Betriebsprofile¶

Kamerplanter ist modular aufgebaut. Du entscheidest selbst, welche Komponenten du brauchst — von einer schlanken Installation auf dem Raspberry Pi bis zum vollständigen Multi-Tenant-Setup auf Kubernetes. Diese Seite hilft dir, das richtige Bündel aus Komponenten für deinen Anwendungsfall zu finden.

Komponentenübersicht¶

Jede Kamerplanter-Installation besteht aus einem Kern (immer erforderlich) und optionalen Komponenten, die du je nach Bedarf aktivierst.

Kern (immer aktiv)¶

Optionale Komponenten¶

Profile im Überblick¶

Die folgende Matrix zeigt fünf vordefinierte Profile. Jedes Profil ist eine Empfehlung — du kannst jederzeit einzelne Komponenten hinzufügen oder weglassen.

Minimal¶

Zielgruppe¶

Du willst Kamerplanter schnell ausprobieren oder hast nur wenige Zimmerpflanzen. Ein Raspberry Pi ⅘ oder ein alter Laptop reicht aus. Du brauchst weder Login noch KI.

Voraussetzungen¶

• Docker + Docker Compose
• 1 GB freier RAM, 2 GB Speicherplatz
• Raspberry Pi 4 (2 GB), Raspberry Pi 5, NUC, Laptop

Aktivierte Komponenten¶

• Backend + Frontend
• ArangoDB + Valkey
• Celery Worker + Beat
• KI-Assistent
• TimescaleDB
• Home Assistant
• Knowledge Service / RAG

Beispielkonfiguration¶

services:
  arangodb:
    image: arangodb:3.11
    # ...

  valkey:
    image: valkey/valkey:8-alpine
    # ...

  backend:
    build: ./src/backend
    environment:
      KAMERPLANTER_MODE: light
      AI_FEATURES_ENABLED: "false"
      TIMESCALEDB_ENABLED: "false"
    depends_on: [arangodb, valkey]

  celery-worker:
    build: ./src/backend
    command: celery -A app.tasks worker --loglevel=info
    depends_on: [arangodb, valkey]

  celery-beat:
    build: ./src/backend
    command: celery -A app.tasks beat --loglevel=info
    depends_on: [arangodb, valkey]

  frontend:
    build: ./src/frontend
    environment:
      KAMERPLANTER_MODE: light
    depends_on: [backend]

Was fehlt im Vergleich zum nächsten Profil?¶

Ohne KI-Assistent bekommst du keine automatischen Pflegetipps und Diagnosen. Du kannst Ollama jederzeit später hinzufügen, ohne Daten zu verlieren.

Hobby¶

Zielgruppe¶

Du hast 10--50 Pflanzen und einen Home-Server (NAS, alter Desktop, NUC). Du möchtest KI-gestützte Pflegetipps, aber deine Daten sollen dein Netzwerk nicht verlassen. Login brauchst du nicht — du bist der einzige Nutzer.

Voraussetzungen¶

• Docker + Docker Compose
• 6–8 GB freier RAM für den KI-Stack (Ollama-Modell + Knowledge/Embedding-Service/VectorDB-Overhead — siehe Konfigurationsmatrix), mehr bei einem 7B-Modell, optional GPU
• Home-Server, NUC, Desktop-PC

Aktivierte Komponenten¶

• Backend + Frontend
• ArangoDB + Valkey
• Celery Worker + Beat
• Ollama (lokales Sprachmodell)
• Knowledge Service + Embedding Service + VectorDB (nötig, damit Ollama vom KI-Assistenten überhaupt erreicht wird)
• TimescaleDB
• Home Assistant (optional)
• Externe Anreicherung (optional)

Beispielkonfiguration¶

services:
  # ... Kern wie Minimal ...

