CommunityRecherche & Datenanalysegithub.com

unequalequality/Ollama-Terminal-Agent

Automatisiert Shell-Aufgaben mit einem lokalen Ollama-Modell, das Befehle plant, ausführt und korrigiert – ohne Cloud- oder API-Abhängigkeiten.

Was ist Ollama-Terminal-Agent?

Dieser Skill ermöglicht es KI-Agenten, Shell-Aufgaben vollständig lokal über ein Ollama-Modell zu automatisieren. Der Agent plant selbstständig die notwendigen Schritte, führt die entsprechenden Befehle im Terminal aus und kann bei Fehlern automatisch Korrekturen vornehmen. Dies ist besonders nützlich für Entwickler, die repetitive Aufgaben ohne Internetzugriff oder externe API-Kosten automatisieren möchten. Der Skill unterstützt Plattformen wie Claude Code, Cursor und Codex und arbeitet nahtlos mit dem Ollama-Dienst zusammen, um eine vollständig lokale und datenschutzfreundliche Automatisierung zu gewährleisten. Die Funktionsweise basiert auf der Fähigkeit des Modells, aus der Aufgabenbeschreibung eine Abfolge von Terminalbefehlen zu generieren, auszuführen und bei Bedarf iterativ zu verbessern.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add unequalequality/Ollama-Terminal-Agent

Installed? Explore more Recherche & Datenanalyse skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Was macht Ollama-Terminal-Agent?

Automatisiert Shell-Aufgaben mit einem lokalen Ollama-Modell, das Befehle plant, ausführt und korrigiert – ohne Cloud- oder API-Abhängigkeiten.

Beschreibung

Dieser Skill ermöglicht es einem KI-Agenten (z. B. Claude Code, Cursor, Codex), Shell-Aufgaben mithilfe eines lokalen Ollama-Modells zu automatisieren. Der Agent analysiert die Aufgabe, erstellt einen Ausführungsplan, führt die Befehle im Terminal aus und überwacht die Ausgabe. Tritt ein Fehler auf, kann das Modell den Befehl anpassen und erneut ausführen, ohne dass eine manuelle Eingriff oder eine Internetverbindung erforderlich ist.

Funktionsweise

  1. Aufgabenanalyse: Der Agent erhält eine textuelle Beschreibung der Aufgabe (z. B. „Komprimiere alle Logs im Ordner logs/ in eine Datei archive.tar.gz“).
  2. Planung: Das Ollama-Modell generiert einen Schritt-für-Schritt-Plan und die entsprechenden Shell-Befehle.
  3. Ausführung: Die Befehle werden nacheinander im Terminal ausgeführt. Der Agent wartet auf die Ausgabe jedes Befehls.
  4. Fehlerbehandlung: Falls ein Befehl fehlschlägt (z. B. aufgrund eines falschen Dateipfads), analysiert das Modell den Fehler und generiert einen korrigierten Befehl. Dieser Vorgang wird wiederholt, bis die Aufgabe erfolgreich abgeschlossen ist oder eine maximale Anzahl von Wiederholungen erreicht ist.

Voraussetzungen

  • Ollama: Installiert und ausgeführt (siehe Ollama-Installation).
  • Ein kompatibles Modell: Z. B. llama3.1:8b, codellama:7b oder mistral:7b. Größere Modelle liefern oft bessere Ergebnisse.
  • Shell: Bash, Zsh oder eine andere Unix-kompatible Shell.

Installation

  1. Klone das Repository des Skills:
    git clone https://github.com/unequalequality/Ollama-Terminal-Agent.git
    cd Ollama-Terminal-Agent
    
  2. Konfiguriere die Umgebungsvariablen (optional):
    • OLLAMA_HOST: Standard http://localhost:11434
    • OLLAMA_MODEL: Modellname, z. B. llama3.1:8b
  3. Führe das Setup-Skript aus:
    ./setup.sh
    

Verwendung

Starte den Agenten mit einer Aufgabenbeschreibung:

./run.sh "Erstelle ein Backup des Ordners /home/user/dokumente in /backup"

Der Agent zeigt jeden geplanten Schritt an, führt den Befehl aus und meldet, ob die Ausführung erfolgreich war oder korrigiert werden musste.

Beispiele

  • Dateiorganisation: „Verschiebe alle .jpg-Dateien aus dem aktuellen Ordner in ./bilder/.“
  • Systemwartung: „Aktualisiere alle installierten Pakete mit apt upgrade und protokolliere die Ausgabe in update.log.“
  • Entwicklungshilfe: „Klone das Repository https://github.com/beispiel/projekt.git und erstelle einen neuen Branch namens feature-x.“

Einschränkungen

  • Das Modell kann komplexe Aufgaben mit vielen Abhängigkeiten möglicherweise nicht immer korrekt planen.
  • Aufgaben mit destruktiven Befehlen (z. B. rm -rf) sollten mit Vorsicht verwendet werden. Es wird empfohlen, den Agenten zunächst im Trockentest-Modus auszuführen, falls verfügbar.
  • Die Fehlerbehebung ist auf das Wissen des verwendeten Modells angewiesen; spezifische Systemfehler werden nicht immer erkannt.

Beitrag leisten

Beiträge sind willkommen! Bitte erstelle einen Issue oder Pull Request im GitHub-Repository.

Lizenz

MIT

Verwandte Skills