1   Was ist TealKit?

TealKit ist ein mobiler KI-Agent auf Basis des Model Context Protocol (MCP). Verbinde ihn mit einem beliebigen kompatiblen Sprachmodell (OpenAI, Anthropic Claude, Google Gemini, Mistral, Ollama …) und deinen eigenen Datenquellen — Dokumente, E-Mails, Webseiten, Dateien — und lass die KI mehrstufige Agenten vollautomatisch abarbeiten.

Alles läuft auf deinem Gerät. Es werden keine Daten an TealKit-Server gesendet.

Schlüsselbegriffe

• Playground — interaktiver Chat mit Live-Werkzeugnutzung
• Agenten — gespeicherte, wiederverwendbare Automatisierungsabläufe
• MCP-Werkzeuge — Fähigkeiten, die die KI aufrufen kann (Websuche, E-Mail, Dokumentensuche …)
• Datenquellen — deine persönlichen Daten, die dem Agenten zur Verfügung stehen

2   Plattform-Hinweise

3   Ersteinrichtung

Anbieterdetails & API-Schlüssel-Registrierung

LLM-Anbieter und Modelleinstellungen

Bei der Konfiguration eines LLM finden Sie verschiedene erweiterte Einstellungen. Beachten Sie, dass nicht jeder Parameter bei jedem Anbieter in TealKit verfügbar ist. Hier ist eine kurze Hilfe zu den wichtigsten Optionen:

• Temperature: Steuert, wie kreativ oder fokussiert die KI ist. Nutzen Sie niedrigere Werte (z. B. 0.0 – 0.3) für präzise, faktenbasierte Agenten, um Halluzinationen zu vermeiden. Höhere Werte (0.7 – 1.0) sorgen für variablere oder natürlichere Sprache.
• Max Tokens: Die maximale Länge einer einzelnen KI-Antwort. Erhöhen Sie diesen Wert, wenn lange Datenzusammenfassungen abgeschnitten werden. Verringern Sie ihn, um bei einfachen Abfragen Kosten zu sparen.
• Max. Werkzeugausgabe (Zeichen): Begrenzt, wie viele Zeichen ein einzelnes Werkzeugergebnis an das LLM zurückgeben kann. Auf 0 setzen für unbegrenzt. Verringern, um zu verhindern, dass sehr große Werkzeugausgaben (z. B. eine riesige Webseite) das Kontextfenster belegen.
• Token-Warnschwellenwert: Wenn die Sitzungs-Tokenanzahl diesen Wert erreicht, schlägt TealKit vor, die Gesprächshistorie aufzuräumen, um einen Kontextüberlauf zu vermeiden. Standard: 1.500.000. An das Kontextfenster des verwendeten Modells anpassen.
• Top-K: Begrenzt die KI auf die K wahrscheinlichsten nächsten Token. Niedrigere Werte (z. B. 10–40) machen die Ausgabe fokussierter; höhere erlauben mehr Variation. Leer lassen, um den Anbieter-Standard zu verwenden. Besonders wirksam bei Ollama und lokalen Modellen.
• Top-P (Nucleus Sampling): Die KI wählt Token, deren kumulative Wahrscheinlichkeit P erreicht. Werte wie 0.9 sorgen für abwechslungsreiche, aber kohärente Ausgaben. Auf 1.0 setzen zum Deaktivieren. Leer lassen für Anbieter-Standard.
• Repeat Penalty: Bestraft das Modell für Wiederholungen bereits verwendeter Token. Werte über 1.0 (z. B. 1.1) reduzieren Wiederholungen; 1.0 bedeutet keine Bestrafung. Nützlich bei längeren Ausgaben. Leer lassen für Anbieter-Standard.
• Seed: Eine feste Ganzzahl, die die Generierung deterministisch macht — dasselbe Prompt mit demselben Seed liefert dieselbe Ausgabe. Nützlich für reproduzierbare Tests. Leer lassen für zufälligen / Anbieter-Standard.

LLM 2 — Sekundäres Modell

TealKit ermöglicht die Konfiguration eines zweiten, unabhängigen KI-Modells für Code-Generierung. So lässt sich ein leistungsstarkes (aber teureres) Primärmodell für komplexe Agenten einsetzen, während ein schnelleres oder günstigeres Modell Shell-Skripte und JavaScript-Werkzeuge schreibt.

LLM 2 konfigurieren unter Einstellungen → LLM-Einstellungen → LLM 2-Reiter. Dieselben Anbieter und Parameter wie für das Primärmodell stehen zur Verfügung.

• Shell-Skript-Assistent — im Assistenten den Modell-Picker nutzen, um das Skript mit LLM 2 statt dem Primärmodell zu generieren
• JavaScript-Werkzeug-Assistent — ebenso: LLM 2 im Modell-Picker des Assistenten wählen
• Agenten — LLM 2 (aus Einstellungen) als Agenten-LLM-Anbieter wählen, um eine gesamte Agent mit dem Sekundärmodell auszuführen

Anwendungsbeispiele

Hier sind einige Beispiele, die Sie im Playground ausprobieren oder als automatisierte Agent (Agent) anlegen können:

• Semantische Dokumentensuche: „Suche semantisch nach ‘setup new sensors in wsca’ in allen Dokumentendateien.“
• E-Mails: „Durchsuche E-Mails der letzten 24 Stunden nach dem Text ‘TaskAI’ und fasse diese zusammen.“
• Kalender: „Hole alle anstehenden Kalendereinträge für die nächste 1 Woche und speichere sie in ein PDF-Dokument.“
• Shell-Skripte: „Erstelle ein Shell-Skript, das ein Verzeichnis als Eingabe nimmt und die 20 größten Dateien auflistet.“
• Wetter + Diagramm: „Hole die Wettervorhersage für meinen Standort für die nächsten 24 Stunden und erstelle ein Statistik-Übersichtsdiagramm aus den Temperaturdaten.“
• Agenten-Verkettung: Einen SSH-Agenten mit aktiviertem Nach Tool-Aufruf stoppen erstellen — er führt das Skript disk_usage aus und die rohe Ausgabe wird ${task_result}. Einen bedingten Trigger hinzufügen: „wenn ${task_result} > 65 %“ → Folgeagent diskusage_alert aufrufen.

4   Playground

Der Playground ist ein interaktiver Chat, in dem du die KI und ihre Werkzeuge in Echtzeit ausprobierst.