  backend:
    build: ./src/backend
    environment:
      KAMERPLANTER_MODE: light
      AI_FEATURES_ENABLED: "true"
      KNOWLEDGE_SERVICE_ENABLED: "true"
      KNOWLEDGE_SERVICE_URL: http://knowledge-service:8000
      INTERNAL_SERVICE_TOKEN: ${INTERNAL_SERVICE_TOKEN}  # openssl rand -hex 32
      TIMESCALEDB_ENABLED: "false"
    depends_on: [arangodb, valkey]

  knowledge-service:
    build: ./src/knowledge-service
    environment:
      LLM_PROVIDER: ollama
      LLM_API_URL: http://ollama:11434
      LLM_MODEL: gemma3:4b
      EMBEDDING_SERVICE_URL: http://embedding-service:8080
      VECTORDB_HOST: vectordb
      INTERNAL_SERVICE_TOKEN: ${INTERNAL_SERVICE_TOKEN}
    depends_on: [ollama, embedding-service, vectordb]

  embedding-service:
    build: ./docker/embedding-service

  vectordb:
    build: ./docker/vectordb

  ollama:
    image: ollama/ollama:latest
    volumes:
      - ollama_models:/models
    # GPU-Passthrough (optional):
    # deploy:
    #   resources:
    #     reservations:
    #       devices:
    #         - capabilities: [gpu]

Was fehlt im Vergleich zum nächsten Profil?¶

Ohne Full-Modus kannst du keine weiteren Nutzer einladen. Ohne TimescaleDB werden Sensordaten nicht langfristig gespeichert. Beides lässt sich später aktivieren.

Standard¶

Zielgruppe¶

Du bist engagierter Hobbyist oder betreibst einen kleinen Gemeinschaftsgarten. Mehrere Personen sollen eigene Konten haben. Du möchtest KI-Tipps und optional Sensordaten langfristig speichern.

Voraussetzungen¶

• Docker Compose oder Kubernetes-Cluster
• 6--8 GB freier RAM (KI-Stack wie im Hobby-Profil, siehe oben)
• Server, NUC oder kleiner K8s-Cluster

Aktivierte Komponenten¶

• Backend + Frontend
• ArangoDB + Valkey
• Celery Worker + Beat
• Ollama + Knowledge Service + Embedding Service + VectorDB (KI-Stack als Bündel, siehe Hobby-Profil)
• Externe Anreicherung (GBIF + Perenual)
• Reranker Service (optional — höhere RAG-Präzision)
• TimescaleDB (optional)
• Home Assistant (optional)

Beispielkonfiguration¶

services:
  # ... Kern + Ollama + Knowledge Service + Embedding Service + VectorDB (siehe Hobby-Profil) ...

  backend:
    build: ./src/backend
    environment:
      KAMERPLANTER_MODE: full
      AI_FEATURES_ENABLED: "true"
      KNOWLEDGE_SERVICE_ENABLED: "true"
      KNOWLEDGE_SERVICE_URL: http://knowledge-service:8000
      INTERNAL_SERVICE_TOKEN: ${INTERNAL_SERVICE_TOKEN}
      JWT_SECRET_KEY: ${JWT_SECRET_KEY}  # openssl rand -hex 32
      PERENUAL_API_KEY: ${PERENUAL_API_KEY}
      TIMESCALEDB_ENABLED: ${TIMESCALEDB_ENABLED:-false}
    depends_on: [arangodb, valkey]

controllers:
  backend:
    containers:
      main:
        env:
          KAMERPLANTER_MODE: full
          AI_FEATURES_ENABLED: "true"
          KNOWLEDGE_SERVICE_ENABLED: "true"
          KNOWLEDGE_SERVICE_URL: "http://kamerplanter-knowledge-service:8000"
          TIMESCALEDB_ENABLED: "false"
  knowledge-service:
    enabled: true
    containers:
      main:
        env:
          LLM_PROVIDER: ollama
          LLM_API_URL: "http://kamerplanter-ollama:11434"
          LLM_MODEL: gemma3:4b

Was fehlt im Vergleich zum nächsten Profil?¶

Ohne TimescaleDB kein automatisches Downsampling von Sensordaten. Ohne Home Assistant keine automatische Sensorerfassung und Aktorsteuerung. Ohne Reranker Service ist die Trefferqualität der RAG-Antworten etwas niedriger (reine Hybrid-Search statt Cross-Encoder-Re-Ranking).

Profi¶

Zielgruppe¶

Du betreibst professionelles Indoor-Growing oder einen großen Gemeinschaftsgarten mit Rollenverwaltung. Sensoren und Aktoren sind über Home Assistant angebunden. Du willst lückenlose Zeitreihen und KI-gestützte Diagnosen mit vollem RAG-Kontext (Re-Ranking für höhere Trefferqualität).

