Einen lokalen KI-Assistenten mit Websuche aufbauen: MCP + Ollama einrichten
Lokale Sprachmodelle mit Websuche kombinieren und dabei die eigenen Daten schützen
Wer KI-Werkzeuge im Unternehmen einrichtet, muss oft zwischen Komfort und Datenschutz wählen. Cloud-basierte Lösungen sind einfach zu nutzen, senden Ihre Daten aber anderswohin. Lokale Lösungen behalten alles auf Ihrem Rechner, lassen sich aber mitunter nur aufwendig einrichten und um zusätzliche Funktionen erweitern.
Wir zeigen Schritt für Schritt den Aufbau einer praktischen KI-Umgebung, die Ihnen beides bietet: ein lokales Sprachmodell, das bei Bedarf das Web durchsuchen kann, während Ihre Gespräche und die Verarbeitung auf Ihrer eigenen Hardware bleiben. Dieser Ansatz passt zu unserer Philosophie selbst betriebener Lösungen – ähnlich wie wir gezeigt haben, dass Sie Ihre eigene n8n-Automatisierungsplattform betreiben können, um Ihre Workflows vollständig zu kontrollieren.
Die verwendeten Werkzeuge
Zunächst die Aufgaben der einzelnen Komponenten:
Ollama: Ihre lokale KI-Engine
Ollama ist Software, die große Sprachmodelle auf Ihrem eigenen Computer ausführt. Damit erhalten Sie ChatGPT-ähnliche Funktionen, ohne etwas an OpenAI oder andere Cloud-Anbieter zu senden. Die Software übernimmt Modelldownloads, Speicherverwaltung und die Bereitstellung über eine einfache API.
Der entscheidende Vorteil? Mit lokalen Modellen bleibt alles lokal. Ihre Fragen, die Antworten der KI und sämtliche Verarbeitung bleiben auf Ihrem Rechner. Das ist wichtig für sensible Geschäftsgespräche, proprietäre Informationen oder einfach wenn Sie monatliche KI-Abonnementgebühren vermeiden möchten.
Model Context Protocol (MCP): Fähigkeiten hinzufügen
Sprachmodelle eignen sich gut für Gespräche und logisches Schlussfolgern, können aber allein weder im Web navigieren noch Dateien lesen oder mit anderen Systemen interagieren. Model Context Protocol (MCP) löst dies, indem es eine standardisierte Möglichkeit bietet, KI-Modellen Zugang zu externen Werkzeugen zu geben.
Stellen Sie sich MCP als einen universellen Übersetzer zwischen Ihrem KI-Modell und anderer Software vor. Möchten Sie, dass Ihre KI das Web durchsucht? Dafür gibt es einen MCP-Server. Soll sie Datenbanken lesen? Ein weiterer MCP-Server. Das Schöne daran ist, dass das Hinzufügen neuer Fähigkeiten viel einfacher wird, sobald das Protokoll eingerichtet ist.
mcphost: Die zuverlässige Verbindung
Für die praktische Nutzung benötigen Sie neben dem MCP-Standard eine Software, die Ihr lokales KI-Modell tatsächlich mit MCP-Servern verbindet. mcphost macht genau das, und zwar gut.
Wir haben zunächst andere Optionen ausprobiert (wie ollmcp), stießen aber auf ständige Zeitüberschreitungen beim Verbindungsaufbau und Konfigurationsprobleme. mcphost verwendet explizite Konfigurationsdateien, statt alle Komponenten automatisch zu suchen, und funktioniert dadurch im praktischen Einsatz zuverlässig. Stand Oktober 2026 ist das mcphost-Repository archiviert, und die Maintainer verweisen auf Kit als Nachfolger; die folgenden Befehle beziehen sich weiterhin auf mcphost.
DuckDuckGo-MCP-Server: Private Websuche
Für die Websuche verwenden wir einen DuckDuckGo-MCP-Server. Dieser ermöglicht Ihrer lokalen KI, über DuckDuckGo im Web zu suchen (der Server fragt den HTML-Suchendpunkt von DuckDuckGo statt einer offiziellen API ab). Laut DuckDuckGos Datenschutzerklärung werden Nutzer nicht verfolgt und keine Suchverläufe gespeichert. Es ist die perfekte Ergänzung zu einem datenschutzorientierten lokalen Setup.
uv: Python-Umgebungsverwaltung
uv ist ein schneller Python-Paketmanager, der isolierte Umgebungen erstellt und Abhängigkeiten verwaltet. Wir verwenden ihn, um den DuckDuckGo-MCP-Server sauber auszuführen, ohne andere Python-Projekte auf Ihrem System zu beeinflussen.
