> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-de/ki-plattformen-and-agenten/open-interpreter.md). # Open Interpreter **Open Interpreter** ermöglicht Sprachmodellen, Code auszuführen, im Web zu browsen und Dateien auf Ihrem Rechner über eine natürliche Sprach-Chat-Oberfläche zu bearbeiten. Mit über 57.000 GitHub-Sternen ist es die führende Open-Source-Alternative zu ChatGPTs Code Interpreter — jedoch ohne Sandbox-Beschränkungen. {% hint style="success" %} Alle Beispiele können auf GPU-Servern ausgeführt werden, die über [CLORE.AI Marketplace](https://clore.ai/marketplace). {% endhint %} *** ## Was ist Open Interpreter? Open Interpreter bringt die Kraft eines KI-Coding-Assistenten direkt in Ihr Terminal. Anstatt zwischen ChatGPT und Ihrer Shell zu kopieren und einzufügen, chatten Sie natürlich und das Modell führt Code in Echtzeit aus: * **Führen Sie Python, JS, Shell, R, AppleScript aus** — direkt auf Ihrem Server * **Im Web browsen** — Seiten abrufen, Formulare ausfüllen, Daten extrahieren * **Dateien bearbeiten** — jede Datei auf der Festplatte erstellen, ändern und verwalten * **Persistenter Zustand** — Variablen, Imports und Ergebnisse über Nachrichten hinweg erhalten sich * **Mehrere LLM-Backends** — OpenAI, Anthropic, lokale Modelle über Ollama/LlamaCpp {% hint style="info" %} Open Interpreter ist für Entwickler und Forscher konzipiert, die eine konversationelle Schnittstelle zu ihrer gesamten Rechenumgebung wünschen. Auf einem Clore.ai GPU-Server erhalten Sie eine leistungsfähige Maschine mit vollem Internetzugang und ohne Ausführungsbegrenzungen. {% endhint %} *** ## Serveranforderungen | Komponente | Minimum | Empfohlen | | -------------- | -------------------------- | ------------------------------- | | GPU | Jede (CPU-Modus verfügbar) | RTX 3090 / A100 für lokale LLMs | | VRAM | — | 24 GB+ für lokale 13B-Modelle | | RAM | 8 GB | 16 GB+ | | CPU | 4 Kerne | 8+ Kerne | | Speicher | 20 GB | 50 GB+ | | Betriebssystem | Ubuntu 20.04+ | Ubuntu 22.04 | | Python | 3.10+ | 3.11 | | Netzwerk | Erforderlich | Highspeed für Web-Browsing | *** ## Ports | Port | Dienst | Hinweise | | ---- | ----------------------- | --------------------------------- | | 22 | SSH | Terminalzugang, Tunnel für Web-UI | | 8000 | Open Interpreter Server | REST-API & optionale Web-UI | *** ## Schnellstart mit Docker Open Interpreter hat kein offizielles Docker-Image, daher bauen wir ein sauberes. Dieser Ansatz bietet Ihnen eine reproduzierbare, isolierte Umgebung auf jedem Clore.ai-Server. ### Dockerfile ```dockerfile FROM python:3.11-slim # Systemabhängigkeiten RUN apt-get update && apt-get install -y \ git \ curl \ wget \ build-essential \ nodejs \ npm \ chromium \ chromium-driver \ && rm -rf /var/lib/apt/lists/* # Installiere Open Interpreter mit allen Extras RUN pip install --no-cache-dir \ open-interpreter \ 'open-interpreter[local]' \ playwright \ jupyter # Installiere Playwright-Browser RUN playwright install chromium WORKDIR /workspace # Serverport freigeben EXPOSE 8000 # Standard: interaktives Terminal CMD ["interpreter"] ``` ### Build & Run ```bash # Baue das Image docker build -t open-interpreter:latest . # Starte den interaktiven