Voraussetzungen¶

• Kubernetes-Cluster (3+ Nodes empfohlen)
• 6--8 GB RAM für Kamerplanter-Pods
• Home Assistant Instanz im Netzwerk
• Optional: GPU-Node für schnellere KI-Inferenz

Aktivierte Komponenten¶

• Backend + Frontend
• ArangoDB + Valkey
• Celery Worker + Beat
• Ollama (lokales Sprachmodell, mistral:7b)
• Knowledge Service + VectorDB + Embedding Service
• Reranker Service (Cross-Encoder Re-Ranking)
• TimescaleDB
• Home Assistant
• Externe Anreicherung (GBIF + Perenual)

Beispielkonfiguration¶

controllers:
  backend:
    containers:
      main:
        env:
          KAMERPLANTER_MODE: full
          AI_FEATURES_ENABLED: "true"
          KNOWLEDGE_SERVICE_ENABLED: "true"
          KNOWLEDGE_SERVICE_URL: "http://kamerplanter-knowledge-service:8000"
          TIMESCALEDB_ENABLED: "true"
          TIMESCALEDB_HOST: timescaledb
          HA_URL: http://homeassistant.home:8123
          HA_ACCESS_TOKEN:
            secretKeyRef:
              name: kamerplanter-secrets
              key: ha-access-token
          PERENUAL_API_KEY:
            secretKeyRef:
              name: kamerplanter-secrets
              key: perenual-api-key
        envFrom:
          - secret: kamerplanter-secrets  # trägt u.a. INTERNAL_SERVICE_TOKEN (Pflicht ab hier)

  timescaledb:
    enabled: true

  knowledge-service:
    enabled: true
    containers:
      main:
        env:
          LLM_PROVIDER: ollama
          LLM_API_URL: "http://kamerplanter-ollama:11434"
          LLM_MODEL: mistral:7b
          RERANKER_URL: "http://kamerplanter-reranker-service:8081"
          RERANKER_INITIAL_K: "20"
          RERANKER_TOP_K: "5"

  reranker-service:
    enabled: true
    containers:
      main:
        env:
          RERANKER_MODEL: "bge-reranker-v2-m3"

  embedding-service:
    enabled: true

  vectordb:
    enabled: true

Was fehlt im Vergleich zum nächsten Profil?¶

Im Profi-Profil betreibst du eine einzelne Instanz für deine Organisation und ein lokales Sprachmodell. Das SaaS-Profil fügt Multi-Mandanten-Isolation, horizontale Skalierung und einen Cloud-Sprachmodell-Provider anstelle von Ollama hinzu.

SaaS / Multi-Tenant¶

Zielgruppe¶

Du betreibst Kamerplanter als Plattform für mehrere unabhängige Mandanten (Gärten, Betriebe, Gemeinschaften). Jeder Mandant hat eigene Daten, Rollen und Einstellungen. Du brauchst horizontale Skalierung und zuverlässige Cloud-KI.

Voraussetzungen¶

• Kubernetes-Cluster mit Autoscaling
• 8+ GB RAM für Kamerplanter-Pods
• Managed-Datenbank-Dienste empfohlen (ArangoDB Oasis, Managed PostgreSQL)
• Cloud-KI-Provider-Konto (OpenAI oder Anthropic)

Aktivierte Komponenten¶

• Backend + Frontend (mehrere Replicas)
• ArangoDB + Valkey
• Celery Worker (mehrere Replicas) + Beat
• Cloud-Sprachmodell (Anthropic oder OpenAI-kompatibler Endpunkt) statt Ollama
• Knowledge Service + VectorDB + Embedding Service
• TimescaleDB
• Externe Anreicherung (GBIF + Perenual)
• Home Assistant (optional, mandantenspezifisch)

