Add base plays for all hosts, nvidia_gpu role, GPU pre-work items

- run.yml: base plays (geerlingguy.security) for jira and git; gpu01 play with security + docker + nvidia_gpu - roles/nvidia_gpu: driver pinned >=580 (Blackwell), CUDA repo, container toolkit incl. the nvidia-ctk runtime configure step - manuals/20260714-nvidia-driver-install.md: dated per convention, corrected (pinned -server driver instead of autoinstall+cuda-drivers mix, toolkit optional, added missing nvidia-ctk/docker restart step) - gpu01 folder: planning docs under notes/, runbooks under manuals/, scripts/; convention documented in CLAUDE.md - scripts/share-analysis.ps1: read-only SMB share analysis for the Windows server (projektplan §2.1) - TODO.md: Phase-0 pre-work items from the projektplan Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>
2026-07-14 10:30:43 +02:00
parent 277f378fb8
commit 43054f32b8
13 changed files with 463 additions and 68 deletions
@@ -0,0 +1,90 @@
+# Hardware Assessment — GPU Server für LLM-Workloads
+
+Date: 2026-07-06
+Status: Draft for internal review
+Budget: ~50.000 €
+
+## TL;DR
+
+Die Beobachtung vom Bestandsserver (CPU < 10 %, RAM < 150 GB, GPUs zeitweise
+voll ausgelastet) ist typisch: **LLM-Inference ist fast reine GPU-Last.**
+Downscaling von CPU und RAM ist richtig. Bei der GPU empfehle ich statt einer
+halben H100-NVL-Konfiguration die **NVIDIA RTX PRO 6000 Blackwell Server
+Edition (96 GB)** — mehr VRAM als eine H100 NVL, in Single-GPU-Inference-
+Benchmarks gleichauf oder schneller, für etwa **ein Drittel des Preises**
+(~9–10 k€ statt ~31 k€). Gesamtsystem landet grob bei **20–25 k€ inkl.
+Support** — deutlich unter Budget.
+
+## 1. Einordnung des Bestandsservers
+
+Die Referenz-Konfiguration (DL380a Gen11, 2× Xeon 6526Y, 512 GB RAM,
+2× H100 NVL) ist für den Inference-Use-Case überdimensioniert:
+
+- **CPU < 10 %**: erwartbar — bei GPU-Inference macht die CPU nur
+  Tokenizing, Scheduling und I/O. 2× 16 Kerne sind unnötig.
+- **RAM < 100–150 GB**: davon ist erfahrungsgemäß ein großer Teil
+  Page-Cache. Echter Bedarf: Modell-Staging + Services, deutlich unter 128 GB.
+- **2× H100 NVL**: NVLink-Pärchen lohnt sich nur, wenn ein Modell über beide
+  GPUs gespannt wird (Tensor-Parallel). Für Modelle ≤ 96 GB unnötig.
+
+## 2. GPU-Empfehlung
+
+| | RTX PRO 6000 Blackwell SE | H100 NVL | L40S |
+|---|---|---|---|
+| VRAM | **96 GB GDDR7** | 94 GB HBM3 | 48 GB GDDR6 |
+| Speicherbandbreite | 1.792 GB/s | 3.900 GB/s | 864 GB/s |
+| FP8/FP4 | ✅ / ✅ (Blackwell) | ✅ / ❌ | ❌ / ❌ |
+| NVLink | ❌ (hier irrelevant, 1 GPU) | ✅ | ❌ |
+| Straßenpreis (ca.) | **~9–10 k€** | ~31 k€ | ~8 k€ |
+
+- Benchmarks 2026 zeigen die RTX PRO 6000 bei Single-GPU-LLM-Inference
+  **gleichauf bis vor der H100** bei ~28 % niedrigeren Kosten pro Token
+  ([cloudrift.ai](https://www.cloudrift.ai/blog/benchmarking-rtx6000-vs-datacenter-gpus),
+  [openmetal.io](https://openmetal.io/resources/blog/comparing-the-nvidia-rtx-pro-6000-vs-h100-for-ai-inference/)).
+- Gegenüber der in den Notizen angesetzten 48-GB-Karte (L40S-Klasse):
+  doppelter VRAM und > 2× Bandbreite für ähnliches Geld — 96 GB erlauben
+  70B-Modelle in FP8 bzw. viel KV-Cache für parallele Nutzer
+  ([gpuperhour.com](https://gpuperhour.com/compare/l40s-vs-rtx-pro-6000-blackwell)).
+- H100 NVL nur dann, wenn später auf 2 GPUs mit Tensor-Parallelität erweitert
+  werden soll — dafür gibt es hier kein Anzeichen.
+
+⚠️ Mit dem Distributor klären, welche HPE-Plattform (DL380 Gen11/Gen12 bzw.
+DL380a) für die RTX PRO 6000 Blackwell SE qualifiziert ist.
+
+## 3. Empfohlene Konfiguration (angelehnt an das Referenz-Angebot)
+
+| Komponente | Referenz-Server | Empfehlung neu | Begründung |
+|---|---|---|---|
+| Chassis | DL380a Gen11 | DL380 Gen11/Gen12 mit GPU-Kit (oder DL380a) | 1 GPU braucht kein 4-GPU-Chassis |
+| CPU | 2× Xeon 6526Y (32C) | **1× Xeon 16C** (z. B. 6526Y o. kleiner) | CPU-Last < 10 % beobachtet |
+| RAM | 512 GB (8× 64 GB) | **128 GB (8× 16 GB)** | Alle 8 Kanäle belegt (Bandbreite), Upgrade-Pfad auf 256 GB frei |
+| Boot-SSD | 2× 960 GB NVMe | 2× 960 GB NVMe (RAID 1) | unverändert |
+| Daten-SSD | — | **+ 2× 3,84 TB NVMe (RAID 1)** | Modelle + Vektor-Index der Datei-Suche |
+| NIC | 2× 25 GbE + 4× 1 GbE | 1× 25/10 GbE SFP28 + 1 GbE (Mgmt) | Indizierung zieht die SMB-Shares übers Netz — 1 GbE wäre der Flaschenhals |
+| GPU | 2× H100 NVL 94 GB | **1× RTX PRO 6000 Blackwell SE 96 GB** | s. o. |
+| PSU | 4× 1800–2200 W | 2× 1800 W (redundant) | 1 GPU à 600 W |
+| iLO Adv + Support | 5 J. | 5 J. Tech Care Essential | unverändert |
+
+**Grobe Kostenschätzung:** Server-Basis + CPU + RAM + Storage ≈ 10–12 k€,
+GPU ≈ 9–10 k€, Support ≈ 4–6 k€ → **~23–28 k€**. Es bleibt Budget für
+Einrichtung/Software-Dienstleistung (RAG-Pipeline!) und ggf. eine zweite GPU
+später — das Chassis dafür gleich mit einplanen (Riser/Netzteile).
+
+## 4. Passt eine GPU für "viele Nutzer"?
+
+Ja, für den beschriebenen Fall (Nicht-Power-User, Chat + Datei-Suche):
+
+- Nicht-Power-User erzeugen wenig gleichzeitige Last; realistisch sind
+  5–20 parallele Anfragen selbst bei 100+ angebundenen Usern.
+- vLLM mit einem 20–32B-Modell in FP8 auf 96 GB bedient das komfortabel;
+  ein 70B-Modell geht ebenfalls, mit weniger Parallelitäts-Headroom.
+- Wachstumspfad: zweite RTX PRO 6000 nachrüsten (zwei unabhängige
+  vLLM-Instanzen bzw. Modell-Replikation — kein NVLink nötig).
