Harbor
Harbor
Active

Harbor

Harbor von av ist eine Apache-2.0 CLI und Begleit-App zum Erstellen lokaler KI-Stacks aus Docker-Diensten wie Ollama, llama.cpp, vLLM, Open WebUI, SearXNG und ComfyUI. Dieser Leitfaden behandelt Architektur, GPU-Größe, Speicher, Geheimnisse, Netzwerkgefährdung, Profile, Upgrades und Produktionsmigration.

63

Views

0

Likes

Jan 2026

Added

github.com

Website

Tags

gpt-applicationsfree

Editorial Review

About Harbor

Harbor bei github.com/av/harbor ist eine Open-Source-CLI und Begleit-App, die lokale KI-Dienste mit Docker Compose zusammenstellt. Ein Basic Hafen auf kann Ollama und Open WebUI bereits verbunden starten; Durch das Hinzufügen von Service-Handles können Suche, Sprache, Bilderzeugung, Gateways, Beobachtbarkeit und andere Komponenten im selben Stapel verknüpft werden. Das Projekt ist Apache-2.0 lizenziert.

Dies ist nicht die CNCF-Containerregistrierung Harbor unter Goharbor/Hafen. Es handelt sich auch nicht um ein LLM, eine Sicherheitsgrenze oder eine verwaltete Produktionsplattform. Es handelt sich um eine schnelle Integrationsschicht rund um viele unabhängig gepflegte Bilder. Harbor reduziert den Konfigurationsaufwand; Der Betreiber ist weiterhin Eigentümer der Bildherkunft, offengelegter Ports, Authentifizierung, GPU-Kapazität, Modelllizenzen, persistenter Daten, Upgrades und der Schwachstellen aller Dienste.

Harbor local AI stack placeholder visual
Dem aktuellen Verzeichniseintrag von Harbor fehlt ein offizieller Screenshot. Nutzen Sie das offizielle Repository und den Live-Service-Katalog als Produktautorität; Dieses generische Bild ist kein Beweis für eine bestimmte Benutzeroberfläche oder Funktion.

Ein lokaler KI-Stack ist ein Netzwerk, nicht eine einzelne Anwendung

 Browser/Coding-Client
          |
          v
 [Open WebUI / API Gateway]
          |
   .------+---------+--------------.
   v v v
 [Ollama] [llama.cpp] [vLLM] Modellinferenz
   |                |              |
   '----------------+--------------'
                    |
          .---------+----------.
          v v
      [SearXNG] [Speaches] Tools / Rede
          |
       Internet

 Docker-Netzwerk ≠ vertrauenswürdiges Netzwerk
 lokaler Host ≠ automatisch privat

Harbor wählt Fragmente erstellen und dienstübergreifende Konfiguration aus, damit Verbraucher Anbieter anhand des internen Dienstnamens und des erwarteten API Pfads finden können. Dieser Komfort erweitert den Vertrauensgraphen: Eine Web-Benutzeroberfläche kann ein Modell-Backend, einen Suchdienst und eine Sprachmaschine erreichen; Plugins oder Agenten rufen möglicherweise noch mehr Endpunkte auf. Führen Sie eine Bestandsaufnahme der Datenflüsse durch, bevor Sie Dienste hinzufügen.

Servicerollen und die Entscheidung, die jeder einführt

SchichtBeispiele dokumentiert von HarborBetreiberentscheidung
Inferenz-BackendOllama, llama.cpp, vLLM, SGLang und andereModell, Quantisierung, GPU, Kontext, Lizenz und API Belichtung
FrontendOpen WebUI und alternative Chat-SchnittstellenAuthentifizierung, Benutzer, Verlauf, Uploads und Tools
Gateway/RouterLiteLLM, Bifrost, Harbor BoostSchlüssel, Fallbacks, Protokolle, Kontingente und Provider-Routing
Abrufen/SuchenSearXNG, Forschungs- und RAG-DiensteAusgehender Datenverkehr, Index-Datenschutz, Zitate und sofortige Injektion
MedienReden, ComfyUI und Sprach-/DesigndiensteModellrechte, GPU-Konflikt und Überprüfung generierter Medien
Agent/WorkflowDify, n8n, Codierungs-/AgentendiensteTool-Autorität, Anmeldeinformationen, Sandboxing und Nebenwirkungen
Proxy/ZugriffTraefik und eingebauter TunnelTLS, Hostnamen, Authentifizierung und Internetpräsenz