Eine Sitzung einrichten

1. Werkzeuge auswählen (Websuche, E-Mail, Dokumente …). Die Checkbox System-Prompt generieren aktivieren, damit die KI automatisch einen passenden System-Prompt basierend auf den gewählten Werkzeugen erstellt.
2. Den System-Prompt prüfen oder bearbeiten (oder ✨ tippen zum manuellen Neu-Generieren).
3. Bei Website-Suche oder Dokumente: auf Indexierung starten tippen, um den lokalen Index zu erstellen. Während der Indexierung erscheint ein roter Stopp-Button — tippen zum Abbrechen.
4. Optional eine Erste Nachricht eingeben — automatisch beim Start gesendet.
5. (Optional) Chat-Modus — das orange Kontrollkästchen Chat-Modus aktivieren, um die Nachricht direkt an das LLM zu senden — ohne System-Prompt und ohne Werkzeuge. Ideal für SLMs bei reinen Textaufgaben wie Übersetzen, Formatieren oder Zusammenfassen, wo Werkzeugaufrufe nur Latenzen verursachen würden.
6. (Optional) Nach Tool-Aufruf stoppen — das violette Kontrollkästchen Nach Tool-Aufruf stoppen aktivieren, damit die Sitzung genau einen Werkzeugaufruf ausführt, die rohe Ausgabe erfasst und sofort stoppt — ohne weitere LLM-Verarbeitung. Die rohe Werkzeugausgabe wird als ${task_result} an den nächsten verketteten Agenten weitergegeben.
7. Falls ein zweites LLM konfiguriert ist (Einstellungen → LLM-Einstellungen → LLM 2), erscheint oberhalb des Start-Buttons ein LLM 1 / LLM 2-Selektor. Damit lässt sich das Modell direkt im Playground wechseln — ideal, um ein leistungsstarkes Cloud-Modell mit einem lokalen SLM für denselben Prompt zu vergleichen.
8. Auf Playground starten tippen (deaktiviert während aktiver Indexierung).

Während des Chats

• Werkzeugaufrufe erscheinen als aufklappbare Karten — tippen zum Anzeigen von Ein-/Ausgaben.
• Mit der Anhang-Schaltfläche lassen sich Bilder oder Dateien hinzufügen.
• Chat zurücksetzen startet ein neues Gespräch mit derselben Konfiguration.
• Als Agent speichern PRO — nach einer erfolgreichen Sitzung kann die aktuelle Playground-Konfiguration (Werkzeuge, System-Prompt, LLM) als wiederverwendbare automatisierte Agent gespeichert werden.

5   Agenten

Agenten sind gespeicherte Automatisierungsabläufe. Jede Agent enthält ein Sprachmodell, Werkzeuge, einen System-Prompt und eine Startnachricht — mit einem Tipp ausführbar. Kostenloser Tarif: maximal 3 Agenten. PRO hebt das Limit auf.

Agent erstellen

1. Zu Agenten → + Neue Agent gehen.
2. Name und Beschreibung vergeben.
3. LLM konfigurieren (kann vom globalen Standard abweichen — oder LLM 2 (aus Einstellungen) wählen, um die Agent mit dem Sekundärmodell auszuführen).
4. Werkzeuge auswählen und konfigurieren (Website-URLs, Dokumentenordner usw.).
5. System-Prompt generieren im Bereich Basis / Integrierte Werkzeuge aktivieren, damit die KI automatisch einen passenden Prompt aus der Werkzeugauswahl erstellt — anschließend prüfen oder anpassen.
6. System-Prompt und erste Nachricht schreiben.
7. Auf Speichern tippen.

Ausführungsmodi

• ▶ Starten — führt die Agent sofort mit Fortschrittsdialog aus.
• Interaktiv / Ausprobieren — öffnet die Agentenkonfiguration als Playground-Chat. Ideal zum Testen oder Verfeinern einer Agent vor dem Planen.

Cron-Planung PRO

Agenten können automatisch nach einem Zeitplan ausgeführt werden:

• Stündlich — jede Stunde
• Täglich — einmal pro Tag zur gewählten Uhrzeit
• Wöchentlich — am gewählten Wochentag und Uhrzeit
• Benutzerdefinierter Cron-Ausdruck — vollständige Cron-Syntax (z. B. 0 8 * * 1-5 für werktägliche Morgen)

Ausführungsstatistiken

Einen abgeschlossenen Eintrag antippen, um detaillierte Statistiken zu sehen:

Ausgabeformat

Das Ausgabeformat über den System-Prompt oder die Startnachricht steuern:

• Nach Markdown (.md), HTML, JSON oder Nur-Text fragen
• Den excel-Server bitten, strukturierte Daten als .xlsx-Tabelle zu exportieren
• Den chart- oder mermaid-Server bitten, Diagramme als .png-Bilder zu erzeugen
• TealKit speichert das Rohergebnis und eine gerenderte HTML-Vorschau automatisch

Ausgabekanäle PRO

Agentenergebnisse können nach Abschluss automatisch an einen oder mehrere Kanäle geliefert werden. Jeder Kanal besitzt eine eigene Sendebedingung und kann optional die Ausgabedateien anhängen. Globale Zugangsdaten werden einmalig unter Einstellungen → Datenquellen konfiguriert; agentenspezifische Überschreibungen im Reiter Ausgabe.

Jede generierte Datei kann angehängt werden — nicht nur das Markdown-Protokoll: .xlsx-Tabellen (vom excel-Server), .png-Diagramme (chart / mermaid), .html-Vorschauen und .md-Ergebnisdateien. Die Option Ausgabedateien anhängen im Reiter Ausgabe der Agent leitet alle erzeugten Dateien an jeden aktiven Zustellkanal weiter.

✉ E-Mail-Ausgabe PRO

Das Ergebnis nach Abschluss automatisch per E-Mail verschicken. Im Bereich Ausgabe der Agent konfigurieren:

• Empfänger — eine oder mehrere E-Mail-Adressen
• Betreff — statischer Text oder dynamisch (Agentenname / Datum)
• Bedingung — immer, nur bei Erfolg, oder nur bei nicht-leerer Ausgabe
• Ausgabedateien anhängen — alle generierten Dateien als E-Mail-Anhänge: .md-Ergebnis, .html-Vorschau, .xlsx-Tabellen, .png-Diagramme und alle weiteren Dateien, die die KI während des Durchlaufs erstellt hat

💬 Slack-Ausgabe PRO

Das Agentenergebnis automatisch in einen Slack-Kanal posten. Eine Slack-App zu erstellen ist kostenlos — app erstellen auf api.slack.com. Zwei Authentifizierungsmodi werden unterstützt:

• Incoming Webhook — einfachste Option, kein Bot nötig. URL holen:
  1. Auf api.slack.com/apps eine kostenlose App erstellen (From scratch).
  2. Unter Incoming Webhooks die Webhooks aktivieren.
  3. Add New Webhook to Workspace klicken, Kanal wählen und Zugriff erlauben.
  4. Die angezeigte Webhook-URL kopieren — sie beginnt mit https://hooks.slack.com/services/…
  5. In TealKit unter Datenquellen → Slack → Webhook-URL einfügen.
  Textinhalte werden als formatierte Code-Blöcke eingebettet.
• Bot-Token (xoxb-…) — ermöglicht echte Datei-Uploads:
  1. In der Slack-App OAuth & Permissions → Scopes → Bot Token Scopes öffnen.
  2. Folgende Scopes hinzufügen: chat:write, files:write, files:read.
  3. App neu installieren und den xoxb-…-Token kopieren.
  4. Bot mit /invite @BotName zum Kanal einladen.

