelle (5–40 GB pro Modell) wachsen unkontrolliert. Isolierter LXC-Container schützt den App-Stack vor RAM/CPU-Hunger der KI. Unabhängige Updates — Ollama-Modelle liegen im Container-Volume, nicht im Git-Repo.

---

Phase 1 — Proxmox Host vorbereiten

1.1 — CPU Governor auf Performance setzen (auf Proxmox-Node)

# SSH auf den Proxmox-Node
ssh root@10.0.0.20
# oder: ssh root@pve.mo-code.at

# cpufrequtils installieren
apt-get install -y cpufrequtils

# Alle 12 Kerne auf Performance
for i in $(seq 0 11); do
    cpufreq-set -c $i -g performance
done

# Prüfen
cat /sys/devices/system/cpu/cpu*/cpufreq/scaling_governor
# Erwartete Ausgabe: 12x "performance"

# Persistent machen
tee /etc/systemd/system/cpu-performance.service > /dev/null <<'EOF'
[Unit]
Description=Set CPU Governor to Performance
After=multi-user.target

[Service]
Type=oneshot
ExecStart=/bin/bash -c 'for i in $(seq 0 11); do cpufreq-set -c $i -g performance; done'
RemainAfterExit=yes

[Install]
WantedBy=multi-user.target
EOF

systemctl daemon-reload
systemctl enable --now cpu-performance.service

1.2 — Huge Pages aktivieren (bessere RAM-Nutzung für große Modelle)

# Auf dem Proxmox-Node:
echo "vm.nr_hugepages = 512" >> /etc/sysctl.conf
sysctl -p

---

Phase 2 — Proxmox LXC-Container erstellen

ℹ️ Alle Befehle laufen auf dem Proxmox-Node (ssh root@10.0.0.20) Alternativ: Proxmox Web-UI unter https://pve.mo-code.at:8006

2.1 — Ubuntu 24.04 Template herunterladen

# Template-Liste aktualisieren
pveam update

# Ubuntu 24.04 ARM64 Template suchen und herunterladen
pveam available --section system | grep ubuntu-24.04.*arm64
pveam download local ubuntu-24.04-standard_24.04-2_arm64.tar.zst

2.2 — Container erstellen (CT 120)

pct create 120 local:vztmpl/ubuntu-24.04-standard_24.04-2_arm64.tar.zst \
  --hostname ai-stack \
  --arch aarch64 \
  --cores 10 \
  --memory 49152 \
  --swap 4096 \
  --rootfs local:200 \
  --net0 name=eth0,bridge=vmbr0,ip=10.0.0.60/24,gw=10.0.0.138,firewall=1 \
  --nameserver 10.0.0.138 \
  --searchdomain mo-code.at \
  --unprivileged 1 \
  --features nesting=1,keyctl=1 \
  --password

# Container starten
pct start 120

# Status prüfen
pct status 120
pct list

2.3 — CPU-Pinning konfigurieren (Performance-Kerne für KI)

# Kerne 2–11 dem Container zuweisen (Kerne 8–11 = X4 Performance-Kerne!)
# In der Container-Config:
echo "cpulimit: 10" >> /etc/pve/lxc/120.conf
echo "cpuunits: 1024" >> /etc/pve/lxc/120.conf

# Alternativ via Web-UI:
# CT 120 → Options → CPU Limit: 10 Cores

2.4 — In Container einloggen und Basis-Setup

# Direkt per pct:
pct enter 120

# Im Container:
apt-get update && apt-get upgrade -y
apt-get install -y curl wget git htop nano ca-certificates gnupg lsb-release

# Docker installieren (für Open WebUI)
curl -fsSL https://get.docker.com | sh
systemctl enable --now docker

# Benutzer anlegen
useradd -m -s /bin/bash aiuser
usermod -aG docker aiuser

---

Phase 3 — Ollama installieren & optimieren

3.1 — Ollama installieren

# Im Container (pct enter 120):
curl -fsSL https://ollama.com/install.sh | sh

# ARM64 wird automatisch erkannt
ollama --version

3.2 — Ollama-Service konfigurieren (Performance-Tuning)

mkdir -p /etc/systemd/system/ollama.service.d/
cat > /etc/systemd/system/ollama.service.d/override.conf << 'EOF'
[Service]
# Auf allen Interfaces lauschen (nicht nur localhost)
Environment="OLLAMA_HOST=0.0.0.0:11434"

