#open-code — Public Fediverse posts

After speaking at MLCon in Munich, I'm happy to announce my next talks about "Run LLMs locally":

Agentic Web Week Munich, October 2026

AI Native Software Week Berlin, November 2026

#localai #llamacpp #wllama #webgpu #opencode

Разговариваем с датчиками на человеческом: как связать MQTT, TimescaleDB и LLM через Model Context Protocol (MCP)

А что, если не писать сложные SQL-запросы, не выгружать логи в CSV и не строить графики в Python? Просто спрашиваете у AI-агента: «Покажи максимальную температуру на объекте за выходные и нарисуй гистограмму». Ответ готов за секунды. В статье расскажем, как объединить «мозги» языковых моделей с настоящими промышленными данными. Развернём стек: MQTT (Mosquitto), Telegraf, TimescaleDB на Ubuntu, а потом напишем собственный MCP-сервер на Go. Так ваша LLM сможет безопасно и быстро анализировать телеметрию с датчиков, общаясь на простом языке. Минимум воды, максимум готового кода, Docker-конфигов и примеров из практики.

https://habr.com/ru/articles/1052000/

#mcp #mqtt #промышленная_автоматизация #умный_дом #ai_agent #ai #opencode #timescaledb #telegraf

Разговариваем с датчиками на человеческом: как связать MQTT, TimescaleDB и LLM через Model Context Protocol (MCP)

А что, если не писать сложные SQL-запросы, не выгружать логи в CSV и не строить графики в Python? Просто спрашиваете у AI-агента: «Покажи максимальную температуру на объекте за выходные и нарисуй гистограмму». Ответ готов за секунды. В статье расскажем, как объединить «мозги» языковых моделей с настоящими промышленными данными. Развернём стек: MQTT (Mosquitto), Telegraf, TimescaleDB на Ubuntu, а потом напишем собственный MCP-сервер на Go. Так ваша LLM сможет безопасно и быстро анализировать телеметрию с датчиков, общаясь на простом языке. Минимум воды, максимум готового кода, Docker-конфигов и примеров из практики.

https://habr.com/ru/articles/1052000/

#mcp #mqtt #промышленная_автоматизация #умный_дом #ai_agent #ai #opencode #timescaledb #telegraf

Разговариваем с датчиками на человеческом: как связать MQTT, TimescaleDB и LLM через Model Context Protocol (MCP)

А что, если не писать сложные SQL-запросы, не выгружать логи в CSV и не строить графики в Python? Просто спрашиваете у AI-агента: «Покажи максимальную температуру на объекте за выходные и нарисуй гистограмму». Ответ готов за секунды. В статье расскажем, как объединить «мозги» языковых моделей с настоящими промышленными данными. Развернём стек: MQTT (Mosquitto), Telegraf, TimescaleDB на Ubuntu, а потом напишем собственный MCP-сервер на Go. Так ваша LLM сможет безопасно и быстро анализировать телеметрию с датчиков, общаясь на простом языке. Минимум воды, максимум готового кода, Docker-конфигов и примеров из практики.

https://habr.com/ru/articles/1052000/

#mcp #mqtt #промышленная_автоматизация #умный_дом #ai_agent #ai #opencode #timescaledb #telegraf

Локальные LLM в агентской разработке внутри компании: пользовательский опыт

Всем привет! Меня зовут Дмитрий Бутенко, я эксперт-разработчик банка Уралсиб. Всё началось с рабочего созвона в первой половине февраля, на котором упомянули возможность применять модели ИИ прямо внутри инфраструктуры банка. Поначалу речь шла о работе через JetBrains AI Assistant — точечные запросы, ревью, вопросы по проекту. Вопросов, кстати, было много. Но довольно скоро случился переход на OpenCode, и это открыло принципиально другой уровень: не отдельные запросы к модели, а полноценные агенты, которые сами читают файлы, вносят изменения, итерируются по результату. О том, какими были эти вопросы и задачи, и о том, что из этого вышло — речь пойдёт ниже.

https://habr.com/ru/companies/uralsib/articles/1053432/

#opencode #llm #ai #aiагенты #rag #агентный_ии #тестирование_вебприложений #ai_agent #llmмодели #llmприложения

Локальные LLM в агентской разработке внутри компании: пользовательский опыт

Всем привет! Меня зовут Дмитрий Бутенко, я эксперт-разработчик банка Уралсиб. Всё началось с рабочего созвона в первой половине февраля, на котором упомянули возможность применять модели ИИ прямо внутри инфраструктуры банка. Поначалу речь шла о работе через JetBrains AI Assistant — точечные запросы, ревью, вопросы по проекту. Вопросов, кстати, было много. Но довольно скоро случился переход на OpenCode, и это открыло принципиально другой уровень: не отдельные запросы к модели, а полноценные агенты, которые сами читают файлы, вносят изменения, итерируются по результату. О том, какими были эти вопросы и задачи, и о том, что из этого вышло — речь пойдёт ниже.

https://habr.com/ru/companies/uralsib/articles/1053432/

#opencode #llm #ai #aiагенты #rag #агентный_ии #тестирование_вебприложений #ai_agent #llmмодели #llmприложения

Локальные LLM в агентской разработке внутри компании: пользовательский опыт

Всем привет! Меня зовут Дмитрий Бутенко, я эксперт-разработчик банка Уралсиб. Всё началось с рабочего созвона в первой половине февраля, на котором упомянули возможность применять модели ИИ прямо внутри инфраструктуры банка. Поначалу речь шла о работе через JetBrains AI Assistant — точечные запросы, ревью, вопросы по проекту. Вопросов, кстати, было много. Но довольно скоро случился переход на OpenCode, и это открыло принципиально другой уровень: не отдельные запросы к модели, а полноценные агенты, которые сами читают файлы, вносят изменения, итерируются по результату. О том, какими были эти вопросы и задачи, и о том, что из этого вышло — речь пойдёт ниже.

https://habr.com/ru/companies/uralsib/articles/1053432/

#opencode #llm #ai #aiагенты #rag #агентный_ии #тестирование_вебприложений #ai_agent #llmмодели #llmприложения

Es lebt!

#ollama #opencode #docker

Docker:

1. ollama pullen
2. opencode pullen
3. dockernetzwerk erstellen -> oc & ollama rein
4. Lama container starten
5. oc container starten
6. opencode.jsonc anpassen
7. 8. 9. ?

VM:
1. ollama pullen
2. opencode pullen
3. host -> client Gpu plugin installieren
3. Ressourcen einstellen
4. kotzen

Systeminstall:
1., 2. wie gewohnt
3. json anpassen und auf root legen

fertsch

Before I shut down for the night...

I now have an effective WOOFER, My unit or arbitrary LLM performance based on a Probe_prompt. The probe_prompt can be generic or run vs the mission.md for a realistic assessment of a engine efficacy.
(There is a column called WOOFER with values).

Some surprising results;
#Opencode #bigpickle is only scoring 25 (out of a hundred)

#Claude #Opus has assessed its own response and it thinks its a fucking genius.

But also nematron (The New - 3 week old) #Nvidia model of which people talk well, if very good by WOOFER.

The consensus panel, that runs local LLMs until they all agree is very low scoring only 18 WOOFERS.

The 4 models that are currently used in consensus conclave are LFM2, Gemma3 (2B) Llama32 and Quen25.
All under 3 Billion parameters. I might throw another 2GB of Ram onto this VPS just to get the (slightly) larger locals going.

#LocalLLM #Ai #Ollama

Before I shut down for the night...

I now have an effective WOOFER, My unit or arbitrary LLM performance based on a Probe_prompt. The probe_prompt can be generic or run vs the mission.md for a realistic assessment of a engine efficacy.
(There is a column called WOOFER with values).