+
+## Quellen
+
+- [RTX PRO 6000 vs H100/H200/L40S LLM Inference Benchmarks (cloudrift.ai)](https://www.cloudrift.ai/blog/benchmarking-rtx6000-vs-datacenter-gpus)
+- [RTX PRO 6000 Pricing July 2026 (Thunder Compute)](https://www.thundercompute.com/blog/nvidia-rtx-pro-6000-pricing)
+- [L40S vs RTX PRO 6000 (gpuperhour)](https://gpuperhour.com/compare/l40s-vs-rtx-pro-6000-blackwell)
+- [RTX PRO 6000 vs H100 for AI Inference (OpenMetal)](https://openmetal.io/resources/blog/comparing-the-nvidia-rtx-pro-6000-vs-h100-for-ai-inference/)
+- [RTX PRO 6000 Benchmarks: 30B AWQ, 70B FP8, Cost per Mtok (Spheron)](https://www.spheron.network/blog/rent-nvidia-rtx-pro-6000/)
@@ -0,0 +1,119 @@
+# Software Assessment — GPU Server für LLM-Workloads
+
+Date: 2026-07-06
+Status: Draft for internal review
+
+## TL;DR
+
+**LM Studio ist als Server-Dienst für viele Benutzer nicht geeignet.** Es ist ein
+Desktop-Tool für Einzelnutzer. Empfehlung: **vLLM** als Inference-Server +
+**Open WebUI** als Benutzeroberfläche (Multi-User, LDAP). Für die Datei-Suche
+über SMB-Shares wird zusätzlich eine RAG-/Enterprise-Search-Komponente
+benötigt — das ist der eigentlich anspruchsvolle Teil des Projekts, nicht das
+LLM-Hosting.
+
+## 1. Ist LM Studio als Server-Dienst geeignet?
+
+Kurz: **Nein**, nicht für den Multi-User-Betrieb.
+
+Was LM Studio inzwischen kann:
+
+- Headless-Betrieb ohne GUI über den `llmster`-Daemon (offiziell dokumentiert:
+  [lmstudio.ai/docs/app/api/headless](https://lmstudio.ai/docs/app/api/headless))
+- OpenAI-kompatible lokale API
+- Seit 2025 auch für kommerzielle Nutzung kostenlos
+
+Warum es trotzdem ungeeignet ist:
+
+| Anforderung | LM Studio |
+|---|---|
+| Multi-User / Benutzerverwaltung | ❌ Keine — die API ist für einen lokalen Einzelnutzer gedacht, ohne Benutzerkonten |
+| LDAP/AD-Anbindung | ❌ Nicht vorhanden |
+| Gleichzeitige Anfragen vieler Nutzer | ❌ llama.cpp-Backend, kein Continuous Batching wie vLLM — Durchsatz bricht bei Parallelität ein |
+| Modell-Verwaltung im Betrieb | ⚠️ Modell-Laden ist exklusiv; Wechsel unterbricht den Dienst |
+| RAG / Suche über Netzlaufwerke | ❌ Nur lokale Datei-Anhänge im Chat, keine Index-Pipeline |
+
+Fazit: LM Studio bleibt sinnvoll als **lokales Tool für Power-User am
+Arbeitsplatz**, aber der Server braucht einen echten Inference-Stack.
+
+## 2. Empfohlener Software-Stack
+
+```
+[User-Browser] ──► Open WebUI (Auth via LDAP/AD, Chat-UI, RAG)
+                        │ OpenAI-kompatible API
+                        ▼
+                   vLLM (Inference-Server, Continuous Batching)
+                        ▼
+                   1× GPU (96 GB VRAM)
+
+[SMB-Shares] ──► Index-Pipeline (Embedding + Vektor-DB) ──► RAG-Abfragen
+```
+
+### Inference: vLLM
+
+- De-facto-Standard für Multi-User-LLM-Serving: Continuous Batching,
+  PagedAttention, hoher Durchsatz bei vielen gleichzeitigen Nutzern
+- OpenAI-kompatible API → jedes Frontend (auch LM Studio-Clients der
+  Power-User) kann sich verbinden
+- Läuft als Docker-Container, gut automatisierbar
+
+### Frontend: Open WebUI
+
+- Multi-User mit Rollen/Gruppen, **native LDAP-Anbindung** (deckt die
+  Anforderung "Alle User angebunden (LDAP?)" aus den Notizen ab)
+- Chat-UI im ChatGPT-Stil — geeignet für Nicht-Power-User
+- Eingebaute RAG-Funktion ("Knowledge Bases"): Dokumente hochladen und
+  durchsuchen
+
+### Datei-Suche über SMB-Shares — der kritische Punkt
+
+"Suchmaschine für eigene Daten" heißt: die Shares müssen **indiziert** werden
+(Embedding-Modell + Vektor-Datenbank), nicht nur per Chat angehängt. Optionen:
+
+1. **Open WebUI Knowledge Bases** — seit v0.9.6 mit offiziellem Sync-Tool
+   `oikb`: gemountete Verzeichnisse (→ SMB-Shares) werden inkrementell in
+   Knowledge Bases gespiegelt. Details: `20260707-deep-dive.md` §4.3.
+2. **Onyx (ehem. Danswer)** — dediziertes Enterprise-Search-Produkt,
+   Konnektoren für Datei-Quellen, eigene Benutzer-/Rechteverwaltung,
+   nutzt das lokale LLM via OpenAI-API. Passender für den Vollausbau.
+3. Eigene Pipeline (gemountete Shares + Embedding-Job + Qdrant/pgvector) —
+   maximale Kontrolle, mehr Aufwand.
+
+⚠️ **Offener Punkt, vor Angebot klären:** Müssen Suchergebnisse die
+NTFS-/Share-Berechtigungen respektieren (User A darf Dokumente von Abteilung B
+nicht sehen)? **Permission-Trimming ist in keiner der Standard-Lösungen
+trivial** und bestimmt maßgeblich Aufwand und Produktwahl. Wenn ja, ist Onyx
+oder eine kommerzielle Lösung fast zwingend; wenn die Shares ohnehin für alle
+lesbar sind, reicht der einfache Stack.
+
+### Modelle (bei 96 GB VRAM)
+
+- Start: ein 20–32B-Instruct-Modell (z. B. Qwen3-32B oder gpt-oss-20b) in
+  FP8 — schnell, viel KV-Cache-Headroom für viele parallele Nutzer, gutes
+  Deutsch
+- Option: 70B-Klasse in FP8 oder gpt-oss-120b (MXFP4, ~63 GB) passt auf die
+  eine Karte, wenn mehr Qualität gewünscht ist — auf Kosten des Durchsatzes
+- Zusätzlich ein Embedding-Modell für die Suche (z. B. multilingual-e5 oder
+  bge-m3, klein, läuft nebenher auf derselben GPU)
+
+### Betrieb
+
+- Ubuntu Server 24.04 LTS, NVIDIA-Treiber + Container Toolkit
+- Alles als Docker Compose (vLLM, Open WebUI, Vektor-DB) → reproduzierbar,
+  einfache Updates
+- Backup nur für Konfiguration + Vektor-DB nötig; Modelle sind wiederbeschaffbar
+
+## 3. Offene Fragen an den Kunden
+
+1. Wie viele Benutzer insgesamt / gleichzeitig? (bestimmt Modellgröße)
+2. Datenvolumen und Dateitypen auf den Shares? (Office, PDF, Scans/OCR?)
+3. Müssen Berechtigungen der Shares in der Suche durchgesetzt werden? (s. o.)
+4. Nur Chat + Suche, oder auch API-Zugriff für Anwendungen/Skripte?