Agentenspezifische Optionen im Reiter Ausgabe:

• Sendebedingung — Immer / Nur bei Erfolg / Nur bei Fehler
• Kanal überschreiben — leer lassen für Standardkanal
• Ausgabedateien anhängen — alle erzeugten Dateien (.xlsx, .png, .md, .html …) als native Slack-Dateien (Bot-Token) bzw. als Text eingebettet (Webhook)

📲 WhatsApp-Ausgabe PRO

Das Agentenergebnis automatisch an eine WhatsApp-Nummer senden. Unterstützte Modi:

• Meta Business Cloud API — kostenloses Konto inklusive 1 000 Gespräche/Monat. Dateien (.xlsx, .png, .md …) werden über die Media API hochgeladen und als separate Dokumentnachrichten zugestellt.
• CallMeBot — Textnachrichten an eine private Nummer ohne Meta-Konto. Dateinamen werden im Text erwähnt; kein Datei-Upload möglich.

Agentenspezifische Optionen im Reiter Ausgabe:

• Sendebedingung — Immer / Nur bei Erfolg / Nur bei Fehler
• Empfänger überschreiben — E.164-Nummer (z. B. +49170…)
• Ausgabedateien anhängen — Meta API lädt Dateien via Media API hoch; CallMeBot listet Dateinamen im Text

📂 SFTP-Ausgabe PRO

Agentenergebnisse und generierte Dateien werden nach einem Durchlauf automatisch per SFTP auf einen Remote-Server hochgeladen. SSH/SFTP-Zugangsdaten einmalig unter Einstellungen → Datenquellen → SSH konfigurieren.

Agentenspezifische Optionen im Reiter Ausgabe:

• Remote-Verzeichnis — standardmäßig der normalisierte Agenten-Name-Slug; aufgabenweise überschreibbar
• Sendebedingung — Immer / Nur bei Erfolg / Nur bei Fehler
• Ausgabedateien anhängen — lädt alle generierten Dateien (.md, .html, .xlsx, .png, …) in das Remote-Verzeichnis hoch

ZIP-Ausgabe PRO

Den vollständigen Ausgabeordner (Ergebnis + Protokolle + Anhänge) als ZIP-Datei bündeln. Kombiniert mit E-Mail-Ausgabe kommt das Archiv nach jedem Durchlauf per Mail.

Agenten-Verkettung PRO

Agenten verketten, sodass die Ausgabe eines Agenten in den nächsten fließt. Überall, wo ${task_result} im System-Prompt oder der Startnachricht eines verketteten Agenten vorkommt, wird es durch die Ausgabe des auslösenden Agenten ersetzt.

Folgeagent-Modus

Den Folgeagent-Modus auf einem Agenten (Basis-Tab) aktivieren, um ihn als verketteten Folge-Agenten zu markieren. Folgeagenten laufen nur, wenn sie von einem anderen Agenten ausgelöst werden — sie erscheinen nicht in der normalen Agentenliste und können nicht direkt geplant werden.

Mit Bedingung & ohne Bedingung

Beim Einrichten eines Triggers auf einem Agenten stehen zwei Modi zur Verfügung:

• Mit Bedingung — das LLM wertet einen Bedingungsausdruck aus (z. B. „Festplattennutzung überschreitet 80 %“). Bei Übereinstimmung wird der Treffer-Folgeagent ausgeführt; bei Nicht-Übereinstimmung kann optional ein separater Kein-Treffer-Agent folgen.
• Ohne Bedingung (bedingungslos) — das Ergebnis wird immer an einen einzigen Folgeagenten weitergeleitet — keine LLM-Auswertung, geringere Latenz.

Nach Tool-Aufruf stoppen

Den Nach Tool-Aufruf stoppen-Schalter auf einem Agenten (Basis-Tab) oder im Playground-Setup aktivieren. Wenn gesetzt, führt der Agent genau einen Werkzeugaufruf aus, erfasst die rohe Ausgabe und stoppt sofort — die rohe Werkzeugausgabe wird ohne weitere LLM-Verarbeitung als ${task_result} an den nächsten verketteten Agenten übergeben. Ideal für Datenextraktions-Agenten, bei denen die exakte, unveränderte Werkzeugausgabe (z. B. SSH-Output, Suchergebnis, Dokumentausschnitt) in einen nachgelagerten Agenten fließen soll.

✏️ Mehrstufiger System-Prompt-Editor

Das System-Prompt-Feld im Agenten-Editor unterstützt mehrstufige Prompts mit dem ++#++-Trenner. TealKit zeigt jeden Abschnitt als eigene, aufklappbare Kachel an — so lassen sich einzelne Schritte bequem lesen und bearbeiten, ohne durch einen langen Textblock zu scrollen.

• Tippe auf + Abschnitt hinzufügen, um eine neue Schrittpkachel anzuhängen.
• Tippe auf den Kachelkopf, um den Inhalt direkt inline zu bearbeiten.
• Tippe auf das 🗑-Löschsymbol auf einer Kachel, um diesen Schritt zu entfernen.

Vollständige Syntax, Platzhalter-Referenz und Beispiele findest du in Abschnitt 5.1 — Prompt-Aufteilung.

👁️ Vollständigen Prompt in der Vorschau ansehen

Im Agenten-Editor befindet sich neben dem System-Prompt-Kopfbereich ein Vorschau-Button (👁 Augen-Symbol). Einmal getätippt, stellt er den vollständig zusammengesetzten effektiven Prompt zusammen, der zur Laufzeit an das LLM gesendet wird — einschließlich Datum-/Uhrzeitkopf, Toolbox-Hinweisen, Werkzeugfähigkeiten und automatisch eingefügten Werkzeug-Skills — und zeigt ihn in einem scrollbaren, editierbaren Dialog an.

• Bearbeitbar — den finalen Text direkt in der Vorschau anpassen.
• Auf Prompt übertragen — schreibt den bearbeiteten Text in das System-Prompt-Feld des Agenten zurück.
• Schließen — schließen ohne Änderungen.

5.1   Prompt-Aufteilung

Die Prompt-Aufteilung ermöglicht es, einen einzelnen Agenten- oder Playground-Prompt mit dem ++#++-Trenner (in einer eigenen Zeile) in sequenzielle Schritte zu unterteilen. Jeder Schritt wird als vollständiger, unabhängiger LLM-Aufruf ausgeführt — das Modell bewältigt eine klar abgegrenzte Aufgabe pro Schritt. Den Platzhalter ${tool_result} in einem späteren Schritt verwenden, um die rohe Werkzeugausgabe (oder den LLM-Antworttext) des vorherigen Schritts einzufügen.

Syntax

Erster Schritt-Prompt
++#++
Zweiter Schritt-Prompt, der ${tool_result} nutzt
++#++
Dritter Schritt ...

• Schritte werden durch ++#++ in einer eigenen Zeile getrennt.
• In Schritt N wird ${tool_result} durch die rohe Werkzeugausgabe von Schritt N−1 ersetzt — oder durch den letzten LLM-Antworttext, wenn kein Werkzeug aufgerufen wurde.
• Scheitert ein Schritt (z. B. Werkzeugfehler), stoppt die Kette an diesem Schritt.
• Token, Werkzeugaufrufe und Statistiken häufen sich über alle Schritte an und werden als ein einziger Lauf gemeldet.

Beispiel — Daten abrufen, formatieren und zusammenfassen

Ruf den Festplattennutzungsbericht mit dem check_disk_usage-Werkzeug ab.
++#++
Hier sind die rohen Festplattendaten:
${tool_result}
Formatiere sie als Markdown-Tabelle. Partitionen über 80 % fett hervorheben.