Installieren Sie mit einer überprüfbaren Lieferkette

Offizielle Materialien zeigen Installationsskripte und Docker-basierten Betrieb. Ein Befehl wie Locken ... | bash ist praktisch, führt aber veränderliche Netzwerkinhalte sofort aus. Laden Sie zur kontrollierten Verwendung das Skript herunter, überprüfen Sie es, pinnen Sie ein Commit/Tag an und überprüfen Sie den Repository-Eigentümer, bevor Sie es ausführen. Überprüfen Sie die Dockerfiles- und Compose-Definitionen für die ausgewählten Dienste.

Container-Tags wie z spätestens sind nicht reproduzierbar. Fixieren Sie Image-Digests für eine stabile Umgebung, zeichnen Sie die Version von Harbor auf und exportieren Sie die effektive Compose-Konfiguration. Scannen Sie Bilder und Software-Stücklisten gemäß Ihrer Richtlinie. Ein offizielles Image kann immer noch eine anfällige Basisschicht enthalten.

ArtefaktAufnahmeWarum
Harbor CLI/AppVersions-, Commit- und Installer-HashOrchestrierungsverhalten reproduzieren
Konfiguration erstellenNamen gerenderter/ausgeworfener Dateien und UmgebungenWissen Sie, was tatsächlich gelaufen ist
ContainerbildRegistry, Repository und DigestVerhindern Sie eine stille Tag-Drift
ModellQuelle, Revision, Hash, Quantisierung und LizenzQualität, Sicherheit und legale Herkunft
ProfilLokale Datei und Prüfsumme überprüftProfile können Endpunkte und Geheimnisse ändern

GPU- und Speicherplanung

Harbor kann Funktionen erkennen und GPU-Ressourcen an unterstützte Container übergeben, aber es kann keine inkompatiblen Workloads fit machen. Schätzen Sie Modellgewichte, KV-Cache, Laufzeit-Overhead und gleichzeitige Anforderungen. Ein Modell, das erfolgreich geladen wird, schlägt möglicherweise immer noch im angeforderten Kontext fehl oder wenn ComfyUI und Sprachdienste um VRAM konkurrieren.

ArbeitsbelastungKapazitätstreiberTesten
Einzelbenutzer-ChatModellgewichte + ein KV-CacheZeit bis zum ersten Token und Token/Sekunde im Zielkontext
Langkontext-RAGKV-Cache und schnelle VorverarbeitungSpitzen-VRAM/RAM und Latenz bei realistischer Dokumentgröße
Mehrere BenutzerBatch-, Warteschlangen- und Cache-FragmentierungP50/P95-Latenz und abgelehnte Anfragen unter Last
BilderzeugungDiffusionsmodell und AuflösungKonflikt, während das LLM-Backend aktiv ist
SprachpipelineAudiodauer, Modell und EchtzeitfaktorEnd-to-End-Capture-to-Response-Latenz

Legen Sie Speicher-, CPU-, GPU- und Festplattenkontingente fest, wo es sinnvoll ist. Überwachen Sie Temperatur und Stromversorgung auf einer Workstation. Gehen Sie nicht davon aus, dass „lokal“ kostenlos bedeutet: Beziehen Sie Hardware-Abschreibung, Strom, Speicher, Technik und ungenutzte Kapazität in die Kosten pro angenommener Aufgabe ein.

Ports und Authentifizierung

Binden Sie Entwicklungsdienste an Loopback, es sei denn, ein anderer Host muss sie erreichen. Von Docker veröffentlichte Ports können Annahmen über eine Host-Firewall umgehen. Listener nach dem Start auflisten und von einem anderen Gerät aus testen. Viele lokale LLM-Endpunkte akzeptieren Dummy- oder keine API-Schlüssel, weil sie eine vertrauenswürdige Maschine erwarten; Setzen Sie sie nicht unverändert einem LAN oder Internet aus.