Modus (Terminal-Chat) docker run -it --rm \ -e OPENAI_API_KEY=sk-... \ -v $(pwd)/workspace:/workspace \ open-interpreter:latest # Als REST-API-Server ausführen docker run -d \ --name open-interpreter \ -p 8000:8000 \ -e OPENAI_API_KEY=sk-... \ -v $(pwd)/workspace:/workspace \ open-interpreter:latest \ interpreter --server --port 8000 --host 0.0.0.0 ``` *** ## Installation auf Clore.ai (Bare Metal) Wenn Sie es vorziehen, direkt auf einem Clore.ai-Server ohne Docker zu arbeiten: ### Schritt 1 — Einen Server mieten 1. Gehe zu [Clore.ai Marketplace](https://clore.ai/marketplace) 2. Filtern nach **RAM ≥ 16 GB**, **GPU** (optional, aber nützlich für lokale Modelle) 3. Wählen Sie einen Server mit **PyTorch** oder **Ubuntu** Basis-Image 4. Offen **SSH-Port 22** und optional **8000** in Ihrer Bestellung ### Schritt 2 — Verbindung per SSH ```bash ssh root@ -p ``` ### Schritt 3 — Abhängigkeiten installieren ```bash # System aktualisieren apt-get update && apt-get upgrade -y # Python 3.11 installieren apt-get install -y python3.11 python3.11-venv python3.11-pip nodejs npm curl # Virtuelle Umgebung erstellen python3.11 -m venv /opt/open-interpreter source /opt/open-interpreter/bin/activate ``` ### Schritt 4 — Open Interpreter installieren ```bash # Basisinstallation pip install open-interpreter # Mit Unterstützung für lokale LLMs (Ollama, LlamaCpp) pip install 'open-interpreter[local]' # Mit Browser-/Web-Unterstützung pip install playwright playwright install chromium ``` ### Schritt 5 — API-Schlüssel konfigurieren ```bash # Umgebungsvariable setzen (in ~/.bashrc hinzufügen für Persistenz) export OPENAI_API_KEY=sk-your-key-here export ANTHROPIC_API_KEY=sk-ant-your-key-here # Oder verwenden Sie eine .env-Datei cat > /workspace/.env << 'EOF' OPENAI_API_KEY=sk-your-key-here ANTHROPIC_API_KEY=sk-ant-your-key-here EOF ``` ### Schritt 6 — Erster Start ```bash # Umgebung aktivieren source /opt/open-interpreter/bin/activate # Interaktiven Chat starten interpreter # Oder mit spezifischem Modell interpreter --model gpt-4o interpreter --model claude-3-5-sonnet-20241022 ``` *** ## Verwendung lokaler LLMs (kein API-Schlüssel erforderlich) Eines der Killer-Features von Open Interpreter auf Clore.ai GPU-Servern ist das vollständige Ausführen lokaler Modelle: ### Option A: Ollama-Backend ```bash # Installiere Ollama curl -fsSL https://ollama.ai/install.sh | sh # Ziehe ein code-fähiges Modell ollama pull codellama:13b ollama pull deepseek-coder:6.7b ollama pull mistral:7b # Starte Open Interpreter mit Ollama interpreter --model ollama/codellama:13b ``` ### Option B: LlamaCpp-Backend ```bash # Installiere llama-cpp-python mit CUDA-Unterstützung pip install 'llama-cpp-python[server]' --extra-index-url https://jllllll.github.io/llama-cpp-python-cuBLAS-wheels/AVX2/cu121 # Lade ein GGUF-Modell herunter wget https://huggingface.co/TheBloke/CodeLlama-13B-GGUF/resolve/main/codellama-13b.Q4_K_M.gguf # Mit dem lokalen Modell ausführen interpreter --local --model /path/to/codellama-13b.Q4_K_M.gguf ``` *** ## Als Server ausführen (REST-API) Open Interpreter 0.2+ enthält einen eingebauten HTTP-Server für programmatischen Zugriff: ```bash # Starte den Server interpreter --server --port 8000 --host 0.0.0.0 # In einem anderen Terminal oder Client Anfragen senden: curl -X POST http://:8000/run \ -H "Content-Type: application/json" \ -d '{"language": "python", "code": "import os; print(os.listdir(\".