# Alle zugewiesenen CPU-Kerne nutzen
Environment="OLLAMA_NUM_THREADS=10"

# Modelle 24h im RAM halten (kein ständiges Laden)
Environment="OLLAMA_KEEP_ALIVE=24h"

# Bis zu 2 Modelle gleichzeitig geladen halten
Environment="OLLAMA_MAX_LOADED_MODELS=2"

# Flash Attention aktivieren (schnellere Verarbeitung langer Kontexte)
Environment="OLLAMA_FLASH_ATTENTION=1"

# Kontext-Größe erhöhen für längere Gespräche
Environment="OLLAMA_MAX_CONTEXT_LENGTH=8192"
EOF

systemctl daemon-reload
systemctl restart ollama
systemctl status ollama

3.3 — Vulkan GPU-Beschleunigung (Immortalis-G720)

⚠️ Experimentell — CIX P1 + Immortalis-G720 Vulkan-Treiber sind noch nicht vollständig im Mainline-Kernel. Zuerst ohne Vulkan starten, später nachrüsten.

# Prüfen ob Vulkan-Device sichtbar ist
apt-get install -y vulkan-tools
vulkaninfo --summary 2>/dev/null | grep -i "GPU\|device\|driver"

# Falls Vulkan verfügbar — in override.conf ergänzen:
# Environment="OLLAMA_GPU_LAYERS=999"
# → Dann ollama neu starten und testen

---

Phase 4 — Modelle herunterladen

Empfohlene Modelle für 64 GB ARM64

# Im Container:
ollama pull llama3.1:8b           # 5 GB  — schnell, Allrounder, Deutsch OK
ollama pull qwen2.5-coder:14b     # 9 GB  — Beste Code-Qualität für IDEA!
ollama pull nomic-embed-text      # 300MB — Pflicht für RAG/Embeddings

# Optional (wenn du mehr Power willst):
ollama pull llama3.1:70b          # 40 GB — Maximale Qualität, läuft in 64GB RAM!
ollama pull qwen2.5:32b           # 20 GB — Gute Balance Qualität/Speed

# Testen:
ollama run llama3.1:8b "Erkläre mir Spring Boot in einem Satz auf Deutsch"

Modell-Entscheidungshilfe

Modell	RAM	Speed	Qualität	Empfehlung
llama3.1:8b	5 GB	⚡⚡⚡	★★★	Täglicher Chat, schnelle Antworten
qwen2.5-coder:14b	9 GB	⚡⚡	★★★★	IDEA-Integration, Kotlin/Java Code
qwen2.5:32b	20 GB	⚡	★★★★★	Tiefe Analysen, Architektur-Fragen
llama3.1:70b	40 GB	🐢	★★★★★	Maximale Qualität, geduldige Anfragen
nomic-embed-text	300 MB	⚡⚡⚡	RAG	Pflicht für Docs-RAG

---

Phase 5 — Open WebUI installieren

# Im Container (pct enter 120):
docker run -d \
  --name open-webui \
  --restart always \
  -p 3001:8080 \
  -v open-webui:/app/backend/data \
  -e OLLAMA_BASE_URL=http://host.docker.internal:11434 \
  --add-host=host.docker.internal:10.0.0.60 \
  ghcr.io/open-webui/open-webui:main

# Prüfen:
docker ps
curl http://localhost:3001

5.1 — Open WebUI RAG-Konfiguration

Browser: http://10.0.0.60:3001

1. Admin-Account anlegen (erster Login)
2. Settings → Admin Panel → Connections
   → Ollama URL: http://10.0.0.60:11434 ✓

3. Settings → Admin Panel → Documents
   → Embedding Model: nomic-embed-text
   → Chunk Size: 1500
   → Chunk Overlap: 150

4. Workspace → Documents → Upload
   → Deine /docs/**/*.md Dateien hochladen
   → Besonders: 04_Agents/Playbooks/, 01_Architecture/adr/

---

Phase 6 — Pangolin-Route konfigurieren

Route	Ziel	Port	Sichtbarkeit
ai.mo-code.at	10.0.0.60	3001	Nur intern / VPN!