Wie alles zusammenarbeitet
So läuft es ab, wenn Sie Ihre lokale KI bitten, etwas zu suchen:
- Sie geben eine Frage ein, etwa „Suche nach aktuellen Entwicklungen bei E-Commerce-Regulierungen“
- mcphost empfängt Ihre Nachricht und leitet sie an Ihr lokales Ollama-Modell weiter
- Das Modell erkennt, dass es suchen muss, und ruft den DuckDuckGo-MCP-Server über das MCP-Protokoll auf
- Der MCP-Server durchsucht DuckDuckGo und gibt Ergebnisse zurück
- Ihr lokales Modell verarbeitet die Suchergebnisse und gibt Ihnen eine umfassende Antwort
- Alles bleibt auf Ihrem Rechner, außer der eigentlichen Websuchanfrage
Einrichtung: Die praktischen Schritte
Das Fundament vorbereiten
Zunächst benötigen Sie eine laufende Ollama-Installation mit einem Modell, das Werkzeugaufrufe unterstützt. Wir empfehlen qwen3:30b-a3b für eine gute Balance zwischen Leistung und Geschwindigkeit:
# Install and start Ollama
ollama pull qwen3:30b-a3b
ollama serve
mcphost installieren
mcphost ist in Go geschrieben, daher benötigen Sie zuerst Go:
# On macOS
brew install go
# On Ubuntu/Debian
sudo apt install golang-go
# Install mcphost
go install github.com/mark3labs/mcphost@latest
# Make sure it's in your PATH
export PATH=$PATH:$(go env GOPATH)/bin
DuckDuckGo-Suche einrichten
Klonen Sie das Repository des DuckDuckGo-MCP-Servers und richten Sie ihn ein:
git clone https://github.com/nickclyde/duckduckgo-mcp-server
cd duckduckgo-mcp-server
pip install uv # if you don't have it
uv sync
Konfiguration, die tatsächlich funktioniert
Erstellen Sie eine Konfigurationsdatei unter ~/.mcphost.json:
{
"mcpServers": {
"duckduckgo-search": {
"command": "uv",
"args": [
"run",
"--directory",
"/path/to/your/duckduckgo-mcp-server",
"python",
"src/duckduckgo_mcp_server/server.py"
]
}
}
}
Ersetzen Sie /path/to/your/duckduckgo-mcp-server durch den tatsächlichen Pfad, in den Sie das Repository geklont haben.
Ihren neuen KI-Assistenten verwenden
Sobald alles läuft, können Sie auf verschiedene Arten mit Ihrer KI interagieren:
Interaktiver Chat
# Start a conversation
mcphost -m ollama:qwen3:30b-a3b
Dies bietet Ihnen eine Chat-Oberfläche, in der Sie laufende Gespräche führen und bei Bedarf Websuchen anfordern können.
Einzelfragen
# Get a quick answer
mcphost -m ollama:qwen3:30b-a3b -p "Search for information about EU data privacy laws"
Automatisierte Skripte
# Save results to a file
mcphost -m ollama:qwen3:30b-a3b -p "Search for competitors in the bowling equipment market" --quiet > research.txt
Was Sie tatsächlich damit machen können
Recherche und Faktenprüfung
Bitten Sie Ihre KI, nach aktuellen Informationen zu geschäftsrelevanten Themen zu suchen. Da DuckDuckGo verwendet wird, erhalten Sie gute Webergebnisse ohne Tracking.
Recherche für Inhalte
„Suche nach aktuellen Trends bei nachhaltigen Verpackungen“ liefert Ihnen aktuelle Informationen, die das Modell dann basierend auf seinem Training analysieren und zusammenfassen kann.
Wettbewerbsbeobachtung
„Suche nach Neuigkeiten über [Mitbewerbername] und fasse deren aktuelle Aktivitäten zusammen“ liefert aktuelle Informationen, ohne Ihre Analyse mit einem Cloud-KI-Anbieter zu teilen; die Suchanfragen selbst gehen weiterhin an DuckDuckGo.