+
+## Quellen
+
+- [LM Studio Docs — Headless/llmster](https://lmstudio.ai/docs/app/api/headless)
+- [Top 20 Tools to Run LLMs Locally in 2026 (iunera)](https://www.iunera.com/kraken/enterprise-ai/top-20-tools-to-run-llms-locally-in-2026-ollama-anythingllm-open-webui-lm-studio-vllm-and-every-real-alternative-compared/)
+- [Open WebUI Overview (glukhov.org)](https://www.glukhov.org/llm-hosting/llm-frontends/open-webui-overview-quickstart-and-alternatives/)
+- [LM Studio Complete Guide 2026 (codersera)](https://codersera.com/blog/lm-studio-complete-guide-2026/)
+- [Open WebUI + LM Studio Integration (markaicode)](https://markaicode.com/integrate/open-webui-with-lm-studio/)
@@ -0,0 +1,427 @@
+# Deep Dive — GPU-Auswahl, Inference-Backend & Anbindung der SMB-Wissensbasis
+
+Date: 2026-07-07
+Status: Entscheidungsgrundlage für Kundengespräch
+Basiert auf: `20260706-hardware-assessment.md`, `20260706-software-assessment.md`
+
+---
+
+## 0. Executive Summary
+
+| Entscheidung | Empfehlung | Konfidenz |
+|---|---|---|
+| GPU | **RTX PRO 6000 Blackwell Server Edition (96 GB)** statt H100 NVL | Hoch — durch mehrere unabhängige Benchmarks gedeckt |
+| LM Studio als Server | **Nein** — Desktop-Tool, kein Mehrbenutzer-Server | Hoch |
+| Inference-Backend | **vLLM** (ggf. Ollama zusätzlich für Power-User-Experimente) | Hoch |
+| Frontend | **Open WebUI** (LDAP/AD, Gruppen, Knowledge Bases) | Hoch |
+| SMB-Anbindung | **Phase 1: Open WebUI Knowledge + offizielles Sync-Tool `oikb`**; Phase 2: Onyx nur falls Skalierung/Berechtigungen es erzwingen | Mittel — hängt von offenen Fragen ab (§6) |
+
+---
+
+## 1. GPU: RTX PRO 6000 Blackwell SE vs. H100 NVL
+
+Der Kunde hat die H100 genannt. Das ist verständlich („die KI-GPU"), aber die
+H100 ist eine **Hopper-Karte von 2022/23** und für verteiltes Training bzw.
+Multi-GPU-Inference gebaut. Die RTX PRO 6000 Blackwell Server Edition (2025)
+ist **zwei Architektur-Generationen neuer** und von NVIDIA explizit als
+Enterprise-Inference-Karte positioniert.
+
+### 1.1 Daten im Vergleich
+
+| | RTX PRO 6000 Blackwell SE | H100 NVL |
+|---|---|---|
+| Architektur | Blackwell (2025) | Hopper (2022/23) |
+| VRAM | **96 GB GDDR7, ECC** | 94 GB HBM3, ECC |
+| Speicherbandbreite | 1,79 TB/s | **3,9 TB/s** |
+| FP8 / FP4 (NVFP4) | ✅ / **✅** | ✅ / ❌ |
+| MIG (GPU-Partitionierung) | ✅ bis 4 Instanzen ([NVIDIA](https://www.nvidia.com/en-us/data-center/rtx-pro-6000-blackwell-server-edition/)) | ✅ bis 7 Instanzen |
+| vGPU-Support | ✅ (vGPU 19.0, [NVIDIA Blog](https://developer.nvidia.com/blog/nvidia-vgpu-19-0-enables-graphics-and-ai-virtualization-on-nvidia-blackwell-gpus/)) | ✅ |
+| NVLink | ❌ (nur PCIe Gen5) | ✅ (Paarweise) |
+| Leistungsaufnahme | 600 W (passiv, Server-Kühlung) | ~400 W |
+| Formfaktor | PCIe FHFL Dual-Slot, OEM-qualifiziert (u. a. [Lenovo](https://lenovopress.lenovo.com/lp2263-thinksystem-nvidia-rtx-pro-6000-blackwell-server-edition-pcie-gen5-gpu), HPE) | PCIe Dual-Slot |
+| Straßenpreis | **~9–10 k€** | ~31 k€ (lt. Referenz-Angebot) |
+
+### 1.2 Benchmark-Evidenz (der Kern der Argumentation)
+
+Mehrere **unabhängige** Quellen, alle mit vLLM als Serving-Stack:
+
+1. **Single-GPU-Durchsatz:** RTX PRO 6000 schlägt sogar die H100 SXM
+   (3.140 vs. 2.987 tok/s) bei **28 % niedrigeren Kosten pro Token**
+   ([cloudrift.ai](https://www.cloudrift.ai/blog/benchmarking-rtx6000-vs-datacenter-gpus)).
+2. **Unter Parallellast** (unser Szenario!): stärkste Skalierung aller
+   getesteten Karten; auf Qwen-32B vor A100 **und** H100
+   ([databasemart vLLM-Benchmark](https://www.databasemart.com/blog/vllm-gpu-benchmark-pro6000)).
+3. **Bei 100 gleichzeitigen Requests**: bis zu **1,63× höherer Durchsatz als
+   die H100** ([Akamai-Benchmark](https://www.akamai.com/blog/cloud/benchmarking-nvidia-rtx-pro-6000-blackwell-akamai-cloud)).
+4. Kostenanalyse pro Million Token: [Spheron](https://www.spheron.network/blog/rent-nvidia-rtx-pro-6000/),
+   unabhängige Tests: [HOSTKEY](https://huggingface.co/blog/HOSTKEY/nvidia-rtx-6000-blackwell-server-edition-tests-ben),
+   Vergleich: [OpenMetal](https://openmetal.io/resources/blog/comparing-the-nvidia-rtx-pro-6000-vs-h100-for-ai-inference/).
+
+Warum schlägt GDDR7 hier HBM3? Die H100 spielt ihre Bandbreite erst bei
+Multi-GPU-Tensor-Parallelität über NVLink aus. Bei **einer** Karte limitiert
+meist Compute/KV-Cache-Management — und da ist Blackwell schlicht neuer
+(mehr FP8/FP4-Durchsatz, größere L2-Caches, besserer Scheduler).
+
+### 1.3 Wann wäre die H100 trotzdem richtig? (Ehrlichkeit fürs Gespräch)
+
+- **Multi-GPU-Modelle**: Modelle > 96 GB über 2+ GPUs gespannt → NVLink
+  gewinnt deutlich (8× H100 SXM ≈ 3× Durchsatz von 8× RTX PRO 6000).
+- **Training/Fine-Tuning im Dauerbetrieb** über mehrere Karten.
+- **Extreme Kontextlängen + sehr hohe Batchgrößen** (Bandbreiten-limitiert).
+
+**Keiner dieser Punkte trifft hier zu**: 1 GPU, reine Inference, ≤ 20
+gleichzeitige Anfragen, Modelle ≤ 96 GB. Selbst der Wachstumspfad (zweite
+RTX PRO 6000, zwei unabhängige vLLM-Replikate) braucht kein NVLink.
+
+### 1.4 Argumentationslinie für den Kunden (Kurzform)
+
+1. „Die H100 ist eine 2022er-Architektur am Ende ihres Zyklus; die RTX PRO
+   6000 ist NVIDIAs aktuelle Enterprise-Inference-Karte (Blackwell, 2025)."
+2. „Für genau unser Szenario — eine Karte, viele gleichzeitige Chat-Anfragen —
+   ist sie in unabhängigen Benchmarks **gleich schnell bis 1,6× schneller**."
+3. „Mehr Speicher (96 vs. 94 GB), ECC, MIG, vGPU — alle Enterprise-Merkmale
+   vorhanden, OEM-qualifiziert (HPE/Lenovo/Dell)."
+4. „**Ein Drittel des Preises.** Die Differenz (~21 k€) finanziert die
+   eigentliche Wertschöpfung — die Such-Pipeline — oder eine zweite GPU."
+5. Einziger technischer Trade-off: kein NVLink und höhere Leistungsaufnahme
+   (600 W) — beides für diesen Use Case irrelevant bzw. vom Chassis abgedeckt.