Beispielkonfiguration¶

controllers:
  backend:
    replicas: 3
    containers:
      main:
        env:
          KAMERPLANTER_MODE: full
          AI_FEATURES_ENABLED: "true"
          KNOWLEDGE_SERVICE_ENABLED: "true"
          KNOWLEDGE_SERVICE_URL: "http://kamerplanter-knowledge-service:8000"
          TIMESCALEDB_ENABLED: "true"

  knowledge-service:
    enabled: true
    containers:
      main:
        env:
          LLM_PROVIDER: openai_compatible
          LLM_API_URL: "https://api.openai.com/v1"
          LLM_MODEL: gpt-4o-mini
          LLM_API_KEY:
            secretKeyRef:
              name: kamerplanter-secrets
              key: llm-api-key

  celery-worker:
    replicas: 2

  frontend:
    replicas: 2

Eigenes Profil zusammenstellen¶

Die Profile oben sind Empfehlungen. Du kannst jede Komponente einzeln aktivieren oder deaktivieren, indem du die entsprechenden Umgebungsvariablen setzt:

In Docker Compose aktivierst du optionale Dienste über Profile:

# Nur Kern:
docker compose up -d

# Mit Ollama und TimescaleDB:
docker compose --profile ollama --profile timescaledb up -d

# Mit RAG (Knowledge Service + VectorDB + Reranker):
docker compose --profile ollama --profile timescaledb --profile vectordb up -d

Eine vollständige Liste aller Umgebungsvariablen findest du unter Umgebungsvariablen.

Entscheidungshilfe¶

Das folgende Flussdiagramm hilft dir, ein passendes Profil zu finden:

flowchart TD
    A[How many users?] -->|Just me| B{Do you need AI tips?}
    A -->|2-10 people| D{Kubernetes available?}
    A -->|10+ / tenants| G[SaaS / Multi-Tenant]

    B -->|No| C[Minimal]
    B -->|Yes| E[Hobby]

    D -->|No| F[Standard<br/>Docker Compose]
    D -->|Yes| H{Sensors / HA?}

    H -->|No| F2[Standard<br/>Kubernetes]
    H -->|Yes| I[Professional]

Häufige Fragen¶

Kann ich später auf ein größeres Profil wechseln?¶

Ja. Alle Profile nutzen dieselbe Datenbank. Du kannst jederzeit Komponenten hinzufügen (z.B. Ollama aktivieren, TimescaleDB starten, von Light auf Full wechseln), ohne Daten zu verlieren. Beim Wechsel von Light auf Full musst du einmalig ein Passwort für den bestehenden System-Benutzer setzen.

Kann ich Ollama auf einem Raspberry Pi ausführen?¶

Ja, ab dem Raspberry Pi 5 mit 8 GB RAM. Verwende ein kleines Modell wie llama3.2:3b. Die Antwortzeiten liegen bei 15--30 Sekunden pro Tipp — akzeptabel, aber nicht schnell. Auf dem Raspberry Pi 4 ist die Leistung für größere Modelle nicht ausreichend.

Brauche ich TimescaleDB, wenn ich keine Sensoren habe?¶

Nein. Ohne automatische Sensordatenerfassung (IoT/MQTT oder Home Assistant) bringt TimescaleDB keinen Vorteil. Manuelle Messwerte (pH, EC) werden in ArangoDB gespeichert. Du kannst TimescaleDB später aktivieren, wenn du Sensoren anbindest.

Was passiert, wenn ich keinen KI-Provider konfiguriere?¶

Kamerplanter funktioniert vollständig ohne KI. Der Standardwert AI_FEATURES_ENABLED=false lässt sämtliche /ai/*-Endpunkte mit HTTP 404 antworten, als gäbe es sie nicht — die KI-Tipp-Karten, das Glossar und die KI-Diagnose erscheinen dann nicht in der Oberfläche. Alle regelbasierten Funktionen (Phasensteuerung, Düngepläne, Pflegeerinnerungen) arbeiten unabhängig davon.

Siehe auch¶

• Konfigurationsmatrix — Erschöpfende Referenz aller Funktionen mit Schalter, Pflicht-Secrets und Ressourcenauswirkung
• Light-Modus — Details zum Betrieb ohne Authentifizierung
• KI-Provider einrichten — Ollama, OpenAI, Anthropic und andere Provider konfigurieren
• Home Assistant Integration — Sensor- und Aktor-Anbindung
• Umgebungsvariablen — Vollständige Variablenreferenz
• Kubernetes — Cluster-Setup und Deployment
• Infrastruktur — Skaffold-Profile — Skaffold-Module (-m ki) für den KI-Stack