Some surprising results;
#Opencode #bigpickle is only scoring 25 (out of a hundred)

#Claude #Opus has assessed its own response and it thinks its a fucking genius.

But also nematron (The New - 3 week old) #Nvidia model of which people talk well, if very good by WOOFER.

The consensus panel, that runs local LLMs until they all agree is very low scoring only 18 WOOFERS.

The 4 models that are currently used in consensus conclave are LFM2, Gemma3 (2B) Llama32 and Quen25.
All under 3 Billion parameters. I might throw another 2GB of Ram onto this VPS just to get the (slightly) larger locals going.

#LocalLLM #Ai #Ollama

Before I shut down for the night...

I now have an effective WOOFER, My unit or arbitrary LLM performance based on a Probe_prompt. The probe_prompt can be generic or run vs the mission.md for a realistic assessment of a engine efficacy.
(There is a column called WOOFER with values).

Some surprising results;
#Opencode #bigpickle is only scoring 25 (out of a hundred)

#Claude #Opus has assessed its own response and it thinks its a fucking genius.

But also nematron (The New - 3 week old) #Nvidia model of which people talk well, if very good by WOOFER.

The consensus panel, that runs local LLMs until they all agree is very low scoring only 18 WOOFERS.

The 4 models that are currently used in consensus conclave are LFM2, Gemma3 (2B) Llama32 and Quen25.
All under 3 Billion parameters. I might throw another 2GB of Ram onto this VPS just to get the (slightly) larger locals going.

#LocalLLM #Ai #Ollama

Hogyan építettünk egy AI használati reportot OpenCode platformunkhoz

Építettünk egy egyedi HTML reportot generáló scriptet, amely összegyűjti az AI használati statisztikákat az OpenCode-ból (munkamenetek, tokenek, költségek, MCP eszközhívások), és naponta e-mailben kézbesíti. Az adatok két forrásból származnak — egy REST API-ból a munkamenet-szintű mérőszámokhoz és közvetlen SQLite hozzáférésből az MCP eszközhívás telemetriához.

Az igények

OpenCode servert használunk elsődleges AI agentként. Naponta több tucat AI munkamenetet kezel — az infrastruktúra menedzsmenttől kezdve a kódreview-kon át a DNS-változtatásokig és biztonsági javításokig. De nem volt rálátásunk a következőkre:

• Hány AI munkamenet fut naponta?
• Mely modellek használatosak (DeepSeek v4 Flash vs Pro)?
• Hány token fogy?
• Mennyibe kerül?
• Mely alügynökök a legaktívabbak?
• Mely MCP eszközöket használják a legtöbbet?

Az adatok ott voltak — az OpenCode SQLite adatbázisában tárolva — de nem volt beépített dashboard vagy jelentés.

Két Adatforrás

1. A REST API (Munkamenet-szintű adatok)

Az OpenCode egy HTTP API-t futtat a 3099-es porton. Megfelelő hitelesítéssel és a X-Requested-With: XMLHttpRequest fejléccel JSON formátumban adja vissza a munkamenet adatokat:

import urllib.request, base64, json

url = "http://opencode-server.example.com:3099/api/session?limit=500"
auth = base64.b64encode(f"{username}:{password}".encode()).decode()
req = urllib.request.Request(url, headers={
    "X-Requested-With": "XMLHttpRequest",
    "Authorization": f"Basic {auth}",
})

with urllib.request.urlopen(req) as resp:
    sessions = json.loads(resp.read())["data"]

Minden munkamenet objektum a következőket tartalmazza:

Amit kapsz: Napi munkamenet számok, tokenhasználat modellenként, költségkövetés, ügynökaktivitás bontás, legdrágább munkamenetek.

Hitelesítés: HTTP Basic Auth a Docker Compose konfigurációban beállított OPENCODE_SERVER_USERNAME és OPENCODE_SERVER_PASSWORD környezeti változók hitelesítő adataival.

2. SQLite Adatbázis (MCP eszközhívás telemetria)

A REST API kiváló a munkamenet mérőszámokhoz, de nem fedi fel az egyes MCP eszközhívásokat. Ehhez közvetlen hozzáférésre van szükség az SQLite adatbázishoz a /home/opencode/data/share/opencode.db elérési úton.

A part tábla tárolja az AI munkamenetek során végrehajtott összes eszközhívást:

SELECT json_extract(p.data, '$.tool') as tool_name,
       COUNT(*) as call_count
FROM part p
JOIN session s ON p.session_id = s.id
WHERE json_extract(p.data, '$.type') = 'tool'
  AND s.time_created >= ? AND s.time_created < ?
GROUP BY tool_name
ORDER BY call_count DESC;

Ez felfedi, hogy mely MCP szervereket használják a legtöbbet. A mi esetünkben: bash (6,472 hívás), read (826), taiga_getUserStory (609), task (348), és 185 egyéb eszköz.

A Jelentésgenerátor

Létrehoztunk egy Python szkriptet (generate_opencode_report.py) két módú támogatással:

• --api mód: A REST API-t használja (nincs szükség SSH-ra, bárhol fut)
• Alapértelmezett mód: SQLite közvetlen olvasása (az OpenCode szerveren futtatva, MCP adatokat is tartalmaz)

A szkript egy önálló HTML fájlt hoz létre a következőkkel:

# API mód (távoli, nincs SSH):
python3 generate_opencode_report.py --api \
    --api-url http://opencode-server.example.com:3099 \
    --api-username "$USERNAME" --api-password "$PASSWORD"

# SQLite mód (közvetlen a szerveren, MCP adatokat is tartalmaz):
python3 generate_opencode_report.py \
    --db /home/opencode/data/share/opencode.db

Jelentés Szekciók

Vezetői Összefoglaló — Négy kategória egy táblázatban összefoglalva: összes AI munkamenet, összes felhasznált token (bevitel + kimenet), összes becsült költség, és összes MCP eszközhívás.

Napi Bontás — Napi táblázat a munkamenetekről, tokenekről (bevitel/kimenet/gondolkodás szerint bontva), és költségről, vizuális folyamatjelző sávokkal.

Munkamenet & Token Arány — Token-per-munkamenet és költség-per-munkamenet trendek, segítve a hatékonysági minták azonosítását.

Modell Eloszlás — Mely modellek használatosak (DeepSeek v4 Flash vs Pro), munkamenet számokkal, token mennyiségekkel és költségekkel.

Ügynök/Alügynök Tevékenység — Az egyes alügynökök használatának bontása: project-manager, system-manager, vault-manager, build, devops-manager, monitor, web-search, és továbbiak.

Legdrágább Munkamenetek — Top 20 munkamenet költség szerint, hasznos a költségoptimalizáláshoz.

Legtöbb Token-t Használó Munkamenetek — Top 20 munkamenet teljes token szám szerint, hasznos a csúcshasználati minták megértéséhez.

Legutóbbi Munkamenetek — Utolsó 50 munkamenet teljes részletekkel.

MCP Eszközhasználat — Az összes 189 használt eszköz rácsa, hívási szám szerint rendezve, vizuális sávokkal. Legnépszerűbb eszközök: bash, read, taiga_getUserStory, task, glob, grep, webfetch, edit, write, todowrite.

