Files
personlig-hjemmeside/TEKNIK.md
T

7.8 KiB
Raw Blame History

Til de tekniske: de fire spor dokumenteret på min egen opsætning

Kurset AI i praksis har fire valgfri spor for de tekniske: terminal og git, Claude Code i terminalen, webhooks og en lokal sprogmodel. Jeg kører i forvejen alle fire ting til daglig på mit eget hjemmelab, så i stedet for kursets eksempler dokumenterer jeg her, hvordan jeg gør, og hvad kursets øvelser svarer til hos mig. Alle kommandoer og alt output herunder er kørt rigtigt den 28. oktober 2026.

Mit setup er en del større, end opgaven kræver. Det er med vilje: pointen er at vise, at kursets fire byggeklodser er præcis de samme, uanset om de kører i skyen eller på en server i kælderen.

Spor A: Terminalen og git

Kurset: installér git, klon kursets repo fra GitHub, kig på historikken med git log, lav en ændring og se den med git status og git diff.

Hos mig: jeg bruger ikke GitHub til min egen kode. Jeg kører min egen git-server, Gitea, i en container på min Proxmox-server. Den har samme funktioner som GitHub (repos, pull requests, issues), men data bliver hjemme. Dette repo ligger der.

$ git --version
git version 2.55.0

$ git clone https://git.powerdata.dk/masterdraco/personlig-hjemmeside.git
$ cd personlig-hjemmeside
$ git log --oneline --all
a3d9aab docs: README beskriver de nye filer
25b4ca3 feat: mørkt tema med knap, valget huskes i browseren
be57940 feat: underside med projekter og fælles stil.css
7de0837 feat: personlig hjemmeside som enkelt index.html

Historikken ovenfor er hele denne hjemmesides tilblivelse. Hvert commit svarer til ét forslag (pull request), som jeg har godkendt på Gitea.

Hvad jeg bruger ud over kursets fire kommandoer:

  • git checkout -b feature/navn laver en gren, så en ændring kan bedømmes for sig.
  • git push -u origin feature/navn sender grenen op, og Gitea tilbyder straks at lave en pull request.
  • Gitea har et API, så en pull request kan oprettes fra terminalen med curl, uden at åbne browseren.

Lært: git er det samme, uanset hvor serveren står. GitHub er bare én udbyder af git-hosting. Når man selv kører serveren, lærer man samtidig, hvad der ligger under: en mappe med commits og en webflade ovenpå.

Spor B: Claude Code i terminalen

Kurset: installér Claude Code med npm, stil dig i repo-mappen, giv agenten en lille opgave på dansk og godkend dens forslag. Skriv en CLAUDE.md med tre linjer om projektets regler.

Hos mig: hele denne hjemmeside er bygget med Claude Code i terminalen, ikke via browseren. Jeg gav opgaven på dansk, og agenten læste, skrev og testede filerne, tog skærmbilleder af siden i en browser og lavede derefter én gren og én pull request pr. opgave, som jeg selv godkender.

$ node --version
v26.12.1
$ claude --version
2.1.312 (Claude Code)

Projektets CLAUDE.md ligger i roden af dette repo og har tre regler: alt på dansk, ingen frameworks, og hver ændring som en pull request. Agenten læser den automatisk, hver gang den starter i mappen.

Derudover har jeg en global CLAUDE.md i min hjemmemappe. Den fortæller agenten om hele mit hjemmelab: hvor min git-server er, at den aldrig må pushe til GitHub, hvilke lokale sprogmodeller den kan bruge til kodegenerering, og hvor min videnbank ligger. Det er "medarbejderhåndbogen" fra kurset, bare på et par hundrede linjer i stedet for tre.

Lært: arbejdsdelingen er den samme som i kurset: mål ind, forslag ud, menneske i midten. Forskellen i terminalen er, at man ser hvert værktøjskald, og at agenten kan bruge alt det, man selv har adgang til fra terminalen (git, curl, ens egne servere).

Spor C: Webhooks

Kurset: lav et Google Apps Script med en doPost, udrul det som webapp, og kald det med curl. Scriptet sender en mail med det, der blev sendt.

