Mein Setup: Dienste, Grenzen, Entscheidungen
Der Abschluss der Selfhosting-Reihe: was ich betreibe, warum ich es so betreibe und wo ich bewusst Grenzen ziehe.
Hier vergleichst du ein echtes Selfhosting-Setup mit den Entscheidungen, Grenzen und Diensten dahinter. Theorie ist das eine. Deshalb zeige ich dir hier was ich tatsächlich betreibe, wie es zusammenhängt und was die Entscheidungen dahinter waren. Nicht als Blaupause zum Nachbauen, sondern als konkretes Beispiel wie Selfhosting in der Praxis aussehen kann.
Ich selfhoste konsequent. Für alles was technisch möglich ist, läuft ein eigener Dienst. Dienste, die rund um die Uhr erreichbar sein müssen (wie n8n-Webhooks, Nextcloud oder mein Mailserver), laufen auf einem schlanken vServer im Rechenzentrum. Rechenintensive KI-Workloads und mein täglicher Arbeitsplatz bleiben auf meiner eigenen Hardware zuhause.
Die Hardware
Ich teile meine Hardware nach Aufgaben, Strombedarf und Erreichbarkeit auf drei klare Säulen auf:
| Säule & System | Hardware & Eckdaten | Aufgabe & Betrieb |
|---|---|---|
| Arbeitsplatz Haupt-Laptop |
AMD Ryzen 9 7940HX (16 Kerne, 32 Threads) 32 GB DDR5 RAM NVIDIA RTX 4060 Mobile (8 GB VRAM) Linux Mint 22.3 |
Primäre Entwicklungs-Workstation, direktes Desktop-Diktat mit Whisper und schnelle lokale Tests. |
| KI- & Compute-Server Home-Server |
AMD Ryzen 9 5900X (12 Kerne, 24 Threads) 32 GB RAM NVIDIA RTX 4070 Ti SUPER (16 GB VRAM) 1,8 TB NVMe SSD, Linux Mint |
Rechenkraftwerk für ComfyUI, Bildgenerierung und große Sprachmodelle (26B/35B). Läuft nicht durchgehend, sondern wird gezielt per Wake-on-LAN bei Bedarf geweckt. |
| 24/7 Always-On vServer (Cloud) |
Strato Cloud-Instanz 2 vCPU, 8 GB RAM Feste öffentliche IP |
Dauerläufer für Dienste mit permanenter Erreichbarkeit: n8n-Automatisierungen (Webhooks), Nextcloud und eigener Mailserver. |
Diese Aufteilung löst das Dilemma zwischen Rechenleistung und Stromverbrauch: Ein grafikstarker Hochleistungsrechner muss nicht rund um die Uhr laufen, nur um gelegentliche Webhooks oder Mails entgegenzunehmen. Dauerläufer gehören auf den sparsamen 24/7-vServer, während schwere KI-Berechnungen gezielt auf der 16-GB-Grafikkarte des Home-Servers stattfinden.
Meine laufenden Dienste
Die Grundlage für alle lokalen KI-Modelle. Kleinere Modelle laufen direkt auf dem Laptop, anspruchsvolle Modelle mit bis zu 35 Milliarden Parametern laufen voll im 16 GB VRAM des Home-Servers. Aktuelle Modelle: qwen3.5:9b, qwen2.5-coder:7b, gemma4:e4b, gemma4:26b.
Chat-Oberfläche für Ollama und externe APIs. Läuft als Docker Container, erreichbar über den Browser im gesamten Heimnetz (auch vom Tablet). Am Arbeitsplatz ergänze ich das Setup bei Programmieraufgaben gern mit LM Studio, um Modelle direkt per Klick von Hugging Face zu laden und lokale APIs bereitzustellen.
Workflow-Automatisierung für alles was sich wiederholt: Datenverarbeitung, API-Verbindungen, automatische Benachrichtigungen und Webhooks (z. B. Kontaktformulare). Läuft als Docker Container rund um die Uhr auf dem vServer.
Sprach-zu-Text über Speaches (Faster-Whisper) als Docker Container. Ich nutze es als latenzfreies Diktierwerkzeug direkt auf dem Desktop: sprechen, Tastenkombination drücken, Text landet in der aktiven Anwendung.
Node-basierte Bild- und Videogenerierung mit SDXL und FLUX.1. Nutzt die 16 GB VRAM der RTX 4070 Ti SUPER voll aus und erzeugt hochauflösende Kunstdrucke und Grafiken ohne Speicherengpässe.
Dateisynchronisation und Kontakte auf meinem Strato-vServer. Läuft als Docker Container, gesichert über Nginx und Let's Encrypt. Von überall erreichbar ohne auf fremde Cloud-Dienste angewiesen zu sein.
Ich betreibe meinen eigenen Mailserver seit über 25 Jahren. E-Mail war für mich nie eine Option die ich ausgelagert hätte. Der Server läuft ebenfalls auf dem Strato-vServer und kümmert sich um Empfang, Versand und Spam-Filterung.
Was ich nicht selbst hoste: Pragmatische Cloud-Nutzung
Selfhosting bedeutet nicht, krampfhaft alles auf der eigenen Hardware erzwingen zu müssen. Es gibt Bereiche, in denen externe Cloud-Modelle klare Vorteile bieten: bei riesigen Kontextfenstern, aktuellen Webrecherchen oder anspruchsvollen Architekturfragen.
Ich binde mich dabei nicht an starre Monats-Abos für 20 Euro pro Plattform. Stattdessen nutze ich flexible API-Schnittstellen (wie OpenRouter, Google oder Anthropic) mit Abrechnung nach tatsächlichem Token-Verbrauch. Das kostet im Alltag meist nur wenige Cent.
Viele Anwender machen den Fehler, für jede noch so kleine Alltagsaufgabe die teuersten Spitzenmodelle zu starten. In der Praxis bin ich weder Quantenphysiker noch brauche ich für ein Shell-Skript oder eine HTML-Anpassung die maximale akademische Denkstufe. Für 90 % der alltäglichen Aufgaben reichen mir schlanke, extrem schnelle Flash-Modelle oder preiswerte Alternativen wie DeepSeek, GLM und Qwen völlig aus. Die antworten in Sekundenbruchteilen und kosten fast nichts. Erst wenn komplexe Systemarchitekturen oder schwierige Programmiernüsse anstehen, schalte ich gezielt die jeweils aktuellen Spitzenmodelle von Anthropic, Google oder OpenAI dazu. Das spart bares Geld, schont Ressourcen und bringt das beste Tempo im Alltag.
Der größte Vorteil ist nicht die Kostenersparnis, sondern die Kontrolle. Ich weiß wo meine Daten liegen, kann Dienste anpassen und bin nicht von Preiserhöhungen oder Einstellungen abhängig. Der Aufwand ist überschaubar sobald das Setup läuft. Die meisten meiner Dienste laufen seit Monaten ohne dass ich sie anfassen musste.
Häufige Fragen
Warum ein eigenes Setup dokumentieren?
Dokumentation hilft bei Updates, Backups, Umzug und Fehlern, weil du später noch weißt, warum etwas so gebaut wurde.
Muss ich alles selbst hosten?
Nein. Gute Selfhosting-Entscheidungen schließen bewusst aus, was zu viel Risiko oder Aufwand bringt.
Welche Dienste passen gut zusammen?
Docker, n8n, Ollama, Open WebUI, Whisper und Backups bilden ein stimmiges lokales KI- und Automationssetup.