🔒 Sicherheit: Open WebUI NIEMALS ohne Auth öffentlich exponieren. Pangolin-Zugang nur via VPN oder mit Basic-Auth absichern.

---

Phase 7 — IntelliJ IDEA Integration

Option A: Continue.dev Plugin (empfohlen für Code-Completion)

1. IDEA → Settings → Plugins → "Continue" installieren
2. Continue-Konfiguration öffnen (~/.continue/config.json):

{
  "models": [
    {
      "title": "Zora-Coder (qwen2.5)",
      "provider": "ollama",
      "model": "qwen2.5-coder:14b",
      "apiBase": "http://10.0.0.60:11434"
    },
    {
      "title": "Zora-Chat (llama3.1)",
      "provider": "ollama",
      "model": "llama3.1:8b",
      "apiBase": "http://10.0.0.60:11434"
    }
  ],
  "tabAutocompleteModel": {
    "title": "Zora-Autocomplete",
    "provider": "ollama",
    "model": "qwen2.5-coder:14b",
    "apiBase": "http://10.0.0.60:11434"
  },
  "embeddingsProvider": {
    "provider": "ollama",
    "model": "nomic-embed-text",
    "apiBase": "http://10.0.0.60:11434"
  }
}

3. In IDEA:
   - Ctrl+I → Chat öffnen (Inline-Fragen im Code)
   - Ctrl+Shift+I → Tab Autocomplete aktivieren
   - Alle Daten bleiben auf Zora — kein Cloud-Kontakt!

Option B: JetBrains AI Assistant mit lokalem Modell

Settings → Tools → AI Assistant
→ "Use custom AI provider"
→ Endpoint: http://10.0.0.60:11434/v1
→ Model: qwen2.5-coder:14b
→ API Key: ollama (beliebiger String)

---

Zukunft: NPU-Beschleunigung

Der CIX P1 hat eine integrierte NPU, die aktuell nicht von Ollama/llama.cpp unterstützt wird.

Roadmap:

• llama.cpp arbeitet an OpenCL/Vulkan-Backend → Immortalis-G720 wird profitieren
• CIX P1 NPU-Treiber müssen von CIX Technology als Open-Source freigegeben werden
• Empfehlung: System ohne NPU in Betrieb nehmen, NPU-Support nachrüsten sobald verfügbar

Monitoring:

• https://github.com/ollama/ollama/issues (Filter: "vulkan", "arm64")
• https://github.com/ggml-org/llama.cpp/issues (Filter: "vulkan")

---

Quick-Reference: Wichtige Befehle

# Container verwalten (auf Proxmox-Node: ssh root@10.0.0.20)
pct start 120
pct stop 120
pct enter 120
pct status 120

# Modelle verwalten (im Container)
ollama list                        # Installierte Modelle
ollama pull <modell>               # Neues Modell herunterladen
ollama rm <modell>                 # Modell löschen
ollama ps                          # Laufende Modelle

# Logs
journalctl -u ollama -f            # Ollama-Logs live
docker logs -f open-webui          # Open WebUI Logs

# Performance prüfen
htop                               # CPU/RAM-Auslastung
ollama ps                          # Welches Modell läuft, RAM-Nutzung

---

Netz-Übersicht nach diesem Setup

Zora — Proxmox 8.4.10 (10.0.0.20)
├── VM  102  gitea-runner     10.0.0.23   Gitea CI/CD Runner
├── VM  110  meldestelle-host 10.0.0.50   Docker App-Stack
├── LXC 101  gitea            10.0.0.22   Gitea Server
├── LXC 103  immich                       Immich
└── LXC 120  ai-stack         10.0.0.60   Ollama :11434 | Open WebUI :3001

Pangolin-Tunnel:
├── ai.mo-code.at    → 10.0.0.60:3001   (Open WebUI — nur intern/VPN)
├── api.mo-code.at   → 10.0.0.50:8081   (API Gateway)
└── auth.mo-code.at  → 10.0.0.50:8180   (Keycloak)