Im ersten Schritt wird das Werkzeug aufgerufen; im zweiten Schritt empfängt das Modell die rohe Ausgabe und formatiert sie. Jeder Schritt ist einfach genug für ein 7–14 B-Modell.

Prompt-Aufteilung vs. Agentenkettung

5.2   Werkzeug-Skills

Werkzeug-Skills sind prägnante Nutzungshinweise, die pro MCP-Server-Werkzeug gespeichert und zur Laufzeit automatisch in den effektiven System-Prompt eingefügt werden. Sie helfen dem LLM zu verstehen, wann und wie ein Werkzeug korrekt aufgerufen werden soll — ohne dass du diese Anleitung selbst in den System-Prompt schreiben müsst.

Automatische Injektion nach Modellgröße

TealKit passt die Menge des injizierten Skill-Texts an das aktive Modell an:

Skills automatisch generieren

1. Den Playground oder einen Agenten-Editor öffnen und zum Tab Werkzeuge wechseln.
2. Die MCP-Server-Karte des gewünschten Servers finden.
3. Auf das ✨ (Funken)-Symbol auf der Server-Karte tippen.
4. TealKit ruft das LLM auf und schreibt prägnante Skill-Beschreibungen — vollständig und kompakt (SLM) — für jedes Werkzeug.
5. Der Skill-Editor öffnet sich automatisch mit den generierten Skills.
6. Auf Speichern tippen.

Skills manuell bearbeiten

1. Auf einer MCP-Server-Karte das 🧠 (Gehirn/Psychologie)-Symbol antippen.
2. Der Skill-Editor öffnet sich mit allen Werkzeugen dieses Servers. Jedes Werkzeug hat zwei Felder:
   • Vollständiger Skill — für große Modelle.
   • Kompakter Skill (SLM) — für kleine Modelle; ein bis zwei Sätze.
3. Einträge bearbeiten und auf Speichern tippen.

6   Datenquellen

Datenquellen werden unter Einstellungen → Datenquellen konfiguriert. Jede Quelle kann pro Agent unabhängig ein-/ausgeschaltet werden.

📧 E-Mail (Gmail / IMAP)

Gmail per OAuth verbinden oder beliebigen IMAP-Server konfigurieren. Die KI kann E-Mails suchen, lesen und optional senden.

🔍 Websuche

DuckDuckGo (kostenlos, kein Schlüssel nötig), Serper.dev oder SerpAPI. Für Premium-Anbieter API-Schlüssel eingeben.

📄 Dokumente

Auf einen oder mehrere lokale Ordner zeigen. TealKit indexiert alle Dokumente in eine lokale DuckDB-Datenbank mit hybrider semantischer + Schlüsselwortsuche. Siehe Dokumentensuche für Details.

🌐 Website-Suche

Start-URLs hinzufügen und TealKit crawlt und indexiert diese lokal in einen Volltextsuchindex. Vor dem Start des Playgrounds oder der Agent indexieren — das Crawling kann jederzeit gestoppt werden.

• Kostenlos: bis zu 3 Start-URLs
• Pro: bis zu 10 Start-URLs PRO

Die Indexierung kann automatisch geplant werden nach einem Cron-Zeitplan (Mindestintervall 1 Stunde: stündlich, täglich, wöchentlich oder monatlich). Ein Zuletzt indexiert-Zeitstempel wird angezeigt und eine manuelle Schaltfläche Jetzt indexieren ist jederzeit verfügbar. Geplante Neu-Indexierungen laufen automatisch im Hintergrund. PRO

📍 Standort

Optional GPS-Koordinaten speichern. Diese werden in jede Agent eingebettet, damit Anfragen wie „Wetter an meinem Standort“ automatisch aufgelöst werden. Koordinaten verlassen das Gerät nie.

☁ Google Drive

Per OAuth verbinden, um Dateien aus Google Drive zu durchsuchen und zu lesen.

🖥 SSH

Einen entfernten SSH-Server verbinden. Siehe den SSH-Abschnitt für alle Details.

🏠 Home Assistant

Smart-Home-Geräte über Home Assistant steuern. Base-URL und Long-Lived Access Token einmalig unter Einstellungen → Datenquellen → Home Assistant konfigurieren. Siehe den Home-Assistant-Abschnitt für alle Details.

💬 Slack

Slack-Zugangsdaten für die automatische Ausgabezustellung konfigurieren. Eine Slack-App zu erstellen ist kostenlos — app erstellen auf api.slack.com. Zwei Modi werden unterstützt:

• Incoming Webhook URL — In der Slack-App unter Incoming Webhooks → Add New Webhook to Workspace einen Kanal auswählen und die URL kopieren, die mit https://hooks.slack.com/services/… beginnt. Textergebnisse werden als formatierte Nachrichten gepostet; Anhänge als Code-Blöcke eingebettet.
• Bot-Token — xoxb-…-Token einfügen und Standardkanal setzen. Ermöglicht native Datei-Uploads. In der Slack-App unter OAuth & Permissions → Scopes → Bot Token Scopes folgende Scopes hinzufügen: chat:write, files:write, files:read; anschließend App neu installieren und xoxb-…-Token kopieren. Bot mit /invite @BotName zum Kanal einladen.

📲 WhatsApp

Meta Business Cloud API-Zugangsdaten für WhatsApp-Ausgabe konfigurieren. Registrierung ist kostenlos inklusive 1 000 Gespräche/Monat — Erste Schritte auf Meta Developers. Alternativ CallMeBot für einfache Textnachrichten an eine private Nummer (kein Meta-Konto nötig).

• Phone Number ID — von der WhatsApp-Produktseite der Meta-App
• System User Access Token — langlebiger Token mit whatsapp_business_messaging-Berechtigung
• Standardempfänger — E.164-Telefonnummer (z. B. +49170123456)

7   MCP-Server

TealKit wird mit einem Satz eingebauter MCP-Server geliefert und unterstützt externe Server aus dem Ökosystem.

Eingebaute Server

💡 Drei Wege, die KI mit Werkzeugen zu erweitern

TealKit bietet drei ergänzende Wege, neue Werkzeuge hinzuzufügen. Das Verständnis der Unterschiede hilft, den besten Ansatz für jede Agent zu wählen:

☁️ Remote MCP-Server — Cloud / gehostet (alle Plattformen)

Mit jedem MCP-kompatiblen Server in der Cloud verbinden über HTTP Streaming oder SSE — keine lokale Installation nötig. Unter Einstellungen → Remote MCP-Server eine Katalogquelle wählen:

Jeder konfigurierte Server stellt seine Werkzeuge direkt im Playground und im Agenten-Werkzeug-Selektor bereit. Remote-Server laufen auf allen Plattformen einschließlich Android und iOS.

📥 MCP-Server-Registry — installierbare lokale Server PRO (nur Desktop)

Auf dem Desktop (Windows, Linux, macOS) kann TealKit MCP-Server lokal herunterladen und ausführen. Dies sind echte Node.js- und Python-Server, die mit einem Klick auf der Maschine installiert werden — kein Terminal nötig. Unter Einstellungen → MCP-Server-Registry vier öffentliche Kataloge durchsuchen:

Auf Installieren tippen — TealKit führt npm install -g, uvx oder pip im Hintergrund aus. Der installierte Server erscheint sofort im Werkzeug-Selektor. Deinstallation entfernt das Paket und den Eintrag.

