Edge-Agenten-Quickstart — Installation und erster Workflow

Zuletzt geprüft: 2026-06-04 · Marcus Rüb

Diese Anleitung führt Schritt für Schritt durch die Installation der quelloffenen edge-agents-Runtime — von der CLI über den Container-Build der Engine bis zum ersten lokal geöffneten Agenten-Workflow.

Der Quelltext steht offen auf GitHub: github.com/ForestHubAI/edge-agents. Die Erklärungen hier sind deutsch, die Befehle bleiben englisch (sie sind sprachneutral).

Voraussetzungen

Du brauchst eines der verifizierten Targets oder ein Entwicklungssystem:

Industrielle Targets: Raspberry Pi 5 (8 GB), NVIDIA Jetson Orin Nano (8 GB), x86-NUC (16 GB), STM32MP25 (Linux-MPU) oder Bosch Rexroth ctrlX CORE.
Entwicklung: Linux (amd64/arm64) oder macOS.
Node.js für die CLI, Docker mit buildx für den Engine-Container.

Eine Einordnung, welche Hardware für welche Modellgröße geeignet ist, findest du unter Hardware für Edge-Agenten.

Schritt 1 — Workflow-CLI installieren

npm i -g @foresthubai/workflow-cli
fh-workflow open my.workflow.json

Der erste Befehl installiert die Workflow-CLI global — ein Klonen des Repositorys ist dafür nicht nötig. Der zweite Befehl öffnet einen Agenten-Workflow im lokalen Builder, einer visuellen Oberfläche zum Betrachten und Bearbeiten der Agentenlogik.

Schritt 2 — Engine als Container für arm64 bauen und starten

cd go
docker buildx build --platform linux/arm64 -t edge-agents/engine:arm64 --load .
docker run --rm -p 8081:8081 edge-agents/engine:arm64

Dieser Block baut die Go-Engine als arm64-Container — passend für Raspberry Pi, Jetson und ctrlX CORE — und startet sie auf Port 8081. Die Engine übernimmt Ausführung, Inferenz-Proxy, Gerätetreiber und MQTT-Anbindung. Das Wire-Format zwischen Workflow-Modell und Engine ist contract-typisiert (OpenAPI 3.0.3, Quelle in contract/).

Schritt 3 — Lokalen SLM-Provider anbinden

Für den offline-Betrieb bindet die Runtime ein lokales Sprachmodell an. Unterstützt werden unter anderem:

Ollama — einfacher Einstieg, breite Modellauswahl.
llama.cpp — ressourcenschonend, auch auf schwächerer Hardware.
vLLM — durchsatzoptimiert für größere Modelle auf GPU-Hardware.

Alternativ lassen sich Cloud-Provider (Anthropic, OpenAI, Google Gemini, Mistral) anbinden — für offline-Szenarien wird jedoch ein lokaler Provider verwendet, damit keine Produktionsdaten das Werksnetz verlassen.

Schritt 4 — Ersten Workflow öffnen und ausführen

Mit fh-workflow open lässt sich ein Workflow im Builder öffnen, visuell anpassen und gegen die laufende Engine (Port 8081) ausführen. Damit ist die Grundlage gelegt, um Hardware-Bausteine (GPIO, UART, MQTT) und das lokale Sprachmodell zu einem Agenten zu verknüpfen.

FAQ

Welche Hardware ist der einfachste Einstieg? Ein Raspberry Pi 5 (8 GB) für schlanke Agenten oder ein Jetson Orin Nano für lokale SLM-Inferenz. Details unter Hardware für Edge-Agenten.

Brauche ich eine GPU? Für die kleinsten Modelle nicht zwingend, für flüssige SLM-Inferenz ist eine GPU (z. B. Jetson) empfehlenswert. Siehe Offline-KI in der Industrie zur Einordnung von Modellgröße und VRAM.

Sind diese Befehle aktuell? Die Snippets entsprechen dem Repo-Stand vom 2026-06-04. Maßgeblich bleibt das README im Repository — bei Abweichungen gilt der dortige Stand.

Quelloffen auf GitHub

Die edge-agents-Runtime ist quelloffen verfügbar: github.com/ForestHubAI/edge-agents

Lizenz: Apache-2.0 (contract/, ts/workflow-core) bzw. AGPL-3.0-only oder kommerziell (go/, ts/workflow-builder, ts/workflow-cli). Für kommerzielle Lizenzierung: root@foresthub.ai.

Fragen zur Integration in Ihre Anlage? Gespräch buchen →

Herausgegeben von ForestHub.ai — einer Plattform für Embedded und Edge AI Agents.