Ollama (lokal)

Ollama im Collective Context Stack

Ollama ist kein direkter ACP-Agent (noch kein stabiler offizieller Adapter, Stand Feb 2026), aber über zwei Wege nutzbar:

1. Indirekt via Script: Claude Code Tab führt Scripts aus, die Ollama intern nutzen
2. Community ACP Adapter: Ein Community-Adapter existiert (Beta-Status)

Wann Ollama verwenden?

Situation	Empfehlung
API Keys im Code sichtbar	Ollama (keine Cloud-Übertragung)
DSGVO-kritische Kundendaten	Ollama (bleibt auf Workstation)
Repetitive Tier-C-Tasks	Ollama (kostenlos, unlimitiert)
Interne Dokumentation	Ollama
Höchste Qualität benötigt	Cloud-Modell (Sonnet, Gemini Pro)

Empfohlene Modelle

Modell	Stärke	RAM
qwen3:14b	Code, Reasoning	16 GB
llama3.3:70b	Vielseitig, hohe Qualität	48 GB
deepseek-coder-v2:16b	Code-Analyse	20 GB
mistral:7b	Schnell, leichtgewichtig	8 GB

Installation

# Ollama installieren
curl -fsSL https://ollama.ai/install.sh | sh

# Modell laden
ollama pull qwen3:14b

# Testen
ollama run qwen3:14b "Erkläre mir kurz was du kannst"

Methode 1: Indirekt via Claude Code Tab

Das ist die häufigste Nutzungsform. Claude Code Tab führt ein Python-Script aus, das intern Ollama nutzt:

analyse_privat.py

import ollama

def analysiere_credentials(code_snippet: str) -> str:
    """Analysiert Code auf hardgecodete Credentials — lokal, kein Cloud."""
    response = ollama.chat(
        model='qwen3:14b',
        messages=[{
            'role': 'user',
            'content': f'Prüfe diesen Code auf hardgecodete Secrets:\n\n{code_snippet}'
        }]
    )
    return response['message']['content']

Im Claude Code Tab:

Führe analyse_privat.py auf src/config.py aus und zeige mir die Findings

Claude Code Tab orchestriert die Ausführung, Ollama läuft vollständig lokal.

Methode 2: Community ACP Adapter

# In ZED:
Ctrl+? → Agent Panel → +
→ "Ollama" aus ACP Registry (Community-Kategorie)
→ Lokalen Ollama-Endpoint konfigurieren: http://localhost:11434

Status: Beta, nicht für Produktions-Einsatz empfohlen (Stand Feb 2026).

Hybrid-Routing Strategie

Die optimale CC-Konfiguration nutzt alle drei Ebenen je nach Task-Typ:

Task-Routing:
├── Tier A (Architektur, Komplexes Debugging)    → Claude Sonnet / Gemini Pro
├── Tier B (Code schreiben, Refactoring)         → Grok 4.1 / Gemini Flash
└── Tier C (Extraktion, Privacy, Repetitives)    → Ollama lokal

Details: LLM Routing Strategie

Nächste Schritte

• LLM Routing Strategie — welches Modell für welchen Task?
• Collective Context Konzept — die Gesamtarchitektur