\"))"}' # Chat-Endpunkt curl -X POST http://:8000/chat \ -H "Content-Type: application/json" \ -d '{"message": "List all Python files in /workspace and count lines of code"}' ``` ### SSH-Tunnel für lokalen Zugriff Wenn Port 8000 nicht öffentlich freigegeben ist, verwenden Sie SSH-Tunneling: ```bash # Auf Ihrem lokalen Rechner ssh -L 8000:localhost:8000 root@ -p -N # Dann öffnen Sie http://localhost:8000 ``` *** ## Praktische Beispiele ### Beispiel 1: Datenanalyse-Pipeline ``` Benutzer: Lade den MNIST-Datensatz herunter, trainiere ein einfaches CNN und zeichne Genauigkeitskurven. Speichere das Diagramm als mnist_results.png Open Interpreter: Klar! Ich mache das Schritt für Schritt... [führt Python-Code in Echtzeit aus] ``` ```python # Open Interpreter erzeugt und führt aus: import tensorflow as tf import matplotlib.pyplot as plt import numpy as np (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data() # ... trainiert das Modell, plottet Ergebnisse, speichert PNG ``` ### Beispiel 2: Web-Scraping ``` Benutzer: Scrape die Top-10 der heute trendenden GitHub-Repositories und speichere sie in einer CSV mit Name, Sternen und Beschreibung. ``` ### Beispiel 3: Dateiverwaltung ``` Benutzer: Finde alle .log-Dateien in /var/log, die älter als 7 Tage sind, und komprimiere sie in ein Tarball unter /backup/logs-$(date).tar.gz ``` ### Beispiel 4: Systemüberwachungs-Skript ``` Benutzer: Schreibe mir ein Python-Skript, das die GPU-Speichernutzung alle 5 Sekunden überwacht und alarmiert, wenn sie 90 % überschreitet. Führe es im Hintergrund aus. ``` *** ## Konfigurationsdatei Erstellen `~/.interpreter/config.yaml` um Standardwerte zu setzen: ```yaml model: gpt-4o temperature: 0 system_message: | Sie sind ein hilfreicher KI-Assistent, der auf einem Clore.ai GPU-Server läuft. Bevorzugen Sie stets effizienten, produktionsreifen Code. Speichern Sie wichtige Ausgaben in /workspace/. safe_mode: false auto_run: true verbose: false ``` *** ## Ausführung mit systemd (persistenter Dienst) ```ini # /etc/systemd/system/open-interpreter.service [Unit] Description=Open Interpreter Server After=network.target [Service] Type=simple User=root WorkingDirectory=/workspace Environment=OPENAI_API_KEY=sk-your-key ExecStart=/opt/open-interpreter/bin/interpreter --server --port 8000 --host 0.0.0.0 Restart=on-failure RestartSec=10 [Install] WantedBy=multi-user.target ``` ```bash systemctl daemon-reload systemctl enable open-interpreter systemctl start open-interpreter systemctl status open-interpreter ``` *** ## Fehlerbehebung ### `interpreter` Befehl nicht gefunden ```bash # Stellen Sie sicher, dass das venv aktiviert ist source /opt/open-interpreter/bin/activate # Oder global installieren pip install open-interpreter # Überprüfen Sie PATH which interpreter echo $PATH ``` ### Codeausführung ist blockiert / Sicherheitsmodus ```bash # Deaktivieren Sie den Safe Mode (mit Vorsicht auf vertrauenswürdigen Servern