Privater Chat mit Dokumenten: Ollama, Qdrant, Open WebUI
# Privater Chat mit Dokumenten: Ollama, Qdrant, Open WebUI code: 1newgs9 | type: stack | language: de | licence: MIT | version: v1 description: docker-compose-Stack für einen privaten Chat mit Ihren Dokumenten: Ollama (Modell), Qdrant (Vektordatenbank) und Open WebUI (Oberfläche). page: https://contextetech.com/de/stacks/privater-chat-mit-dokumenten-1newgs9 mcp: connect https://contextetech.com/mcp then call load_resource with code "1newgs9" (or ask "load 1newgs9") json: https://contextetech.com/api/resources/contextetech--privater-chat-mit-dokumenten python: pip install contexte && contexte get 1newgs9 citation (required by the licence): contextetech. (2026). Privater Chat mit Dokumenten: Ollama, Qdrant, Open WebUI (Version 1) [Stack]. Contexte Tech. https://contextetech.com/de/stacks/privater-chat-mit-dokumenten-1newgs9
docker-compose-Stack für einen privaten Chat mit Ihren Dokumenten: Ollama (Modell), Qdrant (Vektordatenbank) und Open WebUI (Oberfläche).
Zugriffe Mittel
- Dateien oder Daten lesen
- Dateien ändern oder löschen
- Daten ins Internet senden
- Befehle auf dem Rechner ausführen : Nein
Dienste
- Ollama: betreibt das Modell
- Qdrant: Vektordatenbank
- Open WebUI: Chat-Oberfläche und Dokumenten-Upload
Ports : 3000 (Oberfläche), 11434 (Ollama), 6333 (Qdrant)
1. docker compose up -d 2. Modell laden: docker compose exec ollama ollama pull mistral 3. http://localhost:3000 öffnen, Admin-Konto anlegen und Dokumente hochladen.
docker-compose.yml
services:
ollama:
image: ollama/ollama
volumes:
- ollama:/root/.ollama
ports:
- "11434:11434"
qdrant:
image: qdrant/qdrant
volumes:
- qdrant:/qdrant/storage
ports:
- "6333:6333"
open-webui:
image: ghcr.io/open-webui/open-webui:main
depends_on: [ollama, qdrant]
environment:
- OLLAMA_BASE_URL=http://ollama:11434
- VECTOR_DB=qdrant
- QDRANT_URI=http://qdrant:6333
volumes:
- open-webui:/app/backend/data
ports:
- "3000:8080"
volumes:
ollama:
qdrant:
open-webui:- Kennung
- contextetech--privater-chat-mit-dokumenten
- Datei
- docker-compose.yml
- Format
- YML
- Größe
- 574 Bytes
- Kodierung
- UTF-8
- Geschätzte Tokens
- ≈ 159
- Kommerzielle Nutzung
- Erlaubt
- Personenbezogene Daten
- Keine
- Version
- 1.0
- Veröffentlicht am
- 3. Oktober 2026 um 05:20
- Aktualisiert am
- 16. Oktober 2026 um 23:19
- Speicherung
- in der Datenbank
Statistiken
Gefällt mir : 0 · Kommentare : 0
Klicken Sie auf einen Zähler, um ihn ein- oder auszublenden; fahren Sie über das Diagramm für Details. Ein Aufruf pro Besucher und Tag, ohne Bots; Zählung seit dem 30. September 2026.
Geschätzte Kosten
- Eingabe-Tokens pro Aufruf
- ≈ 373
| Modell | Pro Aufruf | Pro Monat |
|---|---|---|
| GPT-6 Luna · OpenAIbester Preis | 0,00003 € | 0,03 € |
| DeepSeek Flash · DeepSeek | 0,00010 € | 0,10 € |
| Mistral Large · Mistral AI | 0,00016 € | 0,16 € |
| DeepSeek V4 Pro · DeepSeek | 0,00043 € | 0,43 € |
| GPT-6 Sol · OpenAI | 0,00066 € | 0,66 € |
| Claude Sonnet 5.5 · Anthropic | 0,00066 € | 0,66 € |
| Claude Opus 5.5 · Anthropic | 0,00131 € | 1,31 € |
| Selbst gehostetes Open-Source-Modell (Ollama, vLLM) | 0 € API-Kosten (nur Serverkosten) | |
Nur Eingabekosten, ohne die Antwort des Modells. Öffentliche Standardpreise der Anbieter (Mistral AI, DeepSeek, OpenAI, Anthropic) von USD in Euro umgerechnet zum EZB-Kurs vom 13. Oktober 2026. Schätzung: 1 Token ≈ 3,6 Zeichen.
Gemeinsam für alle 3 Regionen
Vom Autor erstellt, ohne externe Quelle.
Kommerzielle Nutzung erlaubt · Autor nennen · Änderungen erlaubt.
Angegebene Zugriffe: Dateien lesen, Dateien ändern, Daten ins Internet senden.
Gehostet in Frankreich (Scaleway, Paris). Keine Übermittlung außerhalb der EU.
Europäische Union · 5/5
Keine personenbezogenen Daten.
Keine Trainingsdaten: keine Zusammenfassung erforderlich.
Vereinigte Staaten · 5/5
Keine personenbezogenen Daten.
Keine Trainingsdaten: keine Dokumentation zu veröffentlichen.
China · 5/5
Keine personenbezogenen Daten.
Keine Trainingsdaten; in China verbreitete KI-generierte Inhalte sind zu kennzeichnen (2025).
Unverbindliche Übersicht, Stand 30/09/2026, keine rechtliche Zertifizierung. Methode und Quellen →
Qualität des Inhalts
Die Kriterien im Detail sind Mitgliedern vorbehalten.
Jedes Kriterium, die abgezogenen Punkte und ein Tipp zur Korrektur.
MCP contexte
https://contextetech.com/mcp
lade 1newgs9
Die Adresse in den Einstellungen deiner KI-Apps als Connector hinzufügen und dann die Anfrage oben senden.
API
import json, urllib.request url = "https://contextetech.com/api/resources/contextetech--privater-chat-mit-dokumenten" fiche = json.load(urllib.request.urlopen(url)) print(fiche["title"] or fiche["name"])
docker-compose.yml
services:
ollama:
image: ollama/ollama
volumes:
- ollama:/root/.ollama
ports:
- "11434:11434"
qdrant:
image: qdrant/qdrant
volumes:
- qdrant:/qdrant/storage
ports:
- "6333:6333"
open-webui:
image: ghcr.io/open-webui/open-webui:main
depends_on: [ollama, qdrant]
environment:
- OLLAMA_BASE_URL=http://ollama:11434
- VECTOR_DB=qdrant
- QDRANT_URI=http://qdrant:6333
volumes:
- open-webui:/app/backend/data
ports:
- "3000:8080"
volumes:
ollama:
qdrant:
open-webui:
Starten
# enregistrez docker-compose.yml, puis : docker compose up -d docker compose ps
Community
Noch keine Kommentare. Teile deine Erfahrung, sie hilft den Nächsten.