GitHub Actions als kostenlose Alternative zu Cloud-KI-Automatisierung
Mit GitHub Actions und lokalen Modellen wie Ollama lassen sich KI-Automatisierungen rund um die Uhr betreiben, ohne API-Kosten oder Datenschutzrisiken. Der Ansatz setzt auf Modelle wie llama3.2 auf eigener Hardware.
Jedes Token kostet Geld. Jeder API-Aufruf summieren sich auf. Und Ihre Daten gehen auf deren Server.
brew install ollama ollama pull llama3.2 ollama serve Enter fullscreen mode Exit fullscreen mode Jetzt haben Sie ein Modell auf GPT-4-Niveau auf Ihrem MacBook laufen. Kostenlos. Privat. Schnell.
import requests def ask_local_ai ( question ): r = requests. post ( " http://localhost:11434/api/generate ", json = { " model ": " llama3.2 ", " prompt ": question, " stream ": False } ) return r. json ()[ " response " ] # Funktioniert sofort, kein API-Schluessel noetig answer = ask_local_ai ( " Erklaere Docker in einem Absatz " ) print ( answer ) Enter fullscreen mode Exit fullscreen mode Verfuegbare Modelle Modell Groesse Am besten geeignet fuer llama3.2 2GB Allgemeine Nutzung codellama 4GB Code-Aufgaben mistral 4.4GB Schnelles reasoning phi3 2.2GB Leichte Aufgaben gemma2 5.4GB Komplexes reasoning Was Sie bauen koennen RAG-Systeme fuer Ihre Dokumente Sprachassistenten, die offline funktionieren Code-Reviews bei jedem git commit Content-Generatoren ohne Kosten Persoenliche KI, die sich an Sie erinnert Mein Setup Ich habe 45 Tools mit diesem Stack gebaut. Alles kostenlos. Alles lokal.
Alles Open Source.
VP bei JPMorgan Chase. Baut AI-Tools unter amrendranmishra.dev
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
Every token costs money. Every API call adds up. And your data goes to their servers.
brew install ollama ollama pull llama3.2 ollama serve Enter fullscreen mode Exit fullscreen mode Now you have a GPT-4 level model running on your MacBook. Free. Private. Fast.
import requests def ask_local_ai ( question ): r = requests. post ( " http://localhost:11434/api/generate ", json = { " model ": " llama3.2 ", " prompt ": question, " stream ": False } ) return r. json ()[ " response " ] # Works immediately, no API key needed answer = ask_local_ai ( " Explain Docker in one paragraph " ) print ( answer ) Enter fullscreen mode Exit fullscreen mode Available Models Model Size Best For llama3.2 2GB General use codellama 4GB Code tasks mistral 4.4GB Fast reasoning phi3 2.2GB Lightweight tasks gemma2 5.4GB Complex reasoning What You Can Build RAG systems for your documents Voice assistants that work offline Code reviewers on every git commit Content generators at zero cost Personal AI that remembers you My Setup I built 45 tools using this stack. All free. All local.
All open source.
VP at JPMorgan Chase. Building AI tools at amrendranmishra.dev