+
+⚠️ Vor Angebot prüfen: HPE-Qualifizierung der Karte für das konkrete Chassis
+(DL380 Gen12 / DL380a) und vBIOS-Stand für MIG.
+
+### 1.5 Alternativen — vollständig geprüft (Stand Juli 2026)
+
+Re-Evaluation gegen das gesamte Feld, nicht nur gegen die H100:
+
+| Kandidat | VRAM | Preis (ca.) | Bewertung für unseren Fall |
+|---|---|---|---|
+| **RTX PRO 6000 Blackwell SE** | 96 GB | **~9–10 k€** | ✅ Empfehlung — s. §1.2, aber Risiken in §1.6 beachten |
+| H100 NVL | 94 GB | ~26–30 k€ | Ausgereifteste Software-Basis (Hopper/SM90), sonst in allen Benchmarks unterlegen; 3× Preis. **Der risikoärmste, teuerste Weg.** |
+| H200 NVL | 141 GB | ~30–42 k€ ([IntuitionLabs](https://intuitionlabs.ai/articles/nvidia-ai-gpu-pricing-guide), [JarvisLabs](https://jarvislabs.ai/blog/h200-price)) | 45 GB mehr VRAM als nötig; Preis wie H100+15–20 %. Nur sinnvoll bei Modellen > 96 GB — nicht unser Fall. |
+| L40S | 48 GB | ~8 k€ | Halber Speicher, weniger als halber Durchsatz (864 GB/s, Ada 2022, kein FP4), kaum billiger. Von der RTX PRO 6000 obsolet gemacht. |
+| 2× RTX PRO 5000 Blackwell | 2×48 GB | ~9 k€ | Gleicher Gesamt-VRAM, aber Tensor-Parallel über PCIe (Overhead), doppelte Komplexität, gleiche SM120-Risiken. Kein Vorteil. |
+| RTX 5090 (Consumer) | 32 GB | ~2,5 k€ | Kein ECC, keine OEM-/Server-Qualifizierung, EULA-Grauzone im Rechenzentrum, 32 GB zu klein. Nein. |
+| AMD MI300X | 192 GB | ~15–18 k€ ([gpucost](https://gpucost.org/gpu/mi300x)) | Auf dem Papier attraktiv (192 GB!), ROCm/vLLM inzwischen First-Class ([AMD](https://rocm.blogs.amd.com/software-tools-optimization/vllm-omni/README.html)). Aber: **OAM-Modul, keine PCIe-Einzelkarte** — existiert praktisch nur in 8-GPU-Plattformen, nicht im ProLiant-2U. Dazu ROCm-Betriebsrisiko ohne AMD-Erfahrung im Team. Scheidet formfaktorbedingt aus. |
+
+Fazit der Re-Evaluation: Die Empfehlung **hält**. Die einzige echte
+Alternative ist die H100 NVL als „konservative Versicherung" zum 3-fachen
+Preis — alle anderen Kandidaten scheitern an Formfaktor, Speicher oder
+Preis-Leistung.
+
+### 1.6 Risiken der RTX PRO 6000 SE — ehrlich benannt (wichtig!)
+
+Die Karte ist neue Architektur (Blackwell/SM120), und 2025 bis Anfang 2026
+gab es dokumentierte Kinderkrankheiten:
+
+- **Kernel-Kompatibilität**: SM120 ist nicht abwärtskompatibel zu
+  Hopper-Kerneln; exotische Modellarchitekturen liefen anfangs nicht
+  (z. B. [DeepSeek-Serie](https://github.com/vllm-project/vllm/issues/26211),
+  [NVFP4-Kernel](https://github.com/vllm-project/vllm/issues/23497)).
+  Mainstream-Modelle (Llama, Qwen, Mistral, gpt-oss) sind davon nicht
+  betroffen.
+- **Reset-Bug bei Virtualisierung** (VM-Passthrough): GPU nach VM-Shutdown
+  in unrecoverable state; ab Treiber 580+ weitgehend behoben. → **Bare-Metal
+  betreiben** (ohnehin empfohlen).
+- Vereinzelte Berichte über GPU-Resets unter Dauerlast und ein
+  [offenes vLLM-Issue (03/2026)](https://github.com/vllm-project/vllm/issues/36327) —
+  letzteres betrifft `--tensor-parallel-size 4`, also **Multi-GPU, nicht
+  unsere Single-GPU-Konfiguration**.
+
+**Warum das Risiko tragbar ist (Stand Juli 2026):**
+
+1. NVIDIA führt die Karte offiziell in den
+   [vLLM-Release-Notes](https://docs.nvidia.com/deeplearning/frameworks/vllm-release-notes/rel-25-09.html)
+   (funktionaler Support, CUDA 13.0) und stellt einen eigenen
+   [vLLM-Container für RTX](https://build.nvidia.com/rtx/vllm) bereit.
+2. Systemhäuser liefern inzwischen **vLLM-vorvalidierte Server mit genau
+   dieser Karte** aus ([VRLA Tech](https://vrlatech.com/running-vllm-on-your-own-hardware-the-production-guide-for-2026/)).
+3. HPE-qualifizierte Karte + Support-Vertrag = Hardware-Risiko abgedeckt.
+
+**Absicherung im Projekt:** aktueller Treiber (≥ 580/581), NVIDIA-vLLM-
+Container statt Eigenbau, Bare-Metal, Mainstream-Modell, und die Pilotphase
+(§4.7) als **Burn-in-Test** nutzen — 2 Wochen Dauerlast vor Produktivsetzung.
+Falls der Kunde maximale Risikoaversion über Preis stellt: H100 NVL als
+dokumentierte Alternative anbieten und die Differenz transparent machen
+(~20 k€ „Versicherungsprämie" für ausgereiftere Software-Basis).
+
+---
+
+## 2. Warum LM Studio (llmster) kein Server ist — Argumentation
+
+LM Studio ist bei den Mitarbeitern bekannt und beliebt — das Argument muss
+also respektvoll sein: **das Tool ist gut, aber es löst eine andere Aufgabe.**
+
+| Server-Anforderung | LM Studio / llmster | Server-Stack (vLLM + Open WebUI) |
+|---|---|---|
+| Benutzerkonten & Login | ❌ keine Benutzerverwaltung | ✅ LDAP/AD, Rollen, Gruppen |
+| Wer darf was (Modelle, Daten)? | ❌ ein API-Key für alle | ✅ RBAC pro Gruppe/Ressource |
+| 10–20 gleichzeitige Anfragen | ❌ llama.cpp-Engine, Anfragen stauen sich | ✅ Continuous Batching |
+| Zentrale Wissensbasis (SMB) | ❌ nur lokale Datei-Anhänge pro Chat | ✅ zentrale, gepflegte Indizes |
+| Audit/Protokollierung | ❌ | ✅ |
+| Betrieb (Updates, Monitoring, HA) | ⚠️ Desktop-App-Zyklus | ✅ Container, Standard-Ops |
+
+Kernsatz fürs Gespräch: *„llmster macht aus LM Studio einen Dienst ohne
+Bildschirm — aber nicht ohne die Einzelnutzer-Architektur. Es fehlt alles,
+was aus einem laufenden Modell einen Firmendienst macht: Anmeldung,
+Berechtigungen, Parallelität, zentrale Datenanbindung."*
+
+Wichtig: Die Mitarbeiter **verlieren nichts** — Open WebUI fühlt sich wie
+ChatGPT an (einfacher als LM Studio), und Power-User können LM Studio lokal
+weiterverwenden oder per API-Key direkt gegen den Server arbeiten.
+
+---
+
+## 3. Inference-Backend: vLLM vs. Ollama
+
+Beide sprechen die OpenAI-API und funktionieren mit Open WebUI. Der
+Unterschied liegt in Architektur und Zielgruppe.
