AILinux
v4.6.4 · TriForce v2.80 · Codename: Brumo
AILinux — Deep Dive
Die erste Linux-Distribution mit nativ integrierter KI-Orchestrierung.
614 Modelle. 134 Tools. 9 Provider. Ein System. Läuft gerade live.
614AI Modelle
134MCP Tools
9Provider
32Lokale Modelle
Was ist MCP — und warum ändert es alles?
MCP steht für Model Context Protocol. Normale KI-Assistenten kennen nur Text rein, Text raus. MCP gibt dem Modell echte Werkzeuge. Die KI agiert — nicht nur antwortet.
❌ Ohne MCP
Du: “Such nach den neuesten Kernel-Patches”
KI: “Ich kann nicht auf das
Internet zugreifen.”
✅ Mit MCP (AILinux)
Du: “Such nach den neuesten Kernel-Patches”
KI: [web_search aufgerufen]
[web_fetch für Details]
“Kernel 6.13.4 released.
AMD-spezifische Patches: …”
→ 8 Sekunden. Kein Browser.
Die 134 MCP Tools
Eine Auswahl der wichtigsten Tools mit echten Use-Cases:
Web & Research
| Tool | Funktion | Beispiel |
|---|---|---|
| web_search | Aktuelle Websuche | “Was ist neu in Python 3.13?” |
| web_fetch | Komplette Seite laden | Dokumentation direkt lesen |
| crawl | Website durchsuchen | Alle Changelogs eines Projekts |
Code & System
| Tool | Funktion | Beispiel |
|---|---|---|
| shell | Bash-Befehle ausführen | systemctl status nginx |
| gemini_exec | Python-Code ausführen | Daten analysieren, Plots erstellen |
| code_edit | Code direkt schreiben | Dateien bearbeiten ohne Editor |
| evolve | System analysiert sich selbst | Issues finden, Fixes vorschlagen |
Multi-Agent & Memory
memory_store
Wissen persistent speichern — Facts, Decisions, Code, Context
agent_broadcast
Parallele Analyse durch alle 4 CLI-Agents gleichzeitig
specialist
Automatisches Routing zum besten Modell für den Task
gemini_coordinate
Gemini koordiniert andere LLMs für komplexe Tasks
ollama_run
Lokale Modelle — privat, offline, keine Cloud nötig
mesh_task
Verteilte Agent-Verarbeitung für Enterprise-Tasks
614 Modelle — Live-Übersicht
Stand: Februar 2026, direkt aus dem System abgerufen. Alle Modelle erreichbar über einen einheitlichen API-Endpoint.
OpenRouter
380+Größter Pool — GPT-5, Claude, Grok, DeepSeek, Qwen und mehr
Cloudflare
80+Edge-Inference, niedrigste Latenz, kostenlose Modelle
Mistral
60+Codestral, Devstral, Magistral, Voxtral Audio
Gemini
40+Gemini 3.x, Imagen 4.0, Veo 3.1 Video-Generierung
Ollama (lokal)
32100% offline, privat — qwen2.5:14b, llama3.1, deepseek
Groq + Cerebras
24Schnellste Inferenz weltweit, Wafer-Scale Hardware
Lokale Modelle (offline, privat, ohne Internet)
ollama/qwen2.5:14b → Stärkstes lokales Allround-Modell
ollama/qwen2.5-coder:7b → Code-Spezialist, lokal
ollama/deepseek-coder:6.7b → Debugging, Refactoring
ollama/llama3.1:8b → Meta’s bestes kleines Modell
ollama/mistral:7b → Schnell, zuverlässig
ollama/gemma2:2b → Ultraleicht, läuft auf 4GB RAM
ollama/nomic-embed-text → Embedding für Semantic Search
Echte Use-Cases — wie es sich anfühlt
Der KI-gestützte Entwickler-Alltag
$ ai “Warum ist mein Docker Container abgestürzt?”
# AILinux liest automatisch Docker Logs via shell-Tool
# Sucht bekannte Fehlermuster via web_search
# Findet: OOM-Killer hat den Container gekillt
# Schlägt Fix vor UND schreibt direkt in docker-compose.yml
# Speichert Lösung in Memory für künftige ähnliche Probleme
→ Antwort in ~8 Sekunden. Ohne Browser. Ohne Tab-Wechsel.
