Weniger Handarbeit. Mehr verstehen, wie es funktioniert.
Ich verbinde AI, Linux und Automatisierung zu Werkzeugen für meinen Alltag.

Projekte entdecken · Aktueller Fokus · Hugging Face · Austausch

Auch als Gustl unterwegs. Ich war Mechaniker und später Werkstattleiter, bevor mich eine Cloud-Weiterbildung zu DevOps brachte. Am Terminal arbeite ich schon immer gern – dort komme ich direkter ans Ziel. Meine ersten AI-Versuche machte ich mit lokalen Modellen in LM Studio. Danach kam Odysseus; heute nutze ich Hermes.

Hier findest du meine Projekte rund um lokale AI, Agents und Automatisierung – mit den Lösungen und Fallstricken, die beim Bauen entstehen. Mein Ziel ist, praktische AI auch für kleine Unternehmen, Handwerk und NGOs zugänglich zu machen.

Neuer Chat, wieder alles erklären? Ich halte meinen Arbeitskontext in Markdown fest und verwende ihn über mehrere AI-Tools hinweg. Eine Python-Pipeline verarbeitet zusätzlich Chat-Exporte zu Wissensbausteinen und System-Prompts.

Die öffentliche Version ist eine Vorlage ohne persönliche Daten. Das Memory nutze ich täglich: Ein systemd-Timer gleicht es dreimal am Tag mit GitHub ab und sichert dabei auch die Auto-Memories meiner Agents. Die Pipeline arbeitet mit Schlüsselwörtern und erkennt noch keine Widersprüche.

Python · Markdown · AI Memory · Aufbau & Einstieg →

Mein Haupt-Agent für den Alltag. Ich verbinde Hermes unter Linux mit Cloud-Modellen und einem lokalen Ollama-Fallback. Über MCP erhält er Zugriff auf eigene Werkzeuge; Gateway, Dashboard und systemd machen daraus ein alltagstaugliches Setup.

Hermes Agent · Ollama · MCP · Linux · systemd · Hermes Agent ansehen →

Ein USB-Bilderrahmen als Systemmonitor. CPU-Threads, GPU, RAM und Dienste werden auf einem kleinen Display sichtbar. Ein Python-Collector sammelt die Werte, ein Generator baut das Layout für lcd4linux. Eine Vorschau funktioniert auch ohne das Gerät.

Python · Linux · systemd · lcd4linux · Dashboard ansehen →

Lokale AI auf vorhandener AMD-Hardware ausprobieren. Mein Docker-Compose-Setup verbindet Ollama, PyTorch und Jupyter Lab mit ROCm. Dazu gibt es Hinweise zur GPU-Auswahl und zur Fehlersuche.

Docker Compose · Ollama · AMD ROCm · Setup ansehen →

Fünf Bildschirme, ein Nord-Glas-Look. Auf dem Büro-Rechner läuft CachyOS mit KDE Plasma unter Wayland. Fenster sind halbtransparent mit leichtem Blur. Auf dem 4K-Monitor oben läuft projectM, der Nachfolger von Winamps MilkDrop, als Live-Visualizer hinter allen Fenstern. Ein generierter Nord-Nebel zieht sich als ein Hintergrundbild über alle Monitore. Dazu ein Systemmonitor-Cockpit, eine kompakte Login-Anzeige in kitty und ein Würfel über vier Desktops. Alles ist per Skript reproduzierbar.

CachyOS · KDE Plasma 6 · KWin · Kvantum · projectM · kitty · Python · Bash

Alle öffentlichen Repositories →

• Agents im Alltag: Hermes mit Cloud-Modell und lokalem Fallback über Ollama im eigenen Setup einsetzen.
• Tools verbinden: Agents über MCP und APIs mit Funktionen versorgen; Sprache und Automatisierung in den Alltag einbauen.
• Kontext behalten: Wissen zwischen AI-Tools und Rechnern wiederverwenden und das Memory überschaubar halten.
• Security vertiefen: DevSecOps, SOC/SIEM und Zero Trust als Lernfelder mit meinen praktischen Projekten verbinden.

Linux auf dem Desktop, Catppuccin Mocha in den Configs, Nord auf dem CachyOS-Rechner — und meist ein Projekt, an dem es noch etwas zu verstehen gibt.

Du baust etwas mit lokaler AI, Linux oder Automatisierung? Mich interessiert, was bei dir funktioniert – und wo es hakt. Fragen, Erfahrungen und Verbesserungsvorschläge zu meinen Projekten passen in die jeweiligen Repository-Issues.

GitHub · ChristianGruend · Hugging Face · Gustlson

⚡ Wissen ist Macht. Jahrtausendelang war beides ein Privileg — gehütet von Tempeln, Universitäten und Konzernen. Zum ersten Mal in der Geschichte der Menschheit steht das Wissen der Welt jedem offen. Macht bemisst sich nicht mehr an Herkunft oder Kapital, sondern an Neugier.