+
+### 3.1 Ist vLLM wirklich effizienter? Ja — deutlich, sobald parallel
+
+Aktuelle Benchmarks (2025/26):
+
+- Bei **50 gleichzeitigen Nutzern**: vLLM ~920 tok/s gesamt, Ollama
+  plateauiert bei ~155 tok/s; je nach Test **20–29× mehr Durchsatz** und
+  8–19× niedrigere P95-Latenz ([runaihome](https://runaihome.com/blog/vllm-vs-ollama-when-each-wins-2026/),
+  [tech-insider](https://tech-insider.org/vllm-vs-ollama-2026/)).
+- Peer-reviewte Studie: Ollama erreicht **Engpass bei ~10 gleichzeitigen
+  Nutzern**, 13–30 % Timeouts unter Last; vLLM 100 % Erfolgsquote
+  ([MDPI Applied Sciences](https://doi.org/10.3390/app16115435)).
+- Bei **einem einzelnen Nutzer** ist Ollama minimal schneller beim ersten
+  Token (~45 vs. ~82 ms TTFT) — irrelevant für einen Firmenserver
+  ([Red Hat Benchmark](https://developers.redhat.com/articles/2025/08/08/ollama-vs-vllm-deep-dive-performance-benchmarking),
+  [SitePoint](https://www.sitepoint.com/ollama-vs-vllm-performance-benchmark-2026/)).
+
+### 3.2 Der Modellwechsel-Trade-off, korrekt dargestellt
+
+| | Ollama | vLLM |
+|---|---|---|
+| Modellwechsel | ✅ automatisch, lädt/entlädt on-the-fly | ⚠️ 1 Modell pro Instanz, Wechsel = Neustart (1–2 min) |
+| Mehrere Modelle parallel | ⚠️ ja, aber teilen sich GPU unkontrolliert | ✅ mehrere Instanzen mit fester VRAM-Zuteilung |
+| Durchsatz unter Last | ❌ s. o. | ✅ |
+
+Die Flexibilität von Ollama ist im Firmenbetrieb **weniger wert, als sie
+klingt**: Nicht-Power-User wollen kein Modell wählen — sie wollen, dass es
+funktioniert. Ein ungeplanter Modellwechsel entlädt zudem das Modell der
+anderen 15 aktiven Nutzer (Kaltstart-Latenz für alle).
+
+**Empfehlung — kein Entweder-oder:**
+
+```
+GPU (96 GB, via MIG oder VRAM-Quoten aufteilbar)
+├── vLLM #1: Haupt-Chatmodell (fest, z. B. Qwen3-32B FP8)   ~40 GB
+├── vLLM #2: Embedding-Modell für die Suche                  ~4 GB
+└── optional Ollama: Spielwiese für Power-User               Rest
+```
+
+Open WebUI kann mehrere Backends gleichzeitig einbinden — die Normalnutzer
+sehen nur „Firmen-Assistent", Power-User sehen zusätzlich die
+Ollama-Modelle. Damit ist die Kundenfrage („Flexibilität vs. Effizienz")
+keine Entscheidung mehr, sondern eine Konfiguration.
+
+### 3.3 Lastabschätzung (100 Mitarbeiter)
+
+Erfahrungswerte für interne Chat-Assistenten: ~30–60 % registrieren sich,
+davon ~10–20 % gleichzeitig aktiv in Spitzen → **5–15 parallele Anfragen**.
+Das bedient eine RTX PRO 6000 mit einem 32B-FP8-Modell unter vLLM komfortabel
+(vgl. Benchmarks oben: brauchbare Latenz noch bei 50–100 parallelen Requests
+mit kleineren Modellen).
+
+---
+
+## 4. Anbindung der Wissensbasis (SMB-Shares) — der Deep Dive
+
+### 4.1 Was technisch passieren muss (unabhängig vom Produkt)
+
+Ein LLM kann nicht „auf den Share schauen". Die Pipeline ist immer:
+
+```
+SMB-Share ──mount──► Server (read-only, Service-Account)
+   │
+   ▼
+Extraktion (PDF, Office, E-Mail…; OCR für Scans)
+   ▼
+Chunking + Embedding (Embedding-Modell auf der GPU)
+   ▼
+Vektor-Datenbank (Index)                    ← periodischer Sync (cron)
+   ▼
+Retrieval zur Laufzeit: Frage → relevante Chunks → LLM antwortet mit Quellen
+```
+
+Die Produktfrage ist nur: **wer betreibt diese Pipeline und wie gut?**
+
+### 4.2 Option A — LM Studio: scheidet aus
+
+Kein zentraler Index möglich. Jeder Nutzer müsste Dateien manuell in seinen
+Chat ziehen (RAG pro Sitzung, wenige Dateien). Für „Suchmaschine über die
+Firmendaten" schlicht das falsche Werkzeug — unabhängig von der Serverfrage.
+
+### 4.3 Option B — Open WebUI Knowledge + offizielles Sync-Tool `oikb` ⭐
+
+Seit **v0.9.6** hat Open WebUI eine offizielle Lösung genau für unseren Fall
+([Docs](https://docs.openwebui.com/features/knowledge-base-sync/),
+[GitHub open-webui/oikb](https://github.com/open-webui/oikb)):
+
+- **`oikb`** (CLI, [PyPI](https://pypi.org/project/oikb/)) synchronisiert ein
+  Verzeichnis — also einen **auf dem Server gemounteten SMB-Share** — in eine
+  Knowledge Base: inkrementell per SHA-256-Diff, nur neue/geänderte Dateien
+  werden neu embedded, Löschungen werden nachgezogen, Ordnerstruktur wird
+  gespiegelt. Ein unveränderter 10.000-Dateien-Bestand re-synct in Sekunden.
+- Läuft als **Cron/systemd-Timer pro Share** → vollautomatisch, kein
+  Nutzer-Zutun.
+- **Berechtigungen**: Knowledge Bases sind per Gruppe zugreifbar; Open WebUI
+  synchronisiert **Gruppen direkt aus LDAP/AD**
+  ([LDAP-Doku](https://docs.openwebui.com/features/authentication-access/auth/ldap/)).
+  Damit lässt sich die Share-Struktur abbilden:
+
+  ```
+  \\fs01\konstruktion  ──oikb──►  KB "Konstruktion"  ──►  AD-Gruppe Konstruktion
+  \\fs01\vertrieb      ──oikb──►  KB "Vertrieb"      ──►  AD-Gruppe Vertrieb
+  \\fs01\allgemein     ──oikb──►  KB "Allgemein"     ──►  alle
+  ```
+
+- **Nutzererlebnis Normies**: Vorkonfigurierte „Modelle" in Open WebUI
+  (z. B. „Konstruktions-Assistent" = Chatmodell + KB Konstruktion fest
+  verdrahtet). Der Nutzer wählt den Assistenten und fragt auf Deutsch —
+  kein RAG-Wissen nötig, Antworten mit Quellenangabe (Datei + Passage).
+- **Power-User**: können eigene Knowledge Bases anlegen, per `#` gezielt
+  Kollektionen in den Chat holen, oder per API-Key direkt gegen vLLM arbeiten
+  (IDE-Integration, Skripte).
+
+**Grenzen (ehrlich einplanen):**
+
+1. **Berechtigungsgranularität = Share/Ordner-Ebene**, nicht NTFS-Datei-ACL.
+   Wer Zugriff auf die KB „Konstruktion" hat, kann alles darin erfragen.
+2. **Skala**: praktikabel bis in den Bereich von einigen zehntausend
+   Dokumenten pro Kollektion; bei sehr großen Shares selektiv syncen
+   (Unterordner, Dateitypen-Filter). Für den DB-Unterbau bei Wachstum
+   **pgvector statt Default** einplanen ([Scaling-Doku](https://docs.openwebui.com/getting-started/advanced-topics/scaling/)).