Multi-Agent Code Review
$ ai “Review meinen AuthService auf Security-Issues”
# 3 parallele Agents starten gleichzeitig:
Claude → Logik, Edge Cases, Best Practices
Codex → Potenzielle Exploits, Input Validation
Gemini → Performance, Skalierbarkeit
Ergebnis: “3 kritische Issues gefunden:
1. SQL Injection möglich in Zeile 47 (Claude)
2. JWT ohne Expiry-Check (Codex)
3. Rate Limiting fehlt (Gemini)”
Copa + AILinux Integration
# Im Spiel: komplexe Skill-Beschreibung nicht kopierbar
# Copa Freeze-Mode → Region auswählen → Text extrahiert
$ ai “Erkläre diesen Skill und wie er mit meinem Build synergiert”
# [Skill-Text aus Copa Clipboard automatisch als Kontext]
# AILinux: web_search Build-Guides → analysiert Synergien
→ “Dieser Skill passt perfekt zu deinem Crit-Build weil…”
Autonome Server-Administration
$ ai “Mein Server hatte heute Nacht Peaks. Was war los?”
# Liest /var/log/syslog, nginx access.log, dmesg
# Korreliert Timestamps mit Cron Jobs + External Requests
→ “DDoS-Versuch auf /wp-login.php um 03:47 Uhr
Empfehlung: fail2ban Regel + Rate Limit”
[Schreibt Regel direkt via code_edit — auf Wunsch]
Die Vision: AILinux als Desktop-OS
Das war die ursprüngliche Idee — und sie ist noch nicht tot. Der AILinux Client nicht als App unter vielen, sondern als Desktop-Umgebung.
📁 Dateimanager + AI-Kontext
README.md
[AI: “Python-Projekt, du brauchst
venv + requirements.txt”]
error.log
[AI: “3 kritische Fehler gefunden,
alle aus demselben Modul”]
screenshot.png
[Copa OCR: Text extrahiert
und in Zwischenablage]
⚡ Terminal + AI
$ ai “komprimiere alle JPEGs”
[erledigt — 47 Dateien, 68% kleiner]
$ ai “was macht dieses Skript?”
[erklärt jede Zeile auf Deutsch]
$ ai “update alle pip packages sicher”
[prüft Kompatibilität, updated 12/15
3 übersprungen wegen Konflikten]
Geplante Desktop-Features
| Feature | Beschreibung | Status |
|---|---|---|
| AI-Spotlight | Strg+Space → natürlichsprachige Systemsuche | Planung |
| Kontextueller Dateimanager | Rechtsklick → “Mit AI öffnen” → sofort analysiert | Planung |
| AI-Benachrichtigungen | Server-Fehler → sofort erklärte Push-Notification | Planung |
| Offline-First | Kein Internet → Ollama übernimmt automatisch | Verfügbar |
| Ryzen-Optimierungen | UV/OC-Profile direkt im Installer | Planung |
Technischer Stack
Hardware (Hetzner EX63):
├── CPU: Intel Core Ultra 7 265
├── RAM: 64GB DDR5
└── OS: Ubuntu 24.04 LTS
Backend (TriForce v2.80):
├── FastAPI Port 9000, REST + WebSocket
├── PostgreSQL Persistent Storage
├── Redis Cache, Sessions, Rate Limiting
├── Docker Service Isolation
└── Apache2 Reverse Proxy, SSL Let’s Encrypt
Auth Stack:
├── JWT + nova_session Cookie
├── Auto-Login (init-Hook Priority 1)
├── LemonSqueezy Entitlements (Lizenzvalidierung)
└── Grace-Period Offline-Modus (7 Tage)
AI Stack:
├── Ollama (lokal, offline, 32 Modelle)
├── 8 Cloud-Provider (614 Modelle gesamt)
├── MCP Protocol (134 Tools)
├── 4-Layer Memory (Facts/Decisions/Code/Context)
└── Mesh AI (verteilte Agent-Kommunikation)
Roadmap
- Q4 2024TriForce Backend v2.0MCP, Multi-LLM, Ollama-Integration
- Q1 2025AILinux Client v4.0PyQt6, JWT, Tier-System, Unified Auth
- Q1 2025TriForce v2.80 “Brumo”134 Tools, CLI-Agents, Mesh AI, 614 Modelle
- Q4 2025Nova AI Frontend Plugin v4.6Unified Auth, LemonSqueezy Payments, Shop
- Q1 2026Copa v1.0Erstes kommerzielles AILinux Tool — Screen OCR, Game Support, 14-Tage Trial
- Q2 2026AILinux Client Vollversion + Copa WindowsStable Release, Windows-Port Copa
- Q4 2026AILinux 1.0 ISOInstallierbare Distribution, AILinux Client als primäre Shell
- 2027Enterprise + QuantumManaged Deployment, IBM Quantum Integration, D-Wave