Das Projekt warnt ausdrücklich davor, dass das Tunneln eines Dienstes ins Internet ohne Authentifizierung unsicher ist. Behandeln Hafentunnel als Expositionsereignis: erfordern eine starke Identität, TLS, Ratenbegrenzungen, Begrenzungen der Anforderungsgröße, Protokolle und ein enges Ziel. Tunneln Sie niemals einen unformatierten vLLM/Ollama-Endpunkt oder eine Administrator-Benutzeroberfläche mit Standardanmeldeinformationen.

BelichtungMinimale KontrolleRestrisiko
Nur LoopbackSicherheit des Host-KontosSchädlicher lokaler Prozess/Browseranforderung
Vertrauenswürdiges LANFirewall, Authentifizierung und segmentiertes SubnetzKompromittierter Peer und schwaches WLAN
Reverse-Proxy/VPNSSO/MFA, TLS und ZugriffsrichtlinieProxy-Fehlkonfiguration und gestohlene Sitzung
Öffentlicher TunnelAlles oben Genannte plus Missbrauchsschutz und -überwachungInternet-Scanning, Kosten/DoS und Modellextraktion

Geheimnisse und dienstübergreifendes Vertrauen

Gateways und Benutzeroberflächen benötigen möglicherweise API-Schlüssel für gehostete Modelle, Suche oder Speicherung. Legen Sie Geheimnisse in einem verwalteten Speicher oder einer geschützten Umgebungsdatei ab, die von Git ausgeschlossen ist. Bevorzugen Sie dienstspezifische Schlüssel mit geringem Gültigkeitsbereich und rotieren Sie diese. Überprüfen Sie die effektive Containerumgebung und die bereitgestellten Dateien. Eine Benutzeroberfläche sollte keinen Backend-Schlüssel erhalten, nur weil beide ein Compose-Projekt teilen.

OpenAI-kompatible APIs schaffen Schnittstellenkompatibilität, nicht identische Authentifizierung oder Semantik. Ein lokal funktionierender Dummy-Schlüssel darf nicht als echte Zugangskontrolle wiederverwendet werden. Überprüfen Sie Streaming, Toolaufrufe, strukturierte Ausgabe, Modellnamen, Grenzwerte und Fehlerverhalten für jedes Client/Backend-Paar.

Permanente Daten, Backups und Löschung

Ordnen Sie jedes Volume zu: Modell-Cache, Chat-Datenbank, hochgeladene Dokumente, Vektorindizes, generierte Bilder, Protokolle und Gateway-Telemetrie. Entscheide, was überlebt unten, Upgrades und Profiländerungen. Verschlüsseln Sie Festplatten und Backups. Testen Sie die Wiederherstellung mit denselben angehefteten Diensten.

  • Trennen Sie austauschbare Modellcaches von unersetzlichen Benutzerdaten.
  • Sichern Sie API-Schlüssel nicht in Anwendungsdatenbanken, wenn dies vermeidbar ist.
  • Aufbewahrung für Chat und hochgeladene Dokumente festlegen; Die Löschung sollte Vektorindizes und Miniaturansichten umfassen.
  • Exportieren Sie vor dem Entfernen eines Dienstes Daten in einem dokumentierten Format und bestätigen Sie die Datenträgerbereinigung.

Profile sind ausführbare Konfigurationen

Harbor-Profile speichern die Konfiguration für Szenarien und können von einer URL importiert werden. Ein Profil kann Image-Versionen, Endpunkte, Argumente und potenzielle Anmeldeinformationen ändern. Wenden Sie niemals direkt ein nicht vertrauenswürdiges Remote-Profil an. Geheimnisse herunterladen, prüfen, anheften und entfernen; Behandeln Sie die Profilüberprüfung wie eine Codeänderung.

Pflegen Sie Profile wie z offline-privat, GPU-Chat und Lappentest mit expliziten Servicelisten und Budgets. Vermeiden Sie ein ständig wachsendes Standardprofil, das stillschweigend Dutzende Container startet und die Angriffsfläche vergrößert.