+3. **Extraktionsqualität** hängt von den Dateitypen ab: Office/PDF gut;
+   **gescannte PDFs brauchen OCR** (Tika/Docling als Extraktions-Engine
+   konfigurieren); CAD/proprietäre Formate bleiben außen vor.
+
+### 4.4 Option C — Onyx (ehem. Danswer) als dedizierte Such-Anwendung
+
+[Onyx](https://github.com/onyx-dot-app/onyx) ist ein spezialisiertes
+Enterprise-Search-Produkt mit 50+ Konnektoren, darunter ein **File Connector
+für lokale/Netzlaufwerke** ([Connector-Doku](https://docs.onyx.app/overview/core_features/connectors)) —
+SMB-Anbindung also wie bei Option B über einen Mount, aber mit produktisierter
+Crawling-/Index-Pipeline.
+
+- **Stärken**: bessere Such-Ergonomie (hybride Suche, Reranking), skaliert
+  auf große Bestände, Konnektoren für spätere Quellen (SharePoint, Wiki,
+  E-Mail…), eigenes Berechtigungsmodell.
+- **Schwächen für unseren Fall**:
+  - **Document-Level Permission Sync ist Enterprise Edition** (kostenpflichtig)
+    und primär für Cloud-Quellen (SharePoint, Google Drive) gebaut — für
+    SMB-NTFS-ACLs gibt es auch hier **keine fertige Lösung**.
+  - **Zweite Anwendung** mit eigener UI, eigener Nutzerverwaltung, eigenem
+    Betrieb (mehrere Container, Vespa-Index, Worker) — spürbar mehr
+    Betriebsaufwand als Option B.
+  - Zwei UIs für die Nutzer (Chat in Open WebUI, Suche in Onyx) oder man
+    ersetzt Open WebUI ganz durch Onyx' Chat — dann verliert man dessen
+    Flexibilität (Multi-Backend, Power-User-Features).
+
+### 4.5 Option D — Eigenbau-Pipeline (Qdrant/pgvector + eigener Indexer)
+
+Maximale Kontrolle (eigenes ACL-Modell, beliebige Formate/OCR, Anbindung an
+Open WebUI über dessen Pipelines/Tools-API) — aber man betreibt und wartet
+eine Individualsoftware. Nur gerechtfertigt, wenn **Datei-genaue
+NTFS-Berechtigungen** harte Anforderung sind; dann als Projekt kalkulieren
+(mehrere Wochen Entwicklung + laufende Pflege).
+
+### 4.6 Entscheidungsmatrix
+
+| Kriterium | B: Open WebUI + oikb | C: Onyx | D: Eigenbau |
+|---|---|---|---|
+| Aufwand Einführung | **niedrig** (Tage) | mittel (Wochen) | hoch |
+| Betriebsaufwand | **niedrig** (1 Stack) | mittel (2 Stacks) | hoch |
+| Berechtigungen | Share/Ordner-Ebene via AD-Gruppen | ähnlich; Datei-Ebene nur EE + nicht für SMB | frei gestaltbar |
+| Suchqualität große Bestände | gut bis ~10⁴–10⁵ Docs | **sehr gut, skaliert** | je nach Bau |
+| Normie-Tauglichkeit | **sehr gut** (ein UI, Assistenten) | gut | je nach Bau |
+| Power-User | **sehr gut** (API, eigene KBs, Ollama) | mittel | gut |
+| Kosten | Open Source | OSS; Permissions = EE-Lizenz | Entwicklungszeit |
+
+### 4.7 Empfehlung: Phasenmodell
+
+- **Phase 1 (Pilot, ~4–6 Wochen):** vLLM + Open WebUI + LDAP + `oikb` auf
+  1–2 ausgewählte Shares (read-only Service-Account). Misst reale Nutzung,
+  Suchqualität und die tatsächliche Parallellast — mit minimalem Invest.
+- **Phase 2 (Entscheid nach Pilot):** Bleiben = Ausbau Option B (mehr Shares,
+  pgvector, OCR). Nur bei nachgewiesenem Bedarf (sehr große Bestände, harte
+  Berechtigungsanforderungen) → Onyx bzw. Eigenbau ergänzen. Die
+  Investition aus Phase 1 (Server, vLLM, LDAP, Mounts) bleibt vollständig
+  erhalten — Onyx würde denselben vLLM-Endpunkt nutzen.
+
+Das Phasenmodell ist auch das Verkaufsargument: kein Big-Bang, Budget bleibt
+unter Kontrolle, und die GPU-Ersparnis aus §1 finanziert die Pilotphase.
+
+---
+
+## 5. Gesamtbild (Zielarchitektur Phase 1)
+
+```
+                        ┌────────────────────────────────────────────┐
+   Mitarbeiter ────────►│ Open WebUI  (LDAP/AD-Login, Gruppen)       │
+   (Browser)            │  ├─ „Firmen-Assistent" + KB je Abteilung   │
+                        │  └─ Power-User: API-Keys, eigene KBs       │
+                        └───────┬────────────────────────┬───────────┘
+   Power-User ─────────────────►│ OpenAI-API             │ Retrieval
+   (Skripte, IDE, LM Studio     ▼                        ▼
+    lokal als Client)      vLLM #1 Chat 32B FP8     Vektor-DB (pgvector)
+                           vLLM #2 Embeddings            ▲
+                        ┌──────────────────────┐         │ oikb-Sync (cron)
+                        │ RTX PRO 6000 96 GB   │    SMB-Mounts (ro)
+                        └──────────────────────┘         ▲
+                                                   \\fs01\... Shares
+```
+
+## 6. Offene Fragen an den Kunden (vor Angebotslegung)
+
+1. **Berechtigungen** (kritischster Punkt): Genügt Zugriffssteuerung auf
+   Share-/Ordner-Ebene via AD-Gruppen — oder müssen Datei-genaue NTFS-ACLs
+   durchgesetzt werden? (Letzteres = Eigenbau-Anteil, deutlich teurer.)
+2. **Datenbestand**: Wie viele Shares, wie viel Volumen, welche Dateitypen?
+   Anteil gescannter Dokumente (OCR-Bedarf)? CAD-Daten relevant?
+3. **Nutzerkreis**: Wie viele der ~100 Mitarbeiter sollen initial angebunden
+   werden? Gibt es Abteilungen mit Priorität?
+4. **H100-Motivation**: Steht hinter dem H100-Wunsch eine konkrete Anforderung
+   (Training? Zukunftspläne?) oder Markenwahrnehmung? → bestimmt, wie viel
+   der Argumentation aus §1.4 nötig ist.
+5. **Virtualisierung**: Soll die GPU ggf. in eine VM-Umgebung (vGPU/MIG,
+   Lizenzthema) oder Bare-Metal-Betrieb (empfohlen, einfacher)?
+6. **Sprache**: Dokumente überwiegend Deutsch? (Modellwahl: Qwen3/Mistral/
+   Llama sind mehrsprachig solide; Embedding-Modell muss multilingual sein,
+   z. B. bge-m3.)