🔧 Skripte & Werkzeuge als Mini-MCP-Server

Jedes in TealKit erstellte Skript oder Werkzeug wird der KI als lokaler MCP-Server-Werkzeug bereitgestellt — die KI ruft es auf genau die gleiche standardisierte Weise auf wie jeden Cloud-Server. Das ermöglicht leistungsstarke Agentenautomatisierung ohne MCP-Server-Boilerplate:

Das LLM sieht einen sauberen Werkzeugnamen und ein Input-Schema — es ist egal, ob das Werkzeug ein Cloud-Endpunkt, ein npm-Paket oder ein selbstgeschriebenes 20-Zeilen-PowerShell-Skript ist. Alle drei verwenden denselben MCP-Standard.

🔧 Eigene Werkzeuge PRO

TealKit ermöglicht es, eigene Werkzeuge ohne nativen Code zu erstellen. Zwei Assistenten stehen zur Verfügung — erreichbar über den Werkzeuge-Reiter in den Playground-Einstellungen oder beim Bearbeiten einer Agent. Kostenloser Tarif: je 1 Shell-Skript, 1 JavaScript- und 1 Python-Werkzeug. PRO hebt alle Limits auf.

📜 Shell-Skript-Assistent

In natürlicher Sprache beschreiben, was benötigt wird — die KI schreibt ein fertiges Shell-Skript. Der Skripttyp wird automatisch anhand der Zielplattform gewählt:

• Windows — erzeugt ein .ps1-PowerShell-Skript
• Linux / macOS — erzeugt ein .sh-Bash-Skript

Gespeicherte Skripte werden automatisch vom SSH-Server erkannt und können in Agenten beim Namen referenziert werden.

Tipps für einen guten Skript-Prompt:

• Zielplattform und -umgebung nennen: „PowerShell auf Windows“, „Bash auf Ubuntu“, „Bash auf macOS“
• Ein- und Ausgaben beschreiben: „nimmt Ordnerpfad als Argument, schreibt CSV nach stdout“
• Fehlerbehandlung erwähnen: „Exit-Code 1 bei Fehler, Fehlermeldung nach stderr“
• Beispiel: „Listet Dateien, die in den letzten 24 Stunden geändert wurden, und speichert das Ergebnis in report.txt“

🧩 JavaScript-Werkzeug-Assistent

Ein benutzerdefiniertes MCP-Werkzeug als kleines JavaScript-Snippet schreiben. Das Snippet läuft in einer sicheren On-Device-Sandbox und kann REST-APIs mit fetch() aufrufen. Gespeicherte Werkzeuge erscheinen sofort im Werkzeug-Selektor für Playground und Agenten.

Tipps für einen guten JavaScript-Werkzeug-Prompt:

• Input-Schema und Ausgabe klar definieren: „input: { from, to, amount }, output: { rate, converted}“
• Für REST-APIs das vollständige URL-Muster angeben: „GET https://api.example.com/v1/data?key={param}“
• Fehlerfälle erwähnen: „Fehlermeldung zurückgeben, wenn der Währungscode ungültig ist“
• Beispiel: „Aktuellen Bitcoin-Preis in EUR von der öffentlichen Coinbase-API abrufen und Preis und Zeitstempel zurückgeben“

🧠 Werkzeuglisten-Export für Modell-Training

Die vollständige Werkzeugliste eines MCP-Servers in einem maschinenlesbaren Format exportieren — ideal für das Fine-Tuning von LLMs auf Werkzeugnutzungsdaten oder zur Dokumentation verfügbarer Werkzeuge.

Das Export-Symbol (🧠 Modell-Training) erscheint an mehreren Stellen:

• Playground — Symbol am MCP-Server-Chip im Werkzeug-Selektor antippen
• Agenten-Editor — Symbol neben dem Werkzeuganzahl-Chip auf einer Server-Kachel antippen
• Verfügbare Werkzeuge-Anzeige — Symbol im Viewer-Header antippen (geöffnet über Einstellungen → Remote MCP-Server)
• Werkzeuge entdecken — Symbol im Sheet-Header antippen, wenn die Werkzeugliste eines Servers durchsucht wird

Vier Exportformate stehen zur Auswahl:

Kopieren tippen, um die Ausgabe in die Zwischenablage zu kopieren, oder Als Datei speichern, um sie direkt auf dem Desktop zu speichern.

8   Dokumentensuche

TealKits Dokumentensuche verwendet eine lokale DuckDB-Datenbank mit hybrider semantischer Vektoreinbettung + BM25-Schlüsselwortsuche — keine Cloud-Abhängigkeiten.

Ordner hinzufügen

1. Auf + Verzeichnis wählen in den Dokument-Einstellungen tippen.
2. Schnellzugriff-Chips für häufige Ordner (Downloads, Dokumente, Desktop) nutzen.
3. Mehrere Ordner hinzufügen — alle werden gemeinsam in einen einheitlichen Index aufgenommen.

Dateitypfilter

Mit dem Chip-Selektor auswählen, welche Dateitypen eingeschlossen werden. Unterstützte Typen:

pdf docx doc txt md html htm csv json xml xlsx xls pptx ppt rtf odt ods odp epub mobi log

Alle wählt jeden Typ aus, Zurücksetzen hebt alle Auswahlen auf.

Indexierung

• Auf Indexierung starten tippen, um den Index zu erstellen oder zu aktualisieren.
• Während der Indexierung erscheint ein roter Stopp-Button — tippen zum Abbrechen.
• Der Index wird lokal gespeichert; nur nach Änderungen an Dateien muss neu indexiert werden.

9   SSH

Der SSH-Server ermöglicht der KI, Shell-Befehle auf einem entfernten Host auszuführen. Die Verbindung wird unter Einstellungen → Datenquellen → SSH konfiguriert:

• Host, Port, Benutzername, Passwort oder Pfad zum privaten Schlüssel
• Optional: Standard-Arbeitsverzeichnis

Was die KI über SSH tun kann

• Beliebige Shell-Befehle ausführen und deren Ausgabe erfassen
• Systemstatus, Plattennutzung, laufende Prozesse prüfen
• Log-Dateien lesen und Probleme diagnostizieren
• Dienste starten oder stoppen
• Benutzerdefinierte Skripte ausführen

LLM-generierte Skripte

Die KI bittet, ein Skript zu schreiben und sofort auszuführen. Beispiel-Prompt:

Verbinde dich mit dem Server, schreibe ein Bash-Skript, das die CPU-Auslastung
jede 5 Sekunden für 1 Minute erfasst und in /tmp/cpu_bericht.txt speichert,
und zeige mir dann die Zusammenfassung.

Die KI schreibt das Skript, lädt es per SSH hoch, führt es aus und gibt die vollständige Ausgabe zurück — alles in einem Agentendurchlauf.