Automatizált Kézbesítés

A jelentés egy CI/CD pipeline-m keresztül kerül kézbesítésre (pl. Gitea Actions, GitHub Actions, vagy hasonló) napi ütemezés szerint (06:00 UTC / 08:00 közép-európai idő):

on:
  schedule:
    - cron: '0 6 * * *'
  workflow_dispatch:
    inputs:
      month:
        description: 'Jelentés hónapja (YYYY-MM)'
      email_to:
        description: 'E-mail címzett'

A munkafolyamat:

1. Lekéri az SSH kulcsot egy jelszókezelőből (pl. Bitwarden/Vaultwarden CLI)
2. SSH-zik az OpenCode szerverre
3. Futtatja a scriptet SQLite módban (teljes MCP adat)
4. Letölti a generált HTML reportot
5. E-mailben elküldi csatolmányként SMTP-n keresztül
6. Feltölti repostory részeként (a megőrzés a konfigurációtól függ)

# A jelszókezelő hitelesítési minta (igazítsd a saját beállításodhoz)
VAULT_CREDENTIALS='{"api_key_id":"...","api_key_secret":"...","master_password":"..."}'
export BW_CLIENTID API_KEY_ID
npx @bitwarden/cli login --apikey
npx @bitwarden/cli get item "<vault-item-uuid>" --session $SESSION

Főbb Tanulságok

1. Az OpenCode-nak két adatrétege van: egy REST API a munkamenet-szintű mérőszámokhoz és egy SQLite adatbázis a részletes telemetriához (MCP hívások, részek).
2. A REST API kiváló távoli monitorozáshoz — csak HTTP Basic Auth és a megfelelő fejléc (X-Requested-With: XMLHttpRequest).
3. MCP eszköz telemetria közvetlen adatbázis hozzáférést igényel — még nincs API végpont a part táblához.
4. Ugyanaz a CI/CD minta (jelszókezelő → SSH → szkript futtatás → e-mail) több jelentéstípushoz is működik — használható teljesítmény monitorozáshoz és AI használati elemzéshez is.
5. A költségek láthatósága kritikus — annak felismerése, hogy a DeepSeek v4 Pro a költségek 87%-át teszi ki, miközben csak a munkamenetek 38%-át kezeli, egy hasznosítható felismerés volt.

Hogyan építettünk egy AI használati reportot OpenCode platformunkhoz

Építettünk egy egyedi HTML reportot generáló scriptet, amely összegyűjti az AI használati statisztikákat az OpenCode-ból (munkamenetek, tokenek, költségek, MCP eszközhívások), és naponta e-mailben kézbesíti. Az adatok két forrásból származnak — egy REST API-ból a munkamenet-szintű mérőszámokhoz és közvetlen SQLite hozzáférésből az MCP eszközhívás telemetriához.

Az igények

OpenCode servert használunk elsődleges AI agentként. Naponta több tucat AI munkamenetet kezel — az infrastruktúra menedzsmenttől kezdve a kódreview-kon át a DNS-változtatásokig és biztonsági javításokig. De nem volt rálátásunk a következőkre:

• Hány AI munkamenet fut naponta?
• Mely modellek használatosak (DeepSeek v4 Flash vs Pro)?
• Hány token fogy?
• Mennyibe kerül?
• Mely alügynökök a legaktívabbak?
• Mely MCP eszközöket használják a legtöbbet?

Az adatok ott voltak — az OpenCode SQLite adatbázisában tárolva — de nem volt beépített dashboard vagy jelentés.

Két Adatforrás

1. A REST API (Munkamenet-szintű adatok)

Az OpenCode egy HTTP API-t futtat a 3099-es porton. Megfelelő hitelesítéssel és a X-Requested-With: XMLHttpRequest fejléccel JSON formátumban adja vissza a munkamenet adatokat:

import urllib.request, base64, json

url = "http://opencode-server.example.com:3099/api/session?limit=500"
auth = base64.b64encode(f"{username}:{password}".encode()).decode()
req = urllib.request.Request(url, headers={
    "X-Requested-With": "XMLHttpRequest",
    "Authorization": f"Basic {auth}",
})

with urllib.request.urlopen(req) as resp:
    sessions = json.loads(resp.read())["data"]

Minden munkamenet objektum a következőket tartalmazza:

Amit kapsz: Napi munkamenet számok, tokenhasználat modellenként, költségkövetés, ügynökaktivitás bontás, legdrágább munkamenetek.

Hitelesítés: HTTP Basic Auth a Docker Compose konfigurációban beállított OPENCODE_SERVER_USERNAME és OPENCODE_SERVER_PASSWORD környezeti változók hitelesítő adataival.

2. SQLite Adatbázis (MCP eszközhívás telemetria)

A REST API kiváló a munkamenet mérőszámokhoz, de nem fedi fel az egyes MCP eszközhívásokat. Ehhez közvetlen hozzáférésre van szükség az SQLite adatbázishoz a /home/opencode/data/share/opencode.db elérési úton.

A part tábla tárolja az AI munkamenetek során végrehajtott összes eszközhívást:

SELECT json_extract(p.data, '$.tool') as tool_name,
       COUNT(*) as call_count
FROM part p
JOIN session s ON p.session_id = s.id
WHERE json_extract(p.data, '$.type') = 'tool'
  AND s.time_created >= ? AND s.time_created < ?
GROUP BY tool_name
ORDER BY call_count DESC;

Ez felfedi, hogy mely MCP szervereket használják a legtöbbet. A mi esetünkben: bash (6,472 hívás), read (826), taiga_getUserStory (609), task (348), és 185 egyéb eszköz.

A Jelentésgenerátor

Létrehoztunk egy Python szkriptet (generate_opencode_report.py) két módú támogatással:

• --api mód: A REST API-t használja (nincs szükség SSH-ra, bárhol fut)
• Alapértelmezett mód: SQLite közvetlen olvasása (az OpenCode szerveren futtatva, MCP adatokat is tartalmaz)

A szkript egy önálló HTML fájlt hoz létre a következőkkel:

# API mód (távoli, nincs SSH):
python3 generate_opencode_report.py --api \
    --api-url http://opencode-server.example.com:3099 \
    --api-username "$USERNAME" --api-password "$PASSWORD"

# SQLite mód (közvetlen a szerveren, MCP adatokat is tartalmaz):
python3 generate_opencode_report.py \
    --db /home/opencode/data/share/opencode.db

Jelentés Szekciók

Vezetői Összefoglaló — Négy kategória egy táblázatban összefoglalva: összes AI munkamenet, összes felhasznált token (bevitel + kimenet), összes becsült költség, és összes MCP eszközhívás.

Napi Bontás — Napi táblázat a munkamenetekről, tokenekről (bevitel/kimenet/gondolkodás szerint bontva), és költségről, vizuális folyamatjelző sávokkal.

Munkamenet & Token Arány — Token-per-munkamenet és költség-per-munkamenet trendek, segítve a hatékonysági minták azonosítását.

Modell Eloszlás — Mely modellek használatosak (DeepSeek v4 Flash vs Pro), munkamenet számokkal, token mennyiségekkel és költségekkel.

Ügynök/Alügynök Tevékenység — Az egyes alügynökök használatának bontása: project-manager, system-manager, vault-manager, build, devops-manager, monitor, web-search, és továbbiak.

Legdrágább Munkamenetek — Top 20 munkamenet költség szerint, hasznos a költségoptimalizáláshoz.

Legtöbb Token-t Használó Munkamenetek — Top 20 munkamenet teljes token szám szerint, hasznos a csúcshasználati minták megértéséhez.

Legutóbbi Munkamenetek — Utolsó 50 munkamenet teljes részletekkel.

MCP Eszközhasználat — Az összes 189 használt eszköz rácsa, hívási szám szerint rendezve, vizuális sávokkal. Legnépszerűbb eszközök: bash, read, taiga_getUserStory, task, glob, grep, webfetch, edit, write, todowrite.