Web RAG fügt einen Kanal für nicht vertrauenswürdige Inhalte hinzu

Ein Harbor-Stack, der Open WebUI, SearXNG und ein LLM kombiniert, kann das Web durchsuchen und Ergebnisse als Kontext verwenden. Webtexte können prompte Einwürfe und falsche Behauptungen enthalten. Kennzeichnen Sie abgerufene Inhalte als nicht vertrauenswürdige Daten, schränken Sie Tools ein, behalten Sie URLs bei und verlangen Sie Zitate. Erlauben Sie Seitenanweisungen nicht, auf Geheimnisse zuzugreifen oder administrative Endpunkte aufzurufen.

Auch Suchanfragen und abgerufene Seiten verlassen die Maschine, selbst wenn das LLM lokal ist. Dokumentieren Sie diese Ausnahme in jedem Datenschutzanspruch. Proxy- und DNS-Protokolle können die Absicht des Benutzers offenlegen.

Aktualisieren Sie jeweils eine Ebene

VeränderungKanarische BeweiseRollback-Asset
Harbor AktualisierungGerendert. Komponieren Sie Diff- und Smoke-TestsVorherige CLI/Version und Konfiguration
ServicebildSchema-, Authentifizierungs-, UI- und IntegrationsprüfungenVorheriger Digest und Volume-Snapshot
ModellQualitäts-, Tool-Call- und Latenz-BenchmarkHash des Vorgängermodells
GPU-Treiber/LaufzeitAlle Backends laden und halten die Zielarbeitslast aufrechtBekanntermaßen funktionierendes Host-Image/Treiber
ProfilPort-, Secret- und DatenflussunterschiedeVersioniertes vorheriges Profil

Sichern Sie den Status, stoppen Sie Schreibvorgänge und testen Sie die Kompatibilität vor einer Migration. „Containerstarts“ reicht nicht aus: Senden Sie bekannte Eingabeaufforderungen, führen Sie einen RAG-Abruf durch, testen Sie Toolaufrufe und überprüfen Sie die Benutzer-/Verlaufspersistenz.

Verwenden Sie Auswerfen als Abschlusspfad

Hafenauswurf kann eine eigenständige Compose-Darstellung ausgewählter Dienste und Variablen erstellen. Dies ist wertvoll, wenn eine experimentelle Kombination wichtig wird: Überprüfen Sie die Ausgabe, ersetzen Sie Floating-Tags, externalisieren Sie Geheimnisse, definieren Sie Gesundheitsprüfungen, Backups, Überwachung und Besitz und verwalten Sie sie dann als normale Infrastruktur.

Beim Auswerfen handelt es sich nicht um eine automatische Produktionshärtung. Generated Compose spiegelt die Annahmen des Experiments wider. Für die Produktion sind möglicherweise Kubernetes oder ein anderer Planer, externe Datenbanken, Hochverfügbarkeit, automatische Skalierung, Prüfprotokollierung und getestete Notfallwiederherstellung erforderlich.

Bewertungs-Scorecard

DimensionMessenFrage bestehen
Setup-WertZeit vom sauberen Host bis zum funktionierenden SzenarioReduziert Harbor die wiederholbare Einrichtungszeit erheblich?
ZuverlässigkeitKaltstart, Neustarts und fehlgeschlagene AbhängigkeitswiederherstellungKann ein anderer Betreiber es wiederherstellen?
QualitätAufgaben-Benchmark für angeheftete Modelle/EinstellungenSind akzeptierte Ergebnisse ausreichend?
LeistungLatenz, Durchsatz, VRAM und WarteschlangeErfüllt es die tatsächliche gleichzeitige Last?
SicherheitPorts, Authentifizierung, Geheimnisse, Scans und DatenflüsseIst die Autorität jedes Dienstes gerechtfertigt?
PortabilitätAuswerfen und auf einem sauberen Host wiederherstellenKann der Stapel Harbor ohne Datenverlust verlassen?