Technische Problemlösung
„Suche nach Lösungen für Probleme mit API-Aufruflimits“ kann Ihnen helfen, aktuelle Best Practices und Codebeispiele zu finden.
Die n8n-Verbindung: Workflow-Automatisierung trifft KI
Hier wird es richtig interessant. So wie wir Ihnen gezeigt haben, wie Sie n8n für Workflow-Automatisierung selbst betreiben, kann dieses lokale KI-Setup in automatisierte Workflows integriert werden.
Stellen Sie sich vor, Sie lösen Ihre lokale KI über n8n-Workflows aus:
- Automatisierte Recherche: Tägliche Workflows, die nach Branchennachrichten suchen und Zusammenfassungen erstellen
- Inhaltserstellung: Durch Kalenderereignisse oder Formularübermittlungen ausgelöste Inhaltserstellung
- Datenanalyse: Automatisierte Verarbeitung hochgeladener Dokumente mit KI-gestützten Erkenntnissen
- Kundensupport: Lokale KI-Verarbeitung von Support-Tickets vor der menschlichen Überprüfung
Die Kombination von selbst betriebenem n8n und lokaler KI schafft einen leistungsstarken Automatisierungsstack, bei dem Ihre Daten auf Ihrer Infrastruktur bleiben – abgesehen von den Websuchanfragen, die der Assistent nach außen sendet. Sie erhalten den Komfort der Automatisierung mit deutlich mehr Kontrolle über Ihre Daten.
Zukünftige Integrationsmöglichkeiten
Wir erkunden verschiedene Wege, diese Systeme zu verbinden:
- HTTP-Endpunkte von Ihrer lokalen KI, die n8n aufrufen kann
- Dateibasierte Integration, bei der n8n KI-Verarbeitung von Dokumenten auslöst
- Datenbank-Workflows, bei denen KI-Ergebnisse in automatisierte Geschäftsprozesse einfließen
- E-Mail-Automatisierung, bei der Ihre lokale KI beim Verfassen und Personalisieren von Antworten hilft
Ebenso wie unsere WordPress-Automatisierungstools das Verwaltung von Inhalten optimieren, kann die Kombination von lokaler KI mit n8n-Workflows komplexe Geschäftsprozesse automatisieren und dabei die Datensouveränität wahren.
Die konkreten Vorteile
Datenschutz, der wirklich zählt
Ihre Geschäftsgespräche, internen Diskussionen und strategischen Überlegungen bleiben auf Ihrer Hardware. Nur Ihre Websuchanfragen gehen nach außen (an das datenschutzorientierte DuckDuckGo). Sie enthalten nicht Ihre vollständige Unterhaltung, doch der Anfragetext selbst kann verraten, woran Sie arbeiten. Berücksichtigen Sie das bei sensiblen Themen.
Keine KI-Abonnementgebühren
Nach der Ersteinrichtung fallen keine laufenden KI-Abonnementkosten oder Gebühren pro Token an, allerdings entstehen weiterhin Kosten für Hardware, Strom und gegebenenfalls Hosting. Sie nutzen Ihre eigene Hardware für alles – ähnlich wie das Self-Hosting von n8n Sie vor teuren SaaS-Workflow-Tools bewahrt.
Zuverlässige Performance
Mit korrekter Konfiguration ist dieses Setup bemerkenswert stabil. Probleme wie „Der KI-Dienst ist ausgefallen“ oder „Wir haben unser monatliches Limit erreicht“ entfallen.
Anpassbar und erweiterbar
Möchten Sie Datenbanksuche hinzufügen? Dateien lesen? Benutzerdefinierte Geschäftslogik? Das MCP-Ökosystem macht das Hinzufügen neuer Fähigkeiten unkompliziert, und die spätere Integration mit Ihren n8n-Workflows eröffnet zahlreiche Automatisierungsmöglichkeiten.
Häufige Probleme und Lösungen
„Command Not Found“-Fehler
Stellen Sie sicher, dass das Verzeichnis Ihrer ausführbaren Go-Dateien in PATH enthalten ist:
echo 'export PATH=$PATH:$(go env GOPATH)/bin' >> ~/.zshrc
source ~/.zshrc
Zeitüberschreitungen beim Verbindungsaufbau
Das bedeutet meist, dass der MCP-Server nicht korrekt startet. Testen Sie ihn manuell:
cd /path/to/duckduckgo-mcp-server
uv run python src/duckduckgo_mcp_server/server.py
Modell reagiert nicht auf Werkzeugaufrufe
Stellen Sie sicher, dass Sie ein Modell verwenden, das Funktionsaufrufe unterstützt. Nicht alle Ollama-Modelle unterstützen diese Funktion.