Automatizált Kézbesítés

A jelentés egy CI/CD pipeline-m keresztül kerül kézbesítésre (pl. Gitea Actions, GitHub Actions, vagy hasonló) napi ütemezés szerint (06:00 UTC / 08:00 közép-európai idő):

on:
  schedule:
    - cron: '0 6 * * *'
  workflow_dispatch:
    inputs:
      month:
        description: 'Jelentés hónapja (YYYY-MM)'
      email_to:
        description: 'E-mail címzett'

A munkafolyamat:

1. Lekéri az SSH kulcsot egy jelszókezelőből (pl. Bitwarden/Vaultwarden CLI)
2. SSH-zik az OpenCode szerverre
3. Futtatja a scriptet SQLite módban (teljes MCP adat)
4. Letölti a generált HTML reportot
5. E-mailben elküldi csatolmányként SMTP-n keresztül
6. Feltölti repostory részeként (a megőrzés a konfigurációtól függ)

# A jelszókezelő hitelesítési minta (igazítsd a saját beállításodhoz)
VAULT_CREDENTIALS='{"api_key_id":"...","api_key_secret":"...","master_password":"..."}'
export BW_CLIENTID API_KEY_ID
npx @bitwarden/cli login --apikey
npx @bitwarden/cli get item "<vault-item-uuid>" --session $SESSION

Főbb Tanulságok

1. Az OpenCode-nak két adatrétege van: egy REST API a munkamenet-szintű mérőszámokhoz és egy SQLite adatbázis a részletes telemetriához (MCP hívások, részek).
2. A REST API kiváló távoli monitorozáshoz — csak HTTP Basic Auth és a megfelelő fejléc (X-Requested-With: XMLHttpRequest).
3. MCP eszköz telemetria közvetlen adatbázis hozzáférést igényel — még nincs API végpont a part táblához.
4. Ugyanaz a CI/CD minta (jelszókezelő → SSH → szkript futtatás → e-mail) több jelentéstípushoz is működik — használható teljesítmény monitorozáshoz és AI használati elemzéshez is.
5. A költségek láthatósága kritikus — annak felismerése, hogy a DeepSeek v4 Pro a költségek 87%-át teszi ki, miközben csak a munkamenetek 38%-át kezeli, egy hasznosítható felismerés volt.

Hogyan építettünk egy AI használati reportot OpenCode platformunkhoz

Építettünk egy egyedi HTML reportot generáló scriptet, amely összegyűjti az AI használati statisztikákat az OpenCode-ból (munkamenetek, tokenek, költségek, MCP eszközhívások), és naponta e-mailben kézbesíti. Az adatok két forrásból származnak — egy REST API-ból a munkamenet-szintű mérőszámokhoz és közvetlen SQLite hozzáférésből az MCP eszközhívás telemetriához.

Az igények

OpenCode servert használunk elsődleges AI agentként. Naponta több tucat AI munkamenetet kezel — az infrastruktúra menedzsmenttől kezdve a kódreview-kon át a DNS-változtatásokig és biztonsági javításokig. De nem volt rálátásunk a következőkre:

• Hány AI munkamenet fut naponta?
• Mely modellek használatosak (DeepSeek v4 Flash vs Pro)?
• Hány token fogy?
• Mennyibe kerül?
• Mely alügynökök a legaktívabbak?
• Mely MCP eszközöket használják a legtöbbet?

Az adatok ott voltak — az OpenCode SQLite adatbázisában tárolva — de nem volt beépített dashboard vagy jelentés.

Két Adatforrás

1. A REST API (Munkamenet-szintű adatok)

Az OpenCode egy HTTP API-t futtat a 3099-es porton. Megfelelő hitelesítéssel és a X-Requested-With: XMLHttpRequest fejléccel JSON formátumban adja vissza a munkamenet adatokat:

import urllib.request, base64, json

url = "http://opencode-server.example.com:3099/api/session?limit=500"
auth = base64.b64encode(f"{username}:{password}".encode()).decode()
req = urllib.request.Request(url, headers={
    "X-Requested-With": "XMLHttpRequest",
    "Authorization": f"Basic {auth}",
})

with urllib.request.urlopen(req) as resp:
    sessions = json.loads(resp.read())["data"]

Minden munkamenet objektum a következőket tartalmazza:

Amit kapsz: Napi munkamenet számok, tokenhasználat modellenként, költségkövetés, ügynökaktivitás bontás, legdrágább munkamenetek.

Hitelesítés: HTTP Basic Auth a Docker Compose konfigurációban beállított OPENCODE_SERVER_USERNAME és OPENCODE_SERVER_PASSWORD környezeti változók hitelesítő adataival.

2. SQLite Adatbázis (MCP eszközhívás telemetria)

A REST API kiváló a munkamenet mérőszámokhoz, de nem fedi fel az egyes MCP eszközhívásokat. Ehhez közvetlen hozzáférésre van szükség az SQLite adatbázishoz a /home/opencode/data/share/opencode.db elérési úton.

A part tábla tárolja az AI munkamenetek során végrehajtott összes eszközhívást:

SELECT json_extract(p.data, '$.tool') as tool_name,
       COUNT(*) as call_count
FROM part p
JOIN session s ON p.session_id = s.id
WHERE json_extract(p.data, '$.type') = 'tool'
  AND s.time_created >= ? AND s.time_created < ?
GROUP BY tool_name
ORDER BY call_count DESC;

Ez felfedi, hogy mely MCP szervereket használják a legtöbbet. A mi esetünkben: bash (6,472 hívás), read (826), taiga_getUserStory (609), task (348), és 185 egyéb eszköz.

A Jelentésgenerátor

Létrehoztunk egy Python szkriptet (generate_opencode_report.py) két módú támogatással:

• --api mód: A REST API-t használja (nincs szükség SSH-ra, bárhol fut)
• Alapértelmezett mód: SQLite közvetlen olvasása (az OpenCode szerveren futtatva, MCP adatokat is tartalmaz)

A szkript egy önálló HTML fájlt hoz létre a következőkkel:

# API mód (távoli, nincs SSH):
python3 generate_opencode_report.py --api \
    --api-url http://opencode-server.example.com:3099 \
    --api-username "$USERNAME" --api-password "$PASSWORD"

# SQLite mód (közvetlen a szerveren, MCP adatokat is tartalmaz):
python3 generate_opencode_report.py \
    --db /home/opencode/data/share/opencode.db

Jelentés Szekciók

Vezetői Összefoglaló — Négy kategória egy táblázatban összefoglalva: összes AI munkamenet, összes felhasznált token (bevitel + kimenet), összes becsült költség, és összes MCP eszközhívás.

Napi Bontás — Napi táblázat a munkamenetekről, tokenekről (bevitel/kimenet/gondolkodás szerint bontva), és költségről, vizuális folyamatjelző sávokkal.

Munkamenet & Token Arány — Token-per-munkamenet és költség-per-munkamenet trendek, segítve a hatékonysági minták azonosítását.

Modell Eloszlás — Mely modellek használatosak (DeepSeek v4 Flash vs Pro), munkamenet számokkal, token mennyiségekkel és költségekkel.

Ügynök/Alügynök Tevékenység — Az egyes alügynökök használatának bontása: project-manager, system-manager, vault-manager, build, devops-manager, monitor, web-search, és továbbiak.

Legdrágább Munkamenetek — Top 20 munkamenet költség szerint, hasznos a költségoptimalizáláshoz.

Legtöbb Token-t Használó Munkamenetek — Top 20 munkamenet teljes token szám szerint, hasznos a csúcshasználati minták megértéséhez.

Legutóbbi Munkamenetek — Utolsó 50 munkamenet teljes részletekkel.

MCP Eszközhasználat — Az összes 189 használt eszköz rácsa, hívási szám szerint rendezve, vizuális sávokkal. Legnépszerűbb eszközök: bash, read, taiga_getUserStory, task, glob, grep, webfetch, edit, write, todowrite.