Gespeicherte lokale Skripte

Eigene .sh- oder .ps1-Skripte in das konfigurierte Skriptverzeichnis legen (Einstellungen → Allgemein → Skriptverzeichnis). Die KI erkennt alle Skripte automatisch und du kannst sie per Namen in Prompts referenzieren:

Führe das Skript "backup_db.sh" auf dem Server aus und sage mir, ob es erfolgreich war.

Skriptbibliothek & integrierte Beispiele

Die Shell-Skriptbibliothek (im SSH-Konfigurationspanel) ermöglicht das Speichern, Verwalten und Wiederverwenden von Skripten. Die Schaltfläche 🔬 Beispiele laden in der Toolbar fügt sofort drei einsatzbereite Beispiele hinzu:

• Disk Usage — alle eingebundenen Dateisysteme, sortiert nach Nutzungsprozentsatz
• Biggest Files in /usr/lib — die 20 größten Dateien
• Top 10 Processes — Prozesse mit höchstem CPU-Verbrauch

10   Home Assistant

Der Home-Assistant-MCP-Server ermöglicht der KI, beliebige Entitäten im Smart Home über die Home Assistant REST API abzufragen und zu steuern.

Einrichtung

1. Einstellungen → Datenquellen → Home Assistant öffnen.
2. Base-URL eingeben — z. B. http://homeassistant.local:8123 für lokale Installationen oder die Nabu-Casa-Cloud-URL (https://<id>.ui.nabu.casa).
3. Einen Long-Lived Access Token erstellen:
   In Home Assistant das eigene Profil öffnen (Avatar unten links) → zu Long-Lived Access Tokens scrollen → Token erstellen antippen, einen Namen vergeben (z. B. „TealKit“) und den Token kopieren.
4. Den Token in das Feld Long-Lived Access Token einfügen und Speichern antippen.

Was die KI tun kann

• Lichter, Schalter und Steckdosen an- und ausschalten
• Sensorwerte auslesen (Temperatur, Luftfeuchte, Bewegung, Energieverbrauch …)
• Thermostat-Solltemperaturen setzen
• Türen sperren und entsperren
• Den Zustand beliebiger Entitäten abfragen (z. B. „Ist die Haustür gesperrt?“)
• Alle Entitäten einer Domäne auflisten (z. B. alle light.*-Entitäten)
• Beliebige Home-Assistant-Service-Aktionen aufrufen

Beispiel-Prompts

Schalte alle Lichter im Wohnzimmer aus.

Wie hoch ist die aktuelle Temperatur im Schlafzimmer?

Setze den Thermostat auf 21 Grad und sperre die Haustür.

Welche Lichter sind gerade eingeschaltet?

11   Ausgabedateien

TealKit speichert Kerndateien pro Agentendurchlauf in einem Unterordner mit Zeitstempel:

• output_log.md — das Hauptergebnis als Markdown
• execution_log.md — schrittweises Werkzeugaufruf-Protokoll
• output.html — gerenderte HTML-Version des Ergebnisses

Zusätzlich werden alle Dateien, die die KI während des Durchlaufs erzeugt, automatisch gespeichert:

• .xlsx — Excel-Tabellen, die der excel-Server erstellt (z. B. „Exportiere die Daten als Excel-Datei“)
• .png — Diagramme des chart-Servers oder Mermaid-Diagramme des mermaid-Servers
• Weitere .md-, .html-, .csv-, .json-Dateien, die die KI über den file-Server schreibt

Ausgabeverzeichnis konfigurieren

Unter Einstellungen → Allgemein auf Ausgabeverzeichnis tippen, um einen Ordner auszuwählen. Ohne Angabe wird interner App-Speicher verwendet.

Automatische Bereinigung

Die Einstellung Dateien behalten (Tage) (1–60 Tage, Standard 3) löscht alte Durchläufe automatisch. Bereinigung erfolgt beim App-Start und stündlich.

12   Einstellungen

• LLM-Einstellungen — KI-Anbieter, Modell, API-Schlüssel, Temperatur und erweiterte Parameter (Top-K, Top-P, Repeat Penalty, Seed)
• Datenquellen — E-Mail, Suche, Dokumente, Webseiten, Standort, SSH, Home Assistant, Slack, WhatsApp
• Externe MCP-Server / Remote MCP-Server — Verbindung zu entfernten HTTP/SSE-MCP-Servern (PulseMCP, Smithery oder eigene URL)
• MCP-Server-Registry PRO — (Desktop) Python/Node.js-MCP-Server aus GitHub-, Glama-, PulseMCP- und Smithery-Katalogen durchsuchen und installieren
• Allgemein → Ausgabeverzeichnis — Speicherort für Ausgabedateien
• Allgemein → Skriptverzeichnis — lokale Skriptbibliothek für SSH-Agenten
• Allgemein → Dateien behalten (Tage) — Aufbewahrungsdauer der Ausgaben
• Allgemein → Hintergrund-Prüfintervall — Wie oft die App im Hintergrund aufwacht, um fällige Agenten zu prüfen (5 / 10 / 15 Min.; Standard 10 Min.). Ein kürzeres Intervall ist reaktionsschneller; ein längeres schont den Akku.
• Sprache — Englisch oder Deutsch
• Design — System / Hell / Dunkel
• Sicherung & Wiederherstellung PRO — alle Agenten, Einstellungen und Werkzeugkonfigurationen in eine verschlüsselte Vault-Datei exportieren; auf jedem Gerät wiederherstellen

13   FAQ

Speichert TealKit meine API-Schlüssel auf einem Server?

Nein. Alle API-Schlüssel werden ausschließlich im sicheren Schlüsselbund des Betriebssystems (iOS Keychain / Android Keystore) gespeichert und verlassen das Gerät nie.

Kann ich TealKit offline nutzen?

Lokale Ollama-Modelle funktionieren vollständig offline. Cloud-KI-Anbieter und Websuche benötigen eine Internetverbindung.

Wie lösche ich alle meine Daten?

TealKit deinstallieren. Alle lokalen Datenbanken, Schlüssel und Einstellungen werden automatisch entfernt.

Die Indexierung hängt oder ist langsam

Große Dokumentenordner oder Webseiten mit vielen Seiten brauchen Zeit. Den roten Stopp-Button tippen, um jederzeit abzubrechen.

Wo liegt der Ausgabeordner unter Android?

Standardmäßig im internen App-Speicher. Unter Einstellungen → Allgemein → Ausgabeverzeichnis einen sichtbaren Ordner (z. B. Downloads) auswählen.

Wie funktioniert Agenten-Verkettung?

Jeder verkettete Agent startet, nachdem der vorherige abgeschlossen ist. Die Ausgabe des Vorgängers wird als ${task_result} in den Prompt des verketteten Agenten eingefügt. Die Verkettung kann bedingungslos (läuft immer) oder bedingt sein (das LLM wertet einen Ausdruck aus und leitet je nach Ergebnis an unterschiedliche Agenten weiter). Den Schalter Nach Tool-Aufruf stoppen auf einem Agenten aktivieren, um die rohe Werkzeugausgabe direkt als ${task_result} zu übergeben — ohne weitere LLM-Verarbeitung.

Was ist der Unterschied zwischen Starten und Interaktiv?

