Skip to the rows

agentsclimarketplace

Ai portable setup

Skill ellmos-ai/skills/skills/infrastructure/ai-portable-setup

Portable SKILL.md library for Claude Code, Codex-compatible agents, BACH, and local-first LLM workflows

Install

npx -y skills add ellmos-ai/skills --skill ai-portable-setup

Assembled from the repository path, not quoted from the project. Check it against their README if it does not work.

One thing to look at

2 stars2 stars. Stars are a popularity signal and not a quality one, but at this level it is likely that nobody has read this closely except its author, and you would be relying on your own review.

What its author says it does

Copied from the file, not written here

Erstellt eine portable KI-Arbeitsumgebung auf einem USB-Stick oder beliebigem Laufwerk. RAG-Pipeline mit lokalen LLM-Modellen (Ollama), Vektordatenbank (ChromaDB) und vorkonfigurierten Prompts.

SKILL.md

3.7 KB, as published. Nobody here has run it

<img src="banner.png" width="100%" alt="ai-portable-setup banner">

AI Portable Setup

Erstellt eine portable KI-Arbeitsumgebung mit lokaler RAG-Pipeline. Gedacht fuer USB-Sticks oder externe Laufwerke -- funktioniert offline mit Ollama und lokalen Embedding-Modellen.

Schnellstart

# Struktur auf USB-Stick erstellen
python setup_portable.py E:\AI-Portable

# Danach auf dem Zielsystem:
cd E:\AI-Portable
python -m venv venv
venv\Scripts\activate          # Windows
pip install chromadb ollama

# Dokumente indexieren
python rag/ingest.py

# Abfragen
python rag/query.py "Meine Frage..."
python rag/query.py --mode icf "Beobachtungen zum Klienten"

Erzeugte Verzeichnisstruktur

AI-Portable/
  models/
    llm/                  Lokale LLM-Modelle (Mistral, Llama, etc.)
    embeddings/           Embedding-Modelle (nomic-embed-text, bge-small)
    tts/                  Optional: Text-to-Speech (Piper, Coqui)
  db/
    chroma/               ChromaDB Vektordatenbank
    sqlite/               Metadaten-DB
  documents/
    code/                 Code-Snippets, Projekte
    general/              Allgemeine Dokumente
  rag/
    ingest.py             Dateien einlesen und indexieren
    query.py              RAG-Abfragen mit Modus-Auswahl
    pipeline.py           Haupt-RAG-Pipeline (Embed + Query + LLM)
  prompts/
    coding.txt            Coding-Assistent Prompt
    icf.txt               ICF-Strukturierung Prompt
    rpg.txt               Pen-and-Paper Spielleiter Prompt
  templates/              Word/PDF-Vorlagen
  venv/                   Portable Python-Umgebung

RAG-Pipeline

Dokumente -> Chunking -> Embedding (nomic-embed-text)
                              |
                              v
                         ChromaDB (lokal)
                              |
Frage -> Embedding -> Similarity Search -> Top-K Chunks
                                              |
                                              v
                                    Kontext + Prompt -> Ollama (Mistral)
                                              |
                                              v
                                          Antwort

Abfrage-Modi

Modus	Prompt	Verwendung
`default`	Allgemeiner Assistent	Standardabfragen
`icf`	ICF-Strukturierung	Beobachtungen nach ICF klassifizieren
`coding`	Coding-Assistent	Code schreiben und erklaeren
`rpg`	Spielleiter	Pen-and-Paper Rollenspiel

Voraussetzungen auf dem Zielsystem

Python 3.10+
Ollama (mit mistral:instruct und nomic-embed-text)
~8 GB RAM fuer Mistral

Changelog

1.0.0 (2026-03-12)

Konsolidierung aus MODULAR_AGENTS/AI-Portable
Setup-Script als Einzeldatei-Skill
4 vorkonfigurierte Prompts (coding, icf, rpg, default)
RAG-Pipeline (ingest, query, pipeline)

Keep looking

Skills are one crate of 328,083. Ordering is by how many stacks a row turns up in, so the top of any crate is what has actually been picked rather than what has the most stars.