Langsame Verarbeitung
Verwenden Sie bei begrenzter Hardware gegebenenfalls ein kleineres Modell wie qwen3:8b. Eine niedrigere Temperature-Einstellung macht die Antworten fokussierter, steuert aber die Zufälligkeit statt der Geschwindigkeit:
mcphost -m ollama:qwen3:8b --temperature 0.3 -p "your question"
Überlegungen zur Infrastruktur
Wenn Sie bereits Dienste wie n8n selbst betreiben, können Sie auch diese KI-Umgebung auf derselben Infrastruktur betreiben. Das Setup, das wir für n8n auf Hetzner Cloud beschrieben haben, lässt sich leicht um Ollama erweitern – Sie benötigen nur mehr RAM und CPU für die Sprachmodelle.
Ein typisches Setup könnte umfassen:
- Hetzner CCX42 oder ein vergleichbares Angebot für den Ressourcenbedarf größerer Modelle (allein qwen3:30b-a3b ist ein Download von 19 GB; ohne GPU müssen Sie mit langsameren Antworten rechnen)
- Docker-Containerisierung für einfache Verwaltung neben n8n
- Traefik Reverse Proxy für sicheren Zugang (falls Sie Fernzugriff wünschen)
- Gemeinsamer Speicher für Modelle und Workflow-Daten
Lohnt sich der Einrichtungsaufwand?
Wenn Sie regelmäßig KI für geschäftliche Aufgaben nutzen und Wert auf Datenschutz legen, absolut. Die Ersteinrichtung dauert einige Stunden, aber Sie erhalten einen leistungsfähigen KI-Assistenten, der:
- offline funktioniert (außer für Websuchen)
- Ihre Unterhaltungen nicht an Dritte sendet (nur Suchanfragen gehen an DuckDuckGo)
- nach der Einrichtung keine KI-Abonnementgebühren oder Gebühren pro Token verursacht (Hardware, Strom und Hosting kosten weiterhin Geld)
- bei Bedarf mit zusätzlichen Fähigkeiten erweitert werden kann
- sich in Ihre bestehende selbst betriebene Infrastruktur integriert
Für Teams, die sensible Informationen verarbeiten oder in regulierten Branchen arbeiten, hält dieses Setup Unterhaltungen von Cloud-KI-Anbietern fern, was die Compliance vereinfachen kann; Sie müssen dennoch Ihre eigene Umgebung einschließlich der ausgehenden Suchanfragen bewerten.
Die Kombination lokaler Verarbeitung mit selektivem Webzugang erreicht ein praktisches Gleichgewicht zwischen Leistungsfähigkeit und Datenschutz, das weder mit reinen Cloud- noch mit reinen Lokallösungen leicht zu erreichen ist. Und wenn Sie Workflow-Automatisierung hinzufügen, bauen Sie ein Fundament für wirklich ausgefeilte Geschäftsautomatisierung, die unter Ihrer Kontrolle bleibt.
Was kommt als Nächstes?
Wir arbeiten aktiv an tieferen Integrationen zwischen lokalen KI-Setups und Workflow-Automatisierungsplattformen. Halten Sie Ausschau nach zukünftigen Beiträgen über:
- Docker-Konfigurationen für kombinierte n8n- und Ollama-Umgebungen
- Benutzerdefinierte MCP-Server für geschäftsspezifische Datenquellen
- Workflow-Vorlagen, die lokale KI für häufige Geschäftsprozesse nutzen
- Sicherheitshärtung für Deployments im Produktivbetrieb
Die Zukunft der Geschäftsautomatisierung dreht sich nicht nur darum, bestehende Dienste zu verbinden – es geht darum, intelligente Systeme zu haben, die in Ihrem Auftrag Schlussfolgerungen ziehen, recherchieren und handeln können, während alles unter Ihrer Kontrolle bleibt.
Wenn Sie bei der Einrichtung auf Probleme stoßen oder diese Konfiguration für Ihren spezifischen Anwendungsfall erweitern möchten, helfen wir gerne bei der Fehlerbehebung über unsere Standard-Supportkanäle.