llmproxy/KURZANLEITUNG.md

LLM-Dienst – Kurzanleitung

Worum geht es?

Der Dienst stellt große Sprachmodelle (LLMs) über eine einfache HTTP-API bereit, die direkt aus Python-Skripten, Jupyter-Notebooks oder eigenen Anwendungen angesprochen werden kann. Die Modelle laufen lokal auf einem GPU-Server im Intranet – ohne Datenübertragung nach außen und ohne Cloud-Kosten.

Typische Anwendungsfälle:

• Texte zusammenfassen, übersetzen oder umformulieren
• KI-gestütztes Coding (z.B. mit opencode)
• Experimente mit Prompt-Engineering und LLM-Integration in eigene Projekte

---

Zugang

Der Dienst ist nur im Intranet erreichbar.

API-Endpunkt	http://141.75.33.244:8000
Authentifizierung	API-Key erforderlich (per E-Mail beim Admin anfragen)

---

Verfügbare Modelle

Modell	Größe	Hinweis
gemma4:31b	19 GB	kompakt, schnell
gpt-oss:20b	13 GB	kompakt, schnell
gpt-oss:120b	65 GB	sehr leistungsfähig
qwen3.5:122b	81 GB	sehr leistungsfähig
qwen3-coder-next:q8_0	84 GB	speziell für Code

Wichtig: Es kann immer nur ein Modell gleichzeitig im GPU-Speicher geladen sein. Wechselt jemand das Modell, muss das vorherige entladen und das neue geladen werden – das kann mehrere Minuten dauern. Der erste Prompt nach einem Modellwechsel ist deshalb deutlich langsamer. Danach bleibt das Modell einige Zeit geladen.

---

Python-Beispiel – Einfacher Prompt

Das API folgt dem OpenAI-Standard, d.h. die openai-Bibliothek kann direkt verwendet werden.

pip install openai

from openai import OpenAI

API_KEY = "sk-..."            # euren API-Key eintragen
BASE_URL = "http://141.75.33.244:8000/v1"
MODEL = "gemma4:31b"          # Modell nach Bedarf wählen

client = OpenAI(api_key=API_KEY, base_url=BASE_URL)

response = client.chat.completions.create(
    model=MODEL,
    messages=[
        {"role": "user", "content": "Erkläre den Unterschied zwischen L1- und L2-Regularisierung."}
    ]
)

print(response.choices[0].message.content)

---

Python-Beispiel – Verfügbare Modelle abfragen

from openai import OpenAI

API_KEY = "sk-..."
BASE_URL = "http://141.75.33.244:8000/v1"

client = OpenAI(api_key=API_KEY, base_url=BASE_URL)

models = client.models.list()
for m in models.data:
    print(m.id)

---

Empfehlungen zur Nutzung

• Kleines Modell zuerst (gemma4:31b oder gpt-oss:20b) – viel schneller, für viele Aufgaben ausreichend.
• Großes Modell nur bei komplexen Aufgaben (qwen3.5:122b, gpt-oss:120b).
• Code-Aufgaben: qwen3-coder-next:q8_0 ist speziell dafür optimiert.
• Wenn möglich, dasselbe Modell wie andere Nutzer verwenden, um häufige Modellwechsel zu vermeiden.

---

Quotas

Je nach API-Key können folgende Limits konfiguriert sein:

• Maximale Anfragen pro Tag / Monat
• Maximale Tokens pro Tag / Monat

Bei Überschreitung gibt die API den Statuscode 429 Too Many Requests zurück.

---

Coding-Assistent: opencode

opencode ist ein terminal-basierter KI-Coding-Agent (ähnlich Claude Code), der OpenAI-kompatible APIs unterstützt und damit direkt auf den Intranet-Dienst zeigen kann.

Installation

npm install -g opencode-ai
# oder
curl -fsSL https://opencode.ai/install | bash

Konfiguration

Konfigurationsdatei anlegen unter ~/.config/opencode/config.json:

{
  "$schema": "https://opencode.ai/config.json",
  "providers": {
    "openai": {
      "apiKey": "sk-...",
      "baseURL": "http://141.75.33.244:8000/v1"
    }
  },
  "model": "openai/qwen3-coder-next:q8_0"
}

Für Code-Aufgaben empfiehlt sich qwen3-coder-next:q8_0, für allgemeine Aufgaben gemma4:31b oder gpt-oss:20b.

Starten

opencode

opencode öffnet eine interaktive Terminal-Oberfläche und kann dann im Projektverzeichnis eingesetzt werden – Dateien lesen, Code generieren, Refactoring vorschlagen usw.

---

Administration (nur für Admins)

Das Web-Interface zur Verwaltung von API-Keys und Quotas ist erreichbar unter:

http://141.75.33.244:8001

Dort können API-Keys angelegt, deaktiviert und mit Quotas versehen werden.

Modell-Lock für Praktika

Unter Einstellungen → Aktives Modell (Lock) kann ein Modell fest vorgegeben werden. Ist ein Lock gesetzt, wird das model-Feld in jedem Request durch dieses Modell ersetzt – unabhängig davon, was der Client schickt. Das verhindert unkoordinierte Modellwechsel während einer Veranstaltung, die alle Teilnehmenden durch lange Ladezeiten ausbremsen würden.

Typischer Ablauf für ein Praktikum:

1. Vor der Veranstaltung: passendes Modell in Ollama laden
2. Lock in der Admin-Oberfläche aktivieren
3. Nach der Veranstaltung: Lock wieder deaktivieren (Feld leeren)