Alternativen

OptionBeste PassformKompromiss versus Harbor
Harbor (av)Erkundung vieler vorverkabelter lokaler KI-DiensteGroßer, sich schnell ändernder Servicekatalog
Ollama + Open WebUI manuellEinfacher stabiler lokaler ChatWeniger Abstraktion und einfachere Prüfung, mehr manuelle Verkabelung
LM StudioDownload und Chat des Desktop-First-Modells/APIWeniger Multi-Service-Compose-Orchestrierung
Docker Compose wurde im eigenen Haus entwickeltKleiner produktionseigener StapelMehr anfängliches Engineering, klarere Minimaloberfläche
Kubernetes/HelmProduktionsplattform mit mehreren KnotenViel höhere betriebliche Komplexität
Verwaltetes Modell/API PlattformTeams meiden GPU-InfrastrukturNutzungskosten, Uploads und Anbieterabhängigkeit

Häufig gestellte Fragen

Ist das die Containerregistrierung Harbor?

Nein. Diese Auflistung weist darauf hin Av/Hafen, ein lokaler AI-Stack-Orchestrator. Das Registrierungsprojekt ist Goharbor/Hafen.

Ist Harbor ein LLM?

Nein. Es lädt Modellserver, Benutzeroberflächen und unterstützende Tools herunter, führt sie aus und verbindet sie.

Ist es kostenlos?

Das Projekt ist Apache-2.0 lizenziert. Modelle, gehostete APIs, Strom, Hardware und Dienste von Drittanbietern können Geld kosten.

Bedeutet lokal privat?

Nur wenn alle ausgewählten Dienste, Modelle, Tools und Speicher lokal und sicher konfiguriert bleiben. Suche, Cloud-APIs und Tunnel erzeugen externe Flüsse.

Kann ich es aus der Ferne anzeigen?

Das Projekt umfasst Tunnel- und Proxy-Optionen, warnt jedoch vor einer Gefährdung durch das Internet. Verwenden Sie authentifizierte VPN-/Reverse-Proxy-Kontrollen und legen Sie niemals rohe, nicht authentifizierte Dienste offen.

Ist es produktionsreif?

Es handelt sich um eine hervorragende Explorations-/Integrationsschicht. Die Produktionsbereitschaft hängt von den ausgewählten Diensten sowie Ihrem Pinning, Ihrer Sicherheit, Überwachung, Backups und Ihrem Support ab.

Wie kann ich wegwandern?

Verwenden Sie den Auswurf-Workflow als erste Compose-Datei, härten Sie ihn dann aus und betreiben Sie ihn unabhängig.

Primärquellen

Zuletzt überprüft am 26. Juli 2026. Harbor und sein Servicekatalog entwickeln sich schnell weiter. Fixieren Sie den Orchestrator, gerenderte Compose, Bilder, Modelle und Profile und führen Sie nach Änderungen erneut Sicherheits- und Kompatibilitätsprüfungen durch.

Ready to try Harbor?

Visit the official website to get started

Visit Harbor

Quick Info

Added
1/21/2026
Published
1/21/2026
Updated
8/29/2026

Share This Tool

Have an AI tool to share?

Submit it to AI Dreamhub

Get your product in front of people actively exploring AI tools.

Submit Your Tool

Related Tools

Poe

Poe

AI product built by Quora. Can use ChatGPT, Sage, Dragonfly, Claude bots for free. All you need is an email address to register. GPT-4 can be used once a day for free - Intelligentes KI-Tool für mehr Produktivität.

gpt-applicationsfree
770
HuggingChat

HuggingChat

Unabhängiger HuggingChat-Test 2026: Omni, Modellwahl, Provider, Datenschutz, Tools, Limits, Verifikation und Alternativen.

offene ModelleKI-ChatHugging Face
650
Google AI Studio

Google AI Studio

Google AI Studio is a free, web-based developer tool that enables you to quickly develop prompts and then get an API key to use in your app development. - Intelligentes KI-Tool für mehr Produktivität.

gpt-applicationsfree
810
NotebookLM

NotebookLM

AI Research Assistant developed by Google. Upload PDFs, websites, YouTube videos, audio files, Google Docs, or Google Slides, and NotebookLM will summarize them and make interesting connections between topics. - Intelligentes KI-Tool für mehr Produktivität.

gpt-applicationsfree
750