Hos mig: jeg kører n8n, et selvhostet flow-værktøj, på mit hjemmelab. Det bruger jeg til daglig til at koble ting sammen: mails der klassificeres af en lokal sprogmodel, besked til min telefon når noget sker på en overvågning, og automatiske rapporter. Under hvert eneste af de flows ligger en webhook.

Til dokumentationen lavede jeg et flow på to knuder: en Webhook-knude, der lytter på /webhook/kursus-test, og en Respond to Webhook-knude, der svarer med det, den fik. Flowet blev oprettet gennem n8n's API fra terminalen, aktiveret, kaldt og slettet igen.

$ curl -X POST -H "Content-Type: application/json" \
    -d '{"besked":"hej fra terminalen"}' \
    https://MIN-N8N-SERVER/webhook/kursus-test
{"ok":true,"modtaget":{"besked":"hej fra terminalen"}}

Kursets Apps Script og min n8n-knude gør det samme: en adresse plus kode, der kører ved kald. Forskellen er, at n8n giver en grafisk flade til at hænge de næste trin på (send mail, kald en sprogmodel, skriv i et regneark), og at det hele kører på min egen maskine.

Lært: en webhook er den mindste fællesnævner for al automatisering. Kan man den, kan man koble næsten alt sammen, og man kan altid teste den med curl før man bygger videre.

Spor D: Kør en sprogmodel på din egen maskine

Kurset: installér LM Studio, hent en lille åben model, chat med den uden wifi, start den lokale server og tal med den via curl.

Hos mig: jeg kører to lokale sprogmodel-servere, begge med samme slags API som kurset viser (OpenAI-kompatibelt /v1/chat/completions):

  1. På min arbejdscomputer: llama.cpp med modellen qwen2.5-coder:7b på grafikkortet (AMD RX 9070 XT via Vulkan). Den kører som en systemd-tjeneste, jeg kan starte og stoppe. Claude Code bruger den til at generere kode, så jeg sparer cloud-tokens.
  2. På hjemmeserveren: Ollama med et dusin større modeller (bl.a. Gemma 4 i 31B og en Qwen3 i 32B), som mine automatiseringer og min videnbank kalder.

Kursets curl-kommando, kørt uændret mod min lokale llama.cpp-server:

$ curl http://localhost:8080/v1/chat/completions -H "Content-Type: application/json" \
    -d '{"messages":[{"role":"user","content":"Forklar hvad en webhook er, på dansk, i to sætninger"}]}'

Svar (78 tokens på 0,79 sekunder, altså omkring 100 tokens i sekundet):

En webhook er en måde, hvor et system automatisk sender en HTTP-besked til et andet system, når en bestemt begivenhed sker. Det gør det muligt for programmer og systemer at interagere og opdatere hverandre i realtid, uden at bruge traditionelle metoder for at anmode om opdateringer.

Kursets sammenligning med en cloudmodel, ud fra min daglige brug:

Lokal 7B-model (llama.cpp) Lokal 26–32B-model (Ollama) Cloudmodel (Claude)
Hastighed Meget hurtig, ~100 tok/s Langsom, flere minutter på lange svar Hurtig
Kvalitet God til afgrænset kode God til resonnering og dansk Bedst, især til lange opgaver
Dansk Brugbart, små fejl ("hverandre") Godt Fejlfrit
Pris Strøm Strøm + et dyrt grafikkort Abonnement pr. måned
Data Forlader aldrig huset Forlader aldrig huset Sendes til udbyderen

Lært: en sprogmodel er en fil plus et program, der kører den. API'et er en aftale, og den aftale er den samme for LM Studio, llama.cpp, Ollama og cloududbyderne. Derfor kan man bytte model uden at skrive sin kode om. Det er det stærkeste argument i enhver snak om databeskyttelse: man kan rent faktisk beholde data hjemme, og det koster hastighed og kvalitet, ikke muligheder.

Hvad de fire spor har til fælles

Alle fire spor handler om det samme: at komme et lag ned under den grafiske flade og se, at der ligger noget simpelt og genbrugeligt. Git er en mappe med historik. Agenten er et program, der kalder værktøjer. En webhook er en adresse med kode bag. En sprogmodel er en fil med et API foran. Når man kører tingene selv, bliver det tydeligt, at skyen bare er en anden, der kører de samme fire ting for én.