+
+## 7. Quellen
+
+**GPU:**
+[NVIDIA RTX PRO 6000 Blackwell SE](https://www.nvidia.com/en-us/data-center/rtx-pro-6000-blackwell-server-edition/) ·
+[cloudrift.ai Benchmark](https://www.cloudrift.ai/blog/benchmarking-rtx6000-vs-datacenter-gpus) ·
+[Akamai Benchmark](https://www.akamai.com/blog/cloud/benchmarking-nvidia-rtx-pro-6000-blackwell-akamai-cloud) ·
+[databasemart vLLM-Benchmark](https://www.databasemart.com/blog/vllm-gpu-benchmark-pro6000) ·
+[HOSTKEY Tests](https://huggingface.co/blog/HOSTKEY/nvidia-rtx-6000-blackwell-server-edition-tests-ben) ·
+[OpenMetal RTX PRO 6000 vs H100](https://openmetal.io/resources/blog/comparing-the-nvidia-rtx-pro-6000-vs-h100-for-ai-inference/) ·
+[Spheron Cost/Mtok](https://www.spheron.network/blog/rent-nvidia-rtx-pro-6000/) ·
+[Lenovo Product Guide](https://lenovopress.lenovo.com/lp2263-thinksystem-nvidia-rtx-pro-6000-blackwell-server-edition-pcie-gen5-gpu) ·
+[NVIDIA vGPU 19.0](https://developer.nvidia.com/blog/nvidia-vgpu-19-0-enables-graphics-and-ai-virtualization-on-nvidia-blackwell-gpus/) ·
+[MIG auf RTX PRO 6000 (Medium)](https://medium.com/@sangjinn/maximize-your-gpu-efficiency-configuring-4-nvidia-mig-instances-on-the-rtx-pro-6000-blackwell-1c9b3714af61)
+
+**vLLM vs Ollama:**
+[Red Hat Benchmark](https://developers.redhat.com/articles/2025/08/08/ollama-vs-vllm-deep-dive-performance-benchmarking) ·
+[MDPI-Studie](https://doi.org/10.3390/app16115435) ·
+[runaihome Konkurrenz-Zahlen](https://runaihome.com/blog/vllm-vs-ollama-when-each-wins-2026/) ·
+[tech-insider](https://tech-insider.org/vllm-vs-ollama-2026/) ·
+[SitePoint](https://www.sitepoint.com/ollama-vs-vllm-performance-benchmark-2026/)
+
+**Open WebUI / RAG:**
+[Knowledge-Doku](https://docs.openwebui.com/features/workspace/knowledge/) ·
+[Knowledge Base Sync / oikb](https://docs.openwebui.com/features/knowledge-base-sync/) ·
+[oikb GitHub](https://github.com/open-webui/oikb) ·
+[LDAP-Doku](https://docs.openwebui.com/features/authentication-access/auth/ldap/) ·
+[Scaling-Doku](https://docs.openwebui.com/getting-started/advanced-topics/scaling/)
+
+**Onyx:**
+[Onyx GitHub](https://github.com/onyx-dot-app/onyx) ·
+[Connector-Übersicht](https://docs.onyx.app/overview/core_features/connectors)
@@ -0,0 +1,159 @@
+# Projektplan — Setup phy-z-srv-gpu01 (LLM-Server mit SMB-Wissensbasis)
+
+Date: 2026-07-10
+Status: Plan — Server-Lieferung in einigen Monaten erwartet
+Basiert auf: `20260706-hardware-assessment.md`, `20260706-software-assessment.md`, `20260707-deep-dive.md`
+
+---
+
+## 0. Rahmenbedingungen (fixiert)
+
+| Punkt | Entscheidung |
+|---|---|
+| Hardware | HPE DL380 Gen12, 2× Xeon 6714P, 128 GB RAM, RTX PRO 6000 96 GB, 2× 960 GB NVMe — s. `HW.md` |
+| Betrieb | **Bare Metal**, keine Virtualisierung des LLM-Stacks |
+| Nutzer | ~25, gemischt (technisch versiert + Nicht-Techniker) |
+| Auth | **AD/LDAP** (Details Service-Account/Basis-DN als Pre-Work klären) |
+| Berechtigungen | **Einfach: alle Nutzer sehen den gesamten indizierten Bestand** (Kunde bestätigt; Shares ohne HR-/Personal-Inhalte halten) |
+| Sprache | Dokumente & Nutzer überwiegend **Deutsch** → Modell- und Embedding-Wahl daran ausrichten |
+| Inference | **vLLM** mit fester GPU-Auslastung (kein Ollama als Basis) |
+| Wissensbasis | SMB-Shares (einige TB, PDF/Office), **Sync ist die Kernanforderung** |
+| Später | Jira-Anbindung u. a. Workloads; dafür ggf. **MIG** |
+| Vorgehen | Setup vollständig über **Ansible** (dieses Repo), PoC vorab: nein — reine Planung |
+
+## 1. Produktentscheidung: Open WebUI statt Onyx
+
+**Empfehlung: Open WebUI** (bestätigt und verschärft die Empfehlung aus dem
+Deep Dive §4.7). Ausschlaggebend, Stand 2026-07-10 verifiziert:
+
+1. **Onyx' File-Connector ist reiner manueller Upload** — kein Verzeichnis-Watching,
+   kein periodischer Re-Sync eines gemounteten Shares
+   ([Doku](https://docs.onyx.app/admins/connectors/official/file)). Die
+   Kernanforderung „Shares synchron halten" hieße bei Onyx: Eigenbau gegen
+   deren API. Open WebUI hat dafür das offizielle Sync-Tool
+   [`oikb`](https://github.com/open-webui/oikb) (inkrementell, Löschungen,
+   Cron-fähig — Deep Dive §4.3).
+2. **Onyx: SSO (OIDC/SAML), User Groups, RBAC, Permission-Sync = Enterprise
+   Edition (kostenpflichtig)**
+   ([Doku](https://docs.onyx.app/deployment/miscellaneous/enterprise_edition)).
+   Open WebUI: LDAP/AD-Anbindung und Gruppen sind frei.
+3. Onyx bringt einen zweiten schweren Stack mit (Vespa-Index, Postgres,
+   Worker) — auf 128 GB RAM **neben** vLLM spürbar; widerspricht „it just works".
+4. Bedienung: ein UI im ChatGPT-Stil, vorkonfigurierte Assistenten mit fester
+   Knowledge Base → passt für den gemischten Nutzerkreis.
+
+**Wann die Entscheidung zu revidieren ist** (Trigger, nach der Share-Analyse §2.1):
+
+- Der *relevante* Bestand liegt deutlich über ~10⁵ Dokumenten und lässt sich
+  nicht sinnvoll filtern → Suchqualität/Skalierung von Open WebUI prüfen,
+  Onyx (mit Eigenbau-Sync) oder Eigenbau-Pipeline (Deep Dive §4.5) neu bewerten.
+- Datei-genaue NTFS-ACLs werden doch Anforderung → Neubewertung (Deep Dive §4.4/4.5).
+
+Jira später: für *Indizierung* von Jira-Inhalten hat Onyx zwar native
+Konnektoren, Open WebUI deckt das aber über Tools/MCP (Atlassian-MCP) bzw.
+API-Workloads direkt gegen vLLM ab — kein Entscheidungskriterium für heute.
+
+## 2. Phase 0 — Pre-Work (jetzt, ohne Server)
+
+### 2.1 Share-Analyse (wichtigster Punkt — ja, unbedingt vorab)
+
+Read-only-Skript auf einer beliebigen Maschine mit Share-Zugriff (kein
+GPU-Server nötig). Zu erheben:
+
+- Volumen & Dateianzahl **pro Share und Dateityp** (pdf/docx/xlsx/…)
+- Anteil **gescannter PDFs** (Stichprobe: PDFs ohne Textlayer) → OCR-Bedarf
+- Duplikate/Altversionen („Kopie von …", Versionsordner) → Filterregeln
+- Änderungsrate (mtime-Verteilung) → Sync-Frequenz
+- Anteil nicht extrahierbarer Formate (CAD, Bilder, Archive) → Erwartungsmanagement
+- Sonderzeichen/Pfadlängen, Encoding (Umlaute!)
+
+Ergebnis bestimmt: Korpus-Umfang (→ §1-Trigger), OCR-Pipeline ja/nein,
+Index-Größe (→ Storage-Check §2.3), Erst-Indexierungsdauer.
+
+### 2.2 Mit dem Kunden zu klären (Checkliste)
+
+- [ ] AD/LDAP: Bind-Service-Account, Basis-DN, Gruppe „LLM-Nutzer"
+- [ ] **SMB-Service-Account read-only** für die Mounts (kein Nutzer-Account)
+- [ ] Welche Shares/Unterordner genau in den Index? Ausschlussliste (HR o. ä.)
+- [ ] DNS-Name (z. B. `ki.phytron.local`) + TLS (internes CA-Zertifikat?)
+- [ ] Internetzugang des Servers (Modell-/Container-Downloads bei Installation;
+      danach einschränkbar)
+- [ ] Protokollierung/Datenschutz: werden Chats gespeichert? Betriebsrat/DSGVO
+      früh einbinden
+- [ ] Update-/Wartungsfenster und wer den Betrieb nach Übergabe verantwortet
+- [ ] „Andere Workloads" konkretisieren (Jira: Inhalte durchsuchen vs.
+      Aktionen ausführen?) → bestimmt MIG-Layout später
+
+### 2.3 Storage-Check (⚠️ vor Bestellung ggf. nachsteuern)
+
+2× 960 GB NVMe, vermutlich RAID1 → **~960 GB nutzbar** für OS + Docker +
+Modelle (~100 GB) + Vektor-DB + Extraktions-Cache. Strategie: **kein lokaler
+Spiegel der Shares** — nur Index (extrahierter Text + Embeddings, erfahrungsgemäß
+wenige % des Rohvolumens). Nach der Share-Analyse gegenrechnen; wenn eng:
+zwei weitere NVMe nachordern (Slots frei) — das ist **vor** Lieferung am
+billigsten zu ändern.
+
+### 2.4 Ansible vorbereiten (im Repo, testbar ohne GPU)
+
+- `run.yml`: Play für `phy_z_srv_gpu01` ergänzen
+- Rollen-Skelett unter `ansible/roles/` (Details erst bei Umsetzung):
+  - `nvidia_gpu` — Treiber (≥ 580), Container Toolkit, optional MIG, DCGM
+  - `cifs_mounts` — ro-Mounts, Credentials aus `group_vars/secrets.yml`
+  - `llm_stack` — Docker Compose: vLLM (feste `--gpu-memory-utilization`),
+    Embedding-Server, Open WebUI + pgvector, Reverse Proxy (TLS), oikb-Timer
+  - Bestehendes nachnutzen: `geerlingguy.security` (Basis-Härtung),
+    `geerlingguy.docker`
+- `group_vars/phy_z_srv_gpu01.yml`: nur Overrides (Modellname, VRAM-Quote,
+  Share-Liste, LDAP-Parameter)
+- Alles außer GPU-Rolle ist vorab in einer Wegwerf-VM testbar (`just run`-Pfad)
+
+### 2.5 Modell-Shortlist (finale Wahl erst bei Installation!)
+
+Kandidaten heute: Qwen3-32B FP8 (Favorit: Deutsch, Durchsatz), gpt-oss-120b
+(mehr Qualität, weniger Parallelität), Embeddings bge-m3 / multilingual-e5.
+**Nicht jetzt festlegen** — Modell-Landschaft und vLLM-Support in einigen
+Monaten neu sichten (§ Wiedereinstieg). Kleines deutsches Eval-Set (20–30
+Fragen mit erwarteten Antworten aus dem Bestand) schon jetzt mit dem Kunden
+sammeln — das ist später das Abnahmekriterium.
+
+## 3. Phasen ab Server-Lieferung
+
+| Phase | Inhalt | Ergebnis/Abnahme |
+|---|---|---|
+| **1. Basis** (Woche 1) | Rack/Strom (600-W-GPU!), iLO, Firmware, RAID, Ubuntu 24.04 LTS, Eintrag in Ansible-Basis-Setup (Security, Pakete, Nutzer) | `just run phy_z_srv_gpu01` läuft grün |
+| **2. GPU-Stack** (Woche 1–2) | Rolle `nvidia_gpu`: Treiber, Container Toolkit, DCGM; **Burn-in unter Dauerlast** (SM120-Risiken, Deep Dive §1.6); MIG erst mal **aus** | `nvidia-smi` ok, 48 h-Lasttest ohne Reset |
+| **3. Inference** (Woche 2) | vLLM-Container (NVIDIA-Build) mit gewähltem Modell, feste VRAM-Quote, Embedding-Server daneben; Benchmark mit Eval-Set | deutsche Antworten ok, Ziel-Parallelität erreicht |
+| **4. UI + Auth** (Woche 2–3) | Open WebUI + pgvector, LDAP-Login, Reverse Proxy + TLS, vorkonfigurierter „Phytron-Assistent" | Login mit AD-Konto, Chat läuft |
+| **5. Wissensbasis** (Woche 3–5) | CIFS-Mounts (ro), Extraktion inkl. OCR-Engine (Tika/Docling), oikb-Sync erst auf **einen Teilbestand**, Qualität prüfen, dann Vollindex (Dauer aus §2.1 abschätzen) | Fragen aus dem Eval-Set werden mit korrekten Quellen beantwortet |
+| **6. Pilot → Rollout** (Woche 5–7) | 3–5 Pilotnutzer (gemischt), Feedback, dann alle 25; Onboarding-Einseiter (was kann es, was nicht — CAD/Scans!) | Abnahme durch Kunden |
+| **7. Betrieb** | Monitoring (GPU/DCGM, Dienste), Backup (Konfig + DBs — Modelle nicht), Update-Runbook `manuals/`, Doku im README | Runbooks vorhanden |
+| **später** | Jira & weitere Workloads; **erst dann MIG-Layout** festlegen (bis 4 Instanzen) statt jetzt raten | — |
+
+## 4. Risiken
+
+| Risiko | Umgang |
+|---|---|
+| Storage zu klein für Index (§2.3) | Share-Analyse → ggf. NVMe nachordern **vor** Lieferung |
+| Viele gescannte PDFs → OCR-Aufwand & -Qualität | Analyse-Stichprobe; OCR-Phase einplanen; Erwartungen dämpfen |
+| SM120/Treiber-Kinderkrankheiten (Deep Dive §1.6) | Treiber ≥ 580, NVIDIA-vLLM-Container, Burn-in in Phase 2, HPE-Support |
+| Software-Stand veraltet bis Lieferung | Versionen **erst bei Installation pinnen**; Wiedereinstiegs-Checkliste |
+| Erst-Indexierung dauert Tage | Teilbestand zuerst; Sync nachts; Dauer vorab abschätzen |
+| RAM-Konkurrenz Extraktion/OCR vs. vLLM | vLLM hat feste VRAM-Quote; Indexer-Jobs drosseln (nice/cgroups); 128 GB reichen für OWUI-Stack |
+| Datenschutz/Betriebsrat bei Chat-Logs | Früh klären (§2.2), Logging-Policy dokumentieren |
+| Kein HA — ein Server | Erwartung managen: Wartungsfenster = Dienst weg; Backup-Restore-Runbook |
+
+## 5. Wiedereinstiegs-Checkliste (wenn der Server da ist)
+
+1. Dieses Dokument + Deep Dive lesen; offene Punkte aus §2.2 abhaken
+2. Ergebnis der Share-Analyse vorliegen? (sonst zuerst!)
+3. Neu sichten & **dann erst pinnen**: vLLM-Version (RTX-PRO-6000-Support),
+   Open WebUI + oikb Release Notes, NVIDIA-Treiber, Modell-Shortlist §2.5
+4. Storage-Entscheidung §2.3 umgesetzt?
+5. Dann Phasenplan §3 von oben abarbeiten; jede Phase = Ansible-Commit + ggf.
+   Runbook unter `manuals/`
+
+## 6. Bewusst offen gelassen (kein Jetzt-Entscheid nötig)
+
+- Exaktes Modell & Quantisierung, vLLM-Flags, MIG-Layout, OCR-Engine-Wahl,
+  Monitoring-Stack-Details, Reverse-Proxy-Produkt — alles bei Umsetzung mit
+  aktuellem Stand entscheiden; Rahmen steht oben.