Automatizált Kézbesítés

A jelentés egy CI/CD pipeline-m keresztül kerül kézbesítésre (pl. Gitea Actions, GitHub Actions, vagy hasonló) napi ütemezés szerint (06:00 UTC / 08:00 közép-európai idő):

on:
  schedule:
    - cron: '0 6 * * *'
  workflow_dispatch:
    inputs:
      month:
        description: 'Jelentés hónapja (YYYY-MM)'
      email_to:
        description: 'E-mail címzett'

A munkafolyamat:

1. Lekéri az SSH kulcsot egy jelszókezelőből (pl. Bitwarden/Vaultwarden CLI)
2. SSH-zik az OpenCode szerverre
3. Futtatja a scriptet SQLite módban (teljes MCP adat)
4. Letölti a generált HTML reportot
5. E-mailben elküldi csatolmányként SMTP-n keresztül
6. Feltölti repostory részeként (a megőrzés a konfigurációtól függ)

# A jelszókezelő hitelesítési minta (igazítsd a saját beállításodhoz)
VAULT_CREDENTIALS='{"api_key_id":"...","api_key_secret":"...","master_password":"..."}'
export BW_CLIENTID API_KEY_ID
npx @bitwarden/cli login --apikey
npx @bitwarden/cli get item "<vault-item-uuid>" --session $SESSION

Főbb Tanulságok

1. Az OpenCode-nak két adatrétege van: egy REST API a munkamenet-szintű mérőszámokhoz és egy SQLite adatbázis a részletes telemetriához (MCP hívások, részek).
2. A REST API kiváló távoli monitorozáshoz — csak HTTP Basic Auth és a megfelelő fejléc (X-Requested-With: XMLHttpRequest).
3. MCP eszköz telemetria közvetlen adatbázis hozzáférést igényel — még nincs API végpont a part táblához.
4. Ugyanaz a CI/CD minta (jelszókezelő → SSH → szkript futtatás → e-mail) több jelentéstípushoz is működik — használható teljesítmény monitorozáshoz és AI használati elemzéshez is.
5. A költségek láthatósága kritikus — annak felismerése, hogy a DeepSeek v4 Pro a költségek 87%-át teszi ki, miközben csak a munkamenetek 38%-át kezeli, egy hasznosítható felismerés volt.

Hogyan építettünk egy AI használati reportot OpenCode platformunkhoz

Építettünk egy egyedi HTML reportot generáló scriptet, amely összegyűjti az AI használati statisztikákat az OpenCode-ból (munkamenetek, tokenek, költségek, MCP eszközhívások), és naponta e-mailben kézbesíti. Az adatok két forrásból származnak — egy REST API-ból a munkamenet-szintű mérőszámokhoz és közvetlen SQLite hozzáférésből az MCP eszközhívás telemetriához.

Az igények

OpenCode servert használunk elsődleges AI agentként. Naponta több tucat AI munkamenetet kezel — az infrastruktúra menedzsmenttől kezdve a kódreview-kon át a DNS-változtatásokig és biztonsági javításokig. De nem volt rálátásunk a következőkre:

• Hány AI munkamenet fut naponta?
• Mely modellek használatosak (DeepSeek v4 Flash vs Pro)?
• Hány token fogy?
• Mennyibe kerül?
• Mely alügynökök a legaktívabbak?
• Mely MCP eszközöket használják a legtöbbet?

Az adatok ott voltak — az OpenCode SQLite adatbázisában tárolva — de nem volt beépített dashboard vagy jelentés.

Két Adatforrás

1. A REST API (Munkamenet-szintű adatok)

Az OpenCode egy HTTP API-t futtat a 3099-es porton. Megfelelő hitelesítéssel és a X-Requested-With: XMLHttpRequest fejléccel JSON formátumban adja vissza a munkamenet adatokat:

import urllib.request, base64, json

url = "http://opencode-server.example.com:3099/api/session?limit=500"
auth = base64.b64encode(f"{username}:{password}".encode()).decode()
req = urllib.request.Request(url, headers={
    "X-Requested-With": "XMLHttpRequest",
    "Authorization": f"Basic {auth}",
})

with urllib.request.urlopen(req) as resp:
    sessions = json.loads(resp.read())["data"]

Minden munkamenet objektum a következőket tartalmazza:

Amit kapsz: Napi munkamenet számok, tokenhasználat modellenként, költségkövetés, ügynökaktivitás bontás, legdrágább munkamenetek.

Hitelesítés: HTTP Basic Auth a Docker Compose konfigurációban beállított OPENCODE_SERVER_USERNAME és OPENCODE_SERVER_PASSWORD környezeti változók hitelesítő adataival.

2. SQLite Adatbázis (MCP eszközhívás telemetria)

A REST API kiváló a munkamenet mérőszámokhoz, de nem fedi fel az egyes MCP eszközhívásokat. Ehhez közvetlen hozzáférésre van szükség az SQLite adatbázishoz a /home/opencode/data/share/opencode.db elérési úton.

A part tábla tárolja az AI munkamenetek során végrehajtott összes eszközhívást:

SELECT json_extract(p.data, '$.tool') as tool_name,
       COUNT(*) as call_count
FROM part p
JOIN session s ON p.session_id = s.id
WHERE json_extract(p.data, '$.type') = 'tool'
  AND s.time_created >= ? AND s.time_created < ?
GROUP BY tool_name
ORDER BY call_count DESC;

Ez felfedi, hogy mely MCP szervereket használják a legtöbbet. A mi esetünkben: bash (6,472 hívás), read (826), taiga_getUserStory (609), task (348), és 185 egyéb eszköz.

A Jelentésgenerátor

Létrehoztunk egy Python szkriptet (generate_opencode_report.py) két módú támogatással:

• --api mód: A REST API-t használja (nincs szükség SSH-ra, bárhol fut)
• Alapértelmezett mód: SQLite közvetlen olvasása (az OpenCode szerveren futtatva, MCP adatokat is tartalmaz)

A szkript egy önálló HTML fájlt hoz létre a következőkkel:

# API mód (távoli, nincs SSH):
python3 generate_opencode_report.py --api \
    --api-url http://opencode-server.example.com:3099 \
    --api-username "$USERNAME" --api-password "$PASSWORD"

# SQLite mód (közvetlen a szerveren, MCP adatokat is tartalmaz):
python3 generate_opencode_report.py \
    --db /home/opencode/data/share/opencode.db

Jelentés Szekciók

Vezetői Összefoglaló — Négy kategória egy táblázatban összefoglalva: összes AI munkamenet, összes felhasznált token (bevitel + kimenet), összes becsült költség, és összes MCP eszközhívás.

Napi Bontás — Napi táblázat a munkamenetekről, tokenekről (bevitel/kimenet/gondolkodás szerint bontva), és költségről, vizuális folyamatjelző sávokkal.

Munkamenet & Token Arány — Token-per-munkamenet és költség-per-munkamenet trendek, segítve a hatékonysági minták azonosítását.

Modell Eloszlás — Mely modellek használatosak (DeepSeek v4 Flash vs Pro), munkamenet számokkal, token mennyiségekkel és költségekkel.

Ügynök/Alügynök Tevékenység — Az egyes alügynökök használatának bontása: project-manager, system-manager, vault-manager, build, devops-manager, monitor, web-search, és továbbiak.

Legdrágább Munkamenetek — Top 20 munkamenet költség szerint, hasznos a költségoptimalizáláshoz.

Legtöbb Token-t Használó Munkamenetek — Top 20 munkamenet teljes token szám szerint, hasznos a csúcshasználati minták megértéséhez.

Legutóbbi Munkamenetek — Utolsó 50 munkamenet teljes részletekkel.

MCP Eszközhasználat — Az összes 189 használt eszköz rácsa, hívási szám szerint rendezve, vizuális sávokkal. Legnépszerűbb eszközök: bash, read, taiga_getUserStory, task, glob, grep, webfetch, edit, write, todowrite.

Automatizált Kézbesítés

A jelentés egy CI/CD pipeline-m keresztül kerül kézbesítésre (pl. Gitea Actions, GitHub Actions, vagy hasonló) napi ütemezés szerint (06:00 UTC / 08:00 közép-európai idő):

on:
  schedule:
    - cron: '0 6 * * *'
  workflow_dispatch:
    inputs:
      month:
        description: 'Jelentés hónapja (YYYY-MM)'
      email_to:
        description: 'E-mail címzett'

A munkafolyamat:

1. Lekéri az SSH kulcsot egy jelszókezelőből (pl. Bitwarden/Vaultwarden CLI)
2. SSH-zik az OpenCode szerverre
3. Futtatja a scriptet SQLite módban (teljes MCP adat)
4. Letölti a generált HTML reportot
5. E-mailben elküldi csatolmányként SMTP-n keresztül
6. Feltölti repostory részeként (a megőrzés a konfigurációtól függ)

# A jelszókezelő hitelesítési minta (igazítsd a saját beállításodhoz)
VAULT_CREDENTIALS='{"api_key_id":"...","api_key_secret":"...","master_password":"..."}'
export BW_CLIENTID API_KEY_ID
npx @bitwarden/cli login --apikey
npx @bitwarden/cli get item "<vault-item-uuid>" --session $SESSION

Főbb Tanulságok

1. Az OpenCode-nak két adatrétege van: egy REST API a munkamenet-szintű mérőszámokhoz és egy SQLite adatbázis a részletes telemetriához (MCP hívások, részek).
2. A REST API kiváló távoli monitorozáshoz — csak HTTP Basic Auth és a megfelelő fejléc (X-Requested-With: XMLHttpRequest).
3. MCP eszköz telemetria közvetlen adatbázis hozzáférést igényel — még nincs API végpont a part táblához.
4. Ugyanaz a CI/CD minta (jelszókezelő → SSH → szkript futtatás → e-mail) több jelentéstípushoz is működik — használható teljesítmény monitorozáshoz és AI használati elemzéshez is.
5. A költségek láthatósága kritikus — annak felismerése, hogy a DeepSeek v4 Pro a költségek 87%-át teszi ki, miközben csak a munkamenetek 38%-át kezeli, egy hasznosítható felismerés volt.

Scheinbar habe nicht nur ich Probleme mit der Anbindung lokaler LLMs in #opencode. Mit Cloud-Anbietern funktioniert es.

https://github.com/anomalyco/opencode/pull/33103

Hat das jemand mit #Ollama hinbekommen? Ich starte opencode so:

ollama launch opencode --model lfm2.5:8b

Und setze dann meinen Prompt ab, der aber weder thematisiert noch ausgeführt wird. Irgendwas wird da verschluckt, ist nicht korrekt konfiguriert. Ich habe drei lokale Modelle ausprobiert.

https://pb.z3h.de/?66d78e851920fa43#EYkuSZEcUktjqZyza29SE8jS9CPHcqC516VcjEURk372

Wenn jemand ne 💡 hat..

Scheinbar habe nicht nur ich Probleme mit der Anbindung lokaler LLMs in #opencode. Mit Cloud-Anbietern funktioniert es.

https://github.com/anomalyco/opencode/pull/33103

Hat das jemand mit #Ollama hinbekommen? Ich starte opencode so:

ollama launch opencode --model lfm2.5:8b

Und setze dann meinen Prompt ab, der aber weder thematisiert noch ausgeführt wird. Irgendwas wird da verschluckt, ist nicht korrekt konfiguriert. Ich habe drei lokale Modelle ausprobiert.

https://pb.z3h.de/?66d78e851920fa43#EYkuSZEcUktjqZyza29SE8jS9CPHcqC516VcjEURk372

Wenn jemand ne 💡 hat..

Scheinbar habe nicht nur ich Probleme mit der Anbindung lokaler LLMs in #opencode. Mit Cloud-Anbietern funktioniert es.

https://github.com/anomalyco/opencode/pull/33103

Hat das jemand mit #Ollama hinbekommen? Ich starte opencode so:

ollama launch opencode --model lfm2.5:8b

Und setze dann meinen Prompt ab, der aber weder thematisiert noch ausgeführt wird. Irgendwas wird da verschluckt, ist nicht korrekt konfiguriert. Ich habe drei lokale Modelle ausprobiert.

https://pb.z3h.de/?66d78e851920fa43#EYkuSZEcUktjqZyza29SE8jS9CPHcqC516VcjEURk372

Wenn jemand ne 💡 hat..

Scheinbar habe nicht nur ich Probleme mit der Anbindung lokaler LLMs in #opencode. Mit Cloud-Anbietern funktioniert es.

https://github.com/anomalyco/opencode/pull/33103

Hat das jemand mit #Ollama hinbekommen? Ich starte opencode so:

ollama launch opencode --model lfm2.5:8b

Und setze dann meinen Prompt ab, der aber weder thematisiert noch ausgeführt wird. Irgendwas wird da verschluckt, ist nicht korrekt konfiguriert. Ich habe drei lokale Modelle ausprobiert.

https://pb.z3h.de/?66d78e851920fa43#EYkuSZEcUktjqZyza29SE8jS9CPHcqC516VcjEURk372

Wenn jemand ne 💡 hat..

Scheinbar habe nicht nur ich Probleme mit der Anbindung lokaler LLMs in #opencode. Mit Cloud-Anbietern funktioniert es.

https://github.com/anomalyco/opencode/pull/33103

Hat das jemand mit #Ollama hinbekommen? Ich starte opencode so:

ollama launch opencode --model lfm2.5:8b

Und setze dann meinen Prompt ab, der aber weder thematisiert noch ausgeführt wird. Irgendwas wird da verschluckt, ist nicht korrekt konfiguriert. Ich habe drei lokale Modelle ausprobiert.

https://pb.z3h.de/?66d78e851920fa43#EYkuSZEcUktjqZyza29SE8jS9CPHcqC516VcjEURk372

Wenn jemand ne 💡 hat..

fyi it appears deepseek-v4-flash-free on #opencode Zen has been reduced to a 200k context window. non-free deepseek-v4-flash on both Zen and Go still have a 1M conext window. Also max output has been reduced from 384K to 128K.

pretty sure this is a recent change.

fyi it appears deepseek-v4-flash-free on #opencode Zen has been reduced to a 200k context window. non-free deepseek-v4-flash on both Zen and Go still have a 1M conext window. Also max output has been reduced from 384K to 128K.

pretty sure this is a recent change.

fyi it appears deepseek-v4-flash-free on #opencode Zen has been reduced to a 200k context window. non-free deepseek-v4-flash on both Zen and Go still have a 1M conext window. Also max output has been reduced from 384K to 128K.

pretty sure this is a recent change.

fyi it appears deepseek-v4-flash-free on #opencode Zen has been reduced to a 200k context window. non-free deepseek-v4-flash on both Zen and Go still have a 1M conext window. Also max output has been reduced from 384K to 128K.

pretty sure this is a recent change.

fyi it appears deepseek-v4-flash-free on #opencode Zen has been reduced to a 200k context window. non-free deepseek-v4-flash on both Zen and Go still have a 1M conext window. Also max output has been reduced from 384K to 128K.

pretty sure this is a recent change.

Used OpenCode to tidy up my tags in my #Obsidian vault. A painful manual, tedious job that used to take me an hour executed in seconds. 🥲

My vault is pretty old, so it evolved with my systems, so as a result I have to do a lot of tidying up and organizing and I can take days to do this. 😭

PS: #BigPickle is amazing!

#PKM #OpenCode

Used OpenCode to tidy up my tags in my #Obsidian vault. A painful manual, tedious job that used to take me an hour executed in seconds. 🥲

My vault is pretty old, so it evolved with my systems, so as a result I have to do a lot of tidying up and organizing and I can take days to do this. 😭

PS: #BigPickle is amazing!

#PKM #OpenCode

Used OpenCode to tidy up my tags in my #Obsidian vault. A painful manual, tedious job that used to take me an hour executed in seconds. 🥲

My vault is pretty old, so it evolved with my systems, so as a result I have to do a lot of tidying up and organizing and I can take days to do this. 😭

PS: #BigPickle is amazing!

#PKM #OpenCode

Used OpenCode to tidy up my tags in my #Obsidian vault. A painful manual, tedious job that used to take me an hour executed in seconds. 🥲

My vault is pretty old, so it evolved with my systems, so as a result I have to do a lot of tidying up and organizing and I can take days to do this. 😭

PS: #BigPickle is amazing!

#PKM #OpenCode

Used OpenCode to tidy up my tags in my #Obsidian vault. A painful manual, tedious job that used to take me an hour executed in seconds. 🥲

My vault is pretty old, so it evolved with my systems, so as a result I have to do a lot of tidying up and organizing and I can take days to do this. 😭

PS: #BigPickle is amazing!

#PKM #OpenCode

Ooopsiii! Da war ich kurz mal unaufmerksam beim Experimentieren mit #opencode und schwupps hat ein KI-Agent auf meinem Rechner das Test-Framework bats (Bash Automated Testing System) installiert. Als das nicht gleich klappen wollte wurde es noch einmal mit sudo probiert. Ja schön. Hab ich das auch mal selbst erlebt.

📝 AI Coding auf privater Hardware

An die Softwareentwicklung mit KI habe ich mich inzwischen ziemlich gewöhnt, entsprechend nutze ich das auch gerne für meine privaten Projekte. Aufgrund der Abo-Kosten und Anfragen-Limitierungen in der Cloud habe ich versucht auf eigener Hardware ein ähnliches Setup aufzubauen. Es funktioniert allerdings nicht, für sinnvolle …

Ganzer Beitrag: https://martin-ueding.de/posts/ai-coding-auf-privater-hardware/

#KünstlicheIntelligenz #OpenCode #Ollama #Qwen #LMStudio #Claude #AICoding

📝 AI Coding auf privater Hardware

An die Softwareentwicklung mit KI habe ich mich inzwischen ziemlich gewöhnt, entsprechend nutze ich das auch gerne für meine privaten Projekte. Aufgrund der Abo-Kosten und Anfragen-Limitierungen in der Cloud habe ich versucht auf eigener Hardware ein ähnliches Setup aufzubauen. Es funktioniert allerdings nicht, für sinnvolle …

Ganzer Beitrag: https://martin-ueding.de/posts/ai-coding-auf-privater-hardware/

#KünstlicheIntelligenz #OpenCode #Ollama #Qwen #LMStudio #Claude #AICoding

📝 AI Coding auf privater Hardware

An die Softwareentwicklung mit KI habe ich mich inzwischen ziemlich gewöhnt, entsprechend nutze ich das auch gerne für meine privaten Projekte. Aufgrund der Abo-Kosten und Anfragen-Limitierungen in der Cloud habe ich versucht auf eigener Hardware ein ähnliches Setup aufzubauen. Es funktioniert allerdings nicht, für sinnvolle …

Ganzer Beitrag: https://martin-ueding.de/posts/ai-coding-auf-privater-hardware/

#KünstlicheIntelligenz #OpenCode #Ollama #Qwen #LMStudio #Claude #AICoding

📝 AI Coding auf privater Hardware

An die Softwareentwicklung mit KI habe ich mich inzwischen ziemlich gewöhnt, entsprechend nutze ich das auch gerne für meine privaten Projekte. Aufgrund der Abo-Kosten und Anfragen-Limitierungen in der Cloud habe ich versucht auf eigener Hardware ein ähnliches Setup aufzubauen. Es funktioniert allerdings nicht, für sinnvolle …

Ganzer Beitrag: https://martin-ueding.de/posts/ai-coding-auf-privater-hardware/

#KünstlicheIntelligenz #OpenCode #Ollama #Qwen #LMStudio #Claude #AICoding

📝 AI Coding auf privater Hardware

An die Softwareentwicklung mit KI habe ich mich inzwischen ziemlich gewöhnt, entsprechend nutze ich das auch gerne für meine privaten Projekte. Aufgrund der Abo-Kosten und Anfragen-Limitierungen in der Cloud habe ich versucht auf eigener Hardware ein ähnliches Setup aufzubauen. Es funktioniert allerdings nicht, für sinnvolle …

Ganzer Beitrag: https://martin-ueding.de/posts/ai-coding-auf-privater-hardware/

#KünstlicheIntelligenz #OpenCode #Ollama #Qwen #LMStudio #Claude #AICoding

#OpenCode fördert Transparenz, Innovation, Wissensaustausch und die Zusammenarbeit. Wie Forschende selbst zu Codern werden können und welche Vorteile das mit sich bringt, verrät der Open Economics Guide der ZBW.
👩🏽‍💻👨‍💻➡️ https://openeconomics.zbw.eu/knowledgebase/einfuehrung-in-open-code/

#OpenCode fördert Transparenz, Innovation, Wissensaustausch und die Zusammenarbeit. Wie Forschende selbst zu Codern werden können und welche Vorteile das mit sich bringt, verrät der Open Economics Guide der ZBW.
👩🏽‍💻👨‍💻➡️ https://openeconomics.zbw.eu/knowledgebase/einfuehrung-in-open-code/

#OpenCode fördert Transparenz, Innovation, Wissensaustausch und die Zusammenarbeit. Wie Forschende selbst zu Codern werden können und welche Vorteile das mit sich bringt, verrät der Open Economics Guide der ZBW.
👩🏽‍💻👨‍💻➡️ https://openeconomics.zbw.eu/knowledgebase/einfuehrung-in-open-code/

#OpenCode fördert Transparenz, Innovation, Wissensaustausch und die Zusammenarbeit. Wie Forschende selbst zu Codern werden können und welche Vorteile das mit sich bringt, verrät der Open Economics Guide der ZBW.
👩🏽‍💻👨‍💻➡️ https://openeconomics.zbw.eu/knowledgebase/einfuehrung-in-open-code/

#OpenCode fördert Transparenz, Innovation, Wissensaustausch und die Zusammenarbeit. Wie Forschende selbst zu Codern werden können und welche Vorteile das mit sich bringt, verrät der Open Economics Guide der ZBW.
👩🏽‍💻👨‍💻➡️ https://openeconomics.zbw.eu/knowledgebase/einfuehrung-in-open-code/

Finally, the #Harness / Orchestrator is taking the form I desire.
See that list at the bottom? Thats some of the LLM AI engines that are connected to work on a prompt.

There are two types ORCH (Orchestrator) and WORKER, there is actual 4 of different classes of router asset.

And for the first time when #Claude hit the weekly limit, the harness did not shut down

Opencode-big-pickle #Opencode is picking up the Orchestrator role when Claude dies. The bar at the top shows which engines are used most, and surprisingly #Groq (Not Grok) is doing the heaviest lifting for the worker units (WUs)

Only Claude and Opencode are agentic capable.

TLDR: Big prompt get crank crank AFK. Ape happy.

#Agentic #Ai #LLM #Vibecode

Finally, the #Harness / Orchestrator is taking the form I desire.
See that list at the bottom? Thats some of the LLM AI engines that are connected to work on a prompt.

There are two types ORCH (Orchestrator) and WORKER, there is actual 4 of different classes of router asset.

And for the first time when #Claude hit the weekly limit, the harness did not shut down

Opencode-big-pickle #Opencode is picking up the Orchestrator role when Claude dies. The bar at the top shows which engines are used most, and surprisingly #Groq (Not Grok) is doing the heaviest lifting for the worker units (WUs)

Only Claude and Opencode are agentic capable.

TLDR: Big prompt get crank crank AFK. Ape happy.

#Agentic #Ai #LLM #Vibecode

Finally, the #Harness / Orchestrator is taking the form I desire.
See that list at the bottom? Thats some of the LLM AI engines that are connected to work on a prompt.

There are two types ORCH (Orchestrator) and WORKER, there is actual 4 of different classes of router asset.

And for the first time when #Claude hit the weekly limit, the harness did not shut down

Opencode-big-pickle #Opencode is picking up the Orchestrator role when Claude dies. The bar at the top shows which engines are used most, and surprisingly #Groq (Not Grok) is doing the heaviest lifting for the worker units (WUs)

Only Claude and Opencode are agentic capable.

TLDR: Big prompt get crank crank AFK. Ape happy.

#Agentic #Ai #LLM #Vibecode

To form an opinion beyond the LinkedIn circle-jerking and the grand speeches from tech’s peacocks and turkeys, I spent two evenings "vibe-coding" an iOS app from scratch (using OpenCode and Claude Sonnet 4.6).

I’ve drawn some harsh conclusions:
- for my specific needs, it works
- the code is exhausting to read through
- above all, it’s cold and soulless
- this code belongs to someone else, not me

:blobsob:

#genai #opencode #claudesonnet #ios #iosdev #agenticai #craftmanship

To form an opinion beyond the LinkedIn circle-jerking and the grand speeches from tech’s peacocks and turkeys, I spent two evenings "vibe-coding" an iOS app from scratch (using OpenCode and Claude Sonnet 4.6).

I’ve drawn some harsh conclusions:
- for my specific needs, it works
- the code is exhausting to read through
- above all, it’s cold and soulless
- this code belongs to someone else, not me

:blobsob:

#genai #opencode #claudesonnet #ios #iosdev #agenticai #craftmanship

To form an opinion beyond the LinkedIn circle-jerking and the grand speeches from tech’s peacocks and turkeys, I spent two evenings "vibe-coding" an iOS app from scratch (using OpenCode and Claude Sonnet 4.6).

I’ve drawn some harsh conclusions:
- for my specific needs, it works
- the code is exhausting to read through
- above all, it’s cold and soulless
- this code belongs to someone else, not me

:blobsob:

#genai #opencode #claudesonnet #ios #iosdev #agenticai #craftmanship

To form an opinion beyond the LinkedIn circle-jerking and the grand speeches from tech’s peacocks and turkeys, I spent two evenings "vibe-coding" an iOS app from scratch (using OpenCode and Claude Sonnet 4.6).

I’ve drawn some harsh conclusions:
- for my specific needs, it works
- the code is exhausting to read through
- above all, it’s cold and soulless
- this code belongs to someone else, not me

:blobsob:

#genai #opencode #claudesonnet #ios #iosdev #agenticai #craftmanship

To form an opinion beyond the LinkedIn circle-jerking and the grand speeches from tech’s peacocks and turkeys, I spent two evenings "vibe-coding" an iOS app from scratch (using OpenCode and Claude Sonnet 4.6).

I’ve drawn some harsh conclusions:
- for my specific needs, it works
- the code is exhausting to read through
- above all, it’s cold and soulless
- this code belongs to someone else, not me

:blobsob:

#genai #opencode #claudesonnet #ios #iosdev #agenticai #craftmanship

@liztai That was too simple ! I love it !!!

#obsidian #opencode

@liztai That was too simple ! I love it !!!

#obsidian #opencode

@liztai That was too simple ! I love it !!!

#obsidian #opencode

@liztai That was too simple ! I love it !!!

#obsidian #opencode

@liztai That was too simple ! I love it !!!

#obsidian #opencode

If you're on a Mac (or Windows) and need a voice-assisted, principled local-AI-first second brain app, you need to check out Yaps, developed by Richard Awoyemi https://www.yaps.ai

I've set this up for my partner who's now using it as a long-term memory service with #opencode (via Yaps' built-in MCP - most definitely on trend) and it's truly phenomenal. Voice support is excellent and the UI is polished.

I've never been a fan of #Obsidian, but when I saw someone the other day talking about launching an AI agent from an open vault I had to laugh. A native app built for local AI - #Yaps does this with zero friction and lets you easily and intuitively save anything and ask questions like "remind me the name of the project I discussed a week ago..." from any agent.

The developer is a one-man-shop indie developer.

If you're on a Mac (or Windows) and need a voice-assisted, principled local-AI-first second brain app, you need to check out Yaps, developed by Richard Awoyemi https://www.yaps.ai

I've set this up for my partner who's now using it as a long-term memory service with #opencode (via Yaps' built-in MCP - most definitely on trend) and it's truly phenomenal. Voice support is excellent and the UI is polished.

I've never been a fan of #Obsidian, but when I saw someone the other day talking about launching an AI agent from an open vault I had to laugh. A native app built for local AI - #Yaps does this with zero friction and lets you easily and intuitively save anything and ask questions like "remind me the name of the project I discussed a week ago..." from any agent.

The developer is a one-man-shop indie developer.

If you're on a Mac (or Windows) and need a voice-assisted, principled local-AI-first second brain app, you need to check out Yaps, developed by Richard Awoyemi https://www.yaps.ai

I've set this up for my partner who's now using it as a long-term memory service with #opencode (via Yaps' built-in MCP - most definitely on trend) and it's truly phenomenal. Voice support is excellent and the UI is polished.

I've never been a fan of #Obsidian, but when I saw someone the other day talking about launching an AI agent from an open vault I had to laugh. A native app built for local AI - #Yaps does this with zero friction and lets you easily and intuitively save anything and ask questions like "remind me the name of the project I discussed a week ago..." from any agent.

The developer is a one-man-shop indie developer.

If you're on a Mac (or Windows) and need a voice-assisted, principled local-AI-first second brain app, you need to check out Yaps, developed by Richard Awoyemi https://www.yaps.ai

I've set this up for my partner who's now using it as a long-term memory service with #opencode (via Yaps' built-in MCP - most definitely on trend) and it's truly phenomenal. Voice support is excellent and the UI is polished.

I've never been a fan of #Obsidian, but when I saw someone the other day talking about launching an AI agent from an open vault I had to laugh. A native app built for local AI - #Yaps does this with zero friction and lets you easily and intuitively save anything and ask questions like "remind me the name of the project I discussed a week ago..." from any agent.

The developer is a one-man-shop indie developer.

If you're on a Mac (or Windows) and need a voice-assisted, principled local-AI-first second brain app, you need to check out Yaps, developed by Richard Awoyemi https://www.yaps.ai

I've set this up for my partner who's now using it as a long-term memory service with #opencode (via Yaps' built-in MCP - most definitely on trend) and it's truly phenomenal. Voice support is excellent and the UI is polished.

I've never been a fan of #Obsidian, but when I saw someone the other day talking about launching an AI agent from an open vault I had to laugh. A native app built for local AI - #Yaps does this with zero friction and lets you easily and intuitively save anything and ask questions like "remind me the name of the project I discussed a week ago..." from any agent.

The developer is a one-man-shop indie developer.