first commit

server/phy-z-srv-gpu01/20260706-software-assessment.md

@@ -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/)