verwenden) interpreter --safe_mode false # Oder in config.yaml: # safe_mode: false # auto_run: true ``` ### Playwright / Browser-Fehler ```bash # Installiere Systemabhängigkeiten für Chromium apt-get install -y \ libnss3 libatk1.0-0 libatk-bridge2.0-0 \ libcups2 libxcomposite1 libxdamage1 \ libxrandr2 libgbm1 libxkbcommon0 playwright install chromium playwright install-deps ``` ### Speichermangel bei lokalen LLMs ```bash # Verwenden Sie ein kleineres quantisiertes Modell ollama pull codellama:7b # statt 13b # Oder reduzieren Sie das Kontextfenster interpreter --model ollama/codellama:7b --context_window 4096 ``` ### Verbindung auf Port 8000 verweigert ```bash # Prüfen, ob der Server läuft ss -tlnp | grep 8000 # Prüfen Sie die Firewall ufw allow 8000/tcp # Dienst neu starten systemctl restart open-interpreter ``` ### API-Rate-Limits ```bash # Wechseln Sie zu Anthropic Claude für höhere Limits export ANTHROPIC_API_KEY=sk-ant-... interpreter --model claude-3-5-sonnet-20241022 # Oder verwenden Sie ein lokales Modell, um API-Limits vollständig zu umgehen interpreter --model ollama/codellama:13b ``` *** ## Sicherheitsüberlegungen {% hint style="warning" %} Open Interpreter führt Code direkt auf Ihrem Server aus. Immer: * In einem Docker-Container oder einer VM für den Produktionseinsatz ausführen * Port 8000 niemals öffentlich ohne Authentifizierung freigeben * Verwenden Sie SSH-Tunneling für entfernten Zugriff * Überprüfen Sie den Code, bevor Sie ihn für `auto_run: true` nicht vertrauenswürdige Eingaben aktivieren {% endhint %} *** ## Clore.ai GPU-Empfehlungen Open Interpreter selbst ist leichtgewichtig — der GPU-Bedarf wird von dem jeweiligen **lokalen Modell** bestimmt, das Sie als Backend ausführen. | GPU | VRAM | Clore.ai-Preis | Empfehlung für lokale Modelle | | --------- | ----- | -------------- | ---------------------------------------------------------------------- | | RTX 3090 | 24 GB | \~$0.12/Stunde | CodeLlama 13B Q8, Llama 3 8B, Mistral 7B — solide Code-Qualität | | RTX 4090 | 24 GB | \~$0.70/Stunde | CodeLlama 34B Q4, DeepSeek Coder 33B Q4 — nahezu GPT-4-Coding-Qualität | | A100 40GB | 40 GB | \~$1.20/Stunde | Llama 3 70B Q4 — produktionsreifer autonomer Coding-Agent | | Nur CPU | — | \~$0.02/Stunde | Jedes Modell über OpenAI/Anthropic-API — keine lokale GPU erforderlich | {% hint style="info" %} **Wenn Sie die OpenAI/Anthropic-API verwenden:** Sie benötigen nur eine CPU-Instanz (\~$0.02/Stunde) — die GPU ist irrelevant, da die Inferenz in der Cloud läuft. Wählen Sie GPU-Instanzen nur, wenn Sie **lokale Modelle** ausführen, um pro-Token-API-Kosten zu vermeiden. **Beste lokale Modellkonfiguration:** RTX 3090 + Ollama läuft mit `codellama:13b` gibt Ihnen einen vollständig autonomen, datenschutzwahrenden Coding-Agenten ohne API-Kosten für etwa \~$0.12/Stunde. {% endhint %} *** ## Nützliche Links * **GitHub**: ⭐ 57K+ * **Dokumentation**: * **Discord**: * **Clore.ai Marketplace**: * **Ollama-Modelle**: * **HuggingFace GGUF-Modelle**: --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://docs.clore.ai/guides/guides_v2-de/ki-plattformen-and-agenten/open-interpreter.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.