Starten führt die Agent autonom aus und speichert das Ergebnis. Interaktiv öffnet einen vollständigen Chat mit demselben LLM und denselben Werkzeugen — ideal zum schrittweisen Steuern der KI oder zum Debuggen einer Agent.

Was ist der Vorteil eines europäischen KI-Anbieters?

Für alle, denen DSGVO-Konformität oder Datenhoheit wichtig ist — etwa im geschäftlichen oder regulierten Umfeld — empfiehlt sich Mistral AI, ein Anbieter mit Sitz in Frankreich, der alle Daten innerhalb der Europäischen Union verarbeitet. TealKit ist vollständig mit Mistral kompatibel: den API-Schlüssel unter Einstellungen → LLM 1 eintragen und Mistral AI als Anbieter auswählen. Prompts und Daten verlassen die EU-Infrastruktur zu keiner Zeit.

Kann ich Modelle direkt auf meinem Gerät ohne Internet ausführen?

Ja. Unter Einstellungen → Eingebettete Modelle GGUF-Modelle herunterladen und vollständig auf dem Gerät ausführen — kein API-Schlüssel, keine Cloud-Verbindung. Den integrierten HuggingFace-Katalog durchsuchen oder eine direkte GGUF-URL einfügen. CPU-only, Partial GPU oder Full GPU Offloading pro Modell auswählbar. Eingebettete Modelle eignen sich am besten für Textformatierung, Übersetzung und Zusammenfassung im Chat-Modus. Für agentische Werkzeugaufrufe werden sowohl ein für Funktionsaufrufe trainiertes Modell (z. B. Qwen2.5-3B-Instruct) als auch ausreichend GPU-VRAM benötigt — sonst ist die Inferenz zu langsam oder Tool-Schemas werden ignoriert. Siehe Abschnitt 19 — Eingebettete Modelle für die vollständige Hardware- und Fähigkeitsanleitung.

Funktioniert TealKit auch mit kleineren Modellen auf schwacher Hardware?

Ja. TealKit unterstützt Small Language Models (SLMs) über Ollama, LM Studio oder jeden OpenAI-kompatiblen lokalen Endpunkt — ohne Cloud-Kosten und ohne externe Datenübertragung. Wichtig: Jedes Modell hat andere Stärken und Schwächen — ein Prompt, der mit einem Modell perfekt funktioniert, muss für ein anderes angepasst werden. Den Playground nutzen, um Prompts mit verschiedenen Modellen auszuprobieren und den besten Ansatz für jede Agent zu finden, bevor daraus ein automatisierter Workflow wird. Für reine Textaufgaben (Übersetzen, Formatieren, Zusammenfassen) den Chat-Modus im Playground oder in den Agenten-Einstellungen aktivieren, um den gesamten Werkzeug-Overhead zu überspringen und den Prompt direkt an das LLM zu senden — der schnellste Weg vom Prompt zur Antwort für SLMs.

Mein geplanter Agent mit einem eingebetteten Modell wurde unter Android nicht ausgeführt, als die App geschlossen war

Das ist das erwartete Verhalten. Eingebettete (On-Device-)GGUF-Modelle erfordern, dass die App geöffnet ist (Vordergrund oder im Hintergrund aktiv). Wenn Android die App vollständig beendet, weckt der Hintergrund-Alarm einen leichtgewichtigen Isolate, der das On-Device-Modell nicht laden kann — andernfalls droht ein Absturz oder ein OOM-Kill. TealKit überspringt die Aufgabe und sendet stattdessen eine 📱 „TealKit öffnen, um ‘…’ auszuführen“-Benachrichtigung. Beim Antippen der Benachrichtigung öffnet sich die App und der verpasste Durchlauf wird automatisch nachgeholt.

Für zuverlässige unbeaufsichtigte Ausführung den LLM der Agent auf einen Cloud-Anbieter umstellen (Gemini, OpenAI, Anthropic, Mistral) oder einen eigenen Ollama-Server verwenden. Cloud- und Ollama-Agenten laufen vollständig im Hintergrund, unabhängig davon, ob die App geöffnet ist. Auf dem Desktop (Windows, Linux, macOS) ist die App immer aktiv (im System-Tray), sodass Agenten mit eingebetteten Modellen dort normal ausgeführt werden. Der kommende Server-Modus hält ebenfalls einen dauerhaften Scheduler rund um die Uhr am Laufen, ohne die mobile App offen halten zu müssen.

Geplante Agenten laufen auf iOS / iPad nicht zuverlässig

Unter iOS steuert Apples BGAppRefreshTask-System, wann Hintergrundarbeit erlaubt ist. Im Gegensatz zu Androids exaktem AlarmManager-Weckruf entscheidet iOS das Timing selbst — abhängig von Akku, Netzwerk und Nutzungsmustern. Aufgaben können um Minuten bis mehrere Stunden verzögert werden und laufen gar nicht, wenn der Energiesparmodus aktiv ist oder die App zuletzt selten benutzt wurde. TealKit registriert eine Best-Effort-Hintergrundaufgabe; für möglichst zuverlässige geplante Ausführung die App im Vordergrund oder Hintergrund lassen — nicht vollständig schließen bzw. per Force-Quit beenden.

14   JavaScript-Werkzeug PRO

Der JavaScript-Werkzeug-Assistent ermöglicht es, leichtgewichtige eigene MCP-Werkzeuge in reinem JavaScript zu erstellen — ohne nativen Code oder externe Pakete. Werkzeuge laufen in einer sicheren On-Device-Sandbox (QuickJS / JavaScriptCore) und stehen nach dem Speichern sofort im Playground und in Agenten zur Verfügung.

Werkzeugstruktur

Jedes generierte Werkzeug muss genau ein Objekt namens generatedTool definieren:

const generatedTool = {
  name: "bitcoin_preis",
  description: "Aktuellen Bitcoin-Kurs von CoinGecko abrufen",
  inputSchema: {
    type: "object",
    properties: {
      waehrung: { type: "string", description: "W\u00e4hrungscode, z.\u00a0B. eur" }
    },
    required: ["waehrung"]
  },
  execute: async (args) => {
    try {
      const cur = String(args?.waehrung ?? "eur").toLowerCase();
      const res = await fetch(`https://api.coingecko.com/api/v3/simple/price?ids=bitcoin&vs_currencies=${cur}`);
      const data = await res.json();
      return JSON.stringify({ ok: true, preis: data.bitcoin[cur], waehrung: cur });
    } catch (error) {
      return JSON.stringify({ ok: false, error: String(error?.message || error) });
    }
  }
};

Laufzeitregeln & Grenzen

• execute(args) muss einen JSON-String per JSON.stringify(…) oder einen einfachen String zurückgeben
• fetch() steht für HTTP-/REST-Aufrufe zur Verfügung
• console.log()-Ausgaben werden erfasst und in den Testergebnissen angezeigt
• Verboten: require, import, process, fs, path, net, child_process
• Max. Scriptgröße: 64 KB  •  max. Antwortgröße: 256 KB  •  Standard-Timeout: 8 s (max. 15 s)
• Nur ES6-Syntax — kein await auf oberster Ebene außerhalb von execute()

Werkzeug Schritt für Schritt erstellen

Gespeicherte Werkzeuge per MCP aufrufen

Wenn der js_bridge-Server ausgewählt ist, kann die KI deine Werkzeuge automatisch entdecken und aufrufen:

• list_js_tools — gibt alle gespeicherten Werkzeuge mit Schemas aus
• run_js_tool — per Name aufrufen: { "toolName": "bitcoin_preis", "args": { "waehrung": "eur" } }
• Dynamischer Direktaufruf — aktive Werkzeuge werden auch als js_<name>-Werkzeuge registriert (z. B. js_bitcoin_preis)

Beispiel-Prompts für die Generierung

• „Heutigen EUR/USD-Kurs von der kostenlosen Frankfurter API abrufen und Kurs und Datum zurückgeben.“
• „Zinseszins berechnen. Eingabe: Kapital, Jahreszins, Jahre. Ausgabe: Endkapital, Gesamtzinsen.“
• „Einen Stadtnamen über die Open-Meteo-Geocoding-API auflösen und Breitengrad, Längengrad und Land zurückgeben.“
• „Unix-Zeitstempel in eine lesbare Datumszeichenkette in einer gegebenen Zeitzone umwandeln.“

15   Token- & Kostenstatistik

TealKit erfasst den Token-Verbrauch und schätzt die API-Kosten pro Sitzung und Agentendurchlauf. Keine Daten werden an TealKit übertragen — sämtliche Berechnungen erfolgen anhand integrierter Preistabellen auf dem Gerät.

Playground — Live-Sitzungsstatistik

Während eines Playground-Chats erscheint am unteren Rand der Chat-Fläche ein Token-Zähler mit den kumulativen Tokens und gesendeten Zeichen der aktuellen Sitzung. Der Zähler färbt sich amber, wenn der konfigurierte Token-Warnschwellenwert des Modells näher rückt.

Den Token-Zähler antippen, um die vollständige Detailansicht zu öffnen:

Agenten — Ausführungsstatistiken

Jeder abgeschlossene Agentendurchlauf zeichnet vollständige Statistiken auf. Einen Eintrag in der Agentenhistorie antippen:

Unterstützte Anbieter für Kostenschätzung

Kosten werden anhand integrierter Preistabellen für folgende Anbieter berechnet:

• OpenAI — GPT-4o, GPT-4, GPT-3.5-turbo & Varianten
• Anthropic — Claude 3.x & Claude 3.5 Familie
• Google Gemini — Gemini 1.5 & 2.0 Serie
• Mistral — Mistral Small, Medium, Large
• Azure OpenAI — gleiche Preistabellen wie OpenAI

Playground-Statistik (Beispiel)

Kumulative Tokens  : 4 820
Prompt-Tokens      : 4 210
Completion-Tokens  :   610
Letzte Anfrage     : 0,0062 $
Sitzungskosten     : 0,0241 $

16   Nützliche Tipps

Schnelle praktische Hinweise, um das Beste aus TealKit herauszuholen.

🧩 JavaScript-Funktion generieren

Den JS-Werkzeug-Editor öffnen und die Funktion präzise beschreiben — Eingaben, Ausgaben und die aufzurufende API:

Aktuellen Bitcoin-Kurs in EUR und USD von der kostenlosen CoinGecko-API abrufen.
Eingabe: { waehrung: string }. Ausgabe: { preis, waehrung, letzteAktualisierung }.

Auf Generieren tippen, den Code kontrollieren und dann mit Test-Ausführung in der Sandbox prüfen, bevor gespeichert wird. Das Werkzeug steht danach sofort in jeder Sitzung zur Verfügung.

📜 Shell-Skript schreiben

Im Shell-Skript-Assistenten die Zielumgebung, Eingaben und das erwartete Verhalten angeben:

Bash auf Ubuntu. Das Skript nimmt einen Ordnerpfad als Argument,
findet alle .log-Dateien, die älter als 7 Tage sind, löscht sie
und gibt eine Zusammenfassung (Anzahl und freigewordener Speicher)
nach stdout aus. Exit-Code 1 bei Fehler, Fehlermeldung nach stderr.

Nach der Generierung Test-Ausführung tippen, um das Skript via SSH auszuführen und die Ausgabe zu prüfen, bevor es in der Skriptbibliothek gespeichert wird.

▶ Agent vor der Planung testen

Vor dem Aktivieren eines Cron-Zeitplans die Agent mit dem Modus Interaktiv / Ausprobieren öffnen. Dieser lädt die Agentenkonfiguration als Live-Playground-Chat, sodass Werkzeugaufrufe und Ausgaben Schritt für Schritt kontrolliert und der System-Prompt verfeinert werden kann — ohne Scheduling-Historie zu erzeugen.

☑️ Remote MCP-Server registrieren (benutzerdefiniert)

Unter Einstellungen → Remote MCP-Server → Reiter „Benutzerdefiniert“ ausfüllen:

• Name — eine aussagekräftige Bezeichnung
• Server-URL — die HTTPS-Basis-URL des Cloud-MCP-Servers
• MCP-Endpunkt — in der Regel /mcp (Standard)
• API-Schlüssel / Passwort — nur wenn der Server eine Authentifizierung erfordert

Auf Test tippen, um die Verbindung zu prüfen und die Werkzeugliste zu sehen, dann Hinzufügen. Die Werkzeuge des Servers erscheinen sofort im Werkzeug-Selektor.

💰 Aktuelle Sitzungskosten prüfen

Im Playground: den Token-Zähler am unteren Rand des Chats antippen → das Detailblatt zeigt die Kosten der letzten Anfrage und die kumulativen Sitzungskosten.

Für Agenten: Agent öffnen → abgeschlossenen Eintrag antippen → die Karte Ausführungsstatistiken zeigt Letzter Preis und Gesamtpreis.

↺ Sitzung zurücksetzen (Aufräumen)

Die Schaltfläche Chat zurücksetzen (↺-Symbol in der Toolbar oder unter der letzten Nachricht) tippen, um:

• Die gesamte Gesprächshistorie der aktuellen Sitzung zu löschen
• Token-Zähler und Sitzungskosten auf null zu setzen
• System-Prompt, Werkzeuge und Konfiguration beizubehalten

Die KI startet mit leerer Gesprächshistorie — hilfreich beim Themenwechsel oder wenn der Kontext zu groß wurde.

🖥 Pro schaltet die Windows- & Linux-Desktop-Apps frei

Wer TealKit Pro auf Android oder iOS kauft, erhält die Windows- und Linux-Desktop-Version kostenlos dazu — eine einzige Zahlung für alle Plattformen. Die Windows-App ist im Microsoft Store erhältlich; der Linux-Build steht bei GitHub Releases zum Download bereit. macOS-Unterstützung folgt in einer künftigen Version.

🔒 Was Pro freischaltet

TealKit enthält eine 31-tägige kostenlose Testphase mit vollem Pro-Zugang. Nach Ablauf der Testphase ohne Pro bleibt TealKit in einem lokalen manuellen Modus nutzbar: Agenten können weiterhin manuell ausgeführt, Ergebnisse lokal als Datei gespeichert und die grundlegenden lokalen Bridges verwendet werden. Pro schaltet die erweiterten Automatisierungs- und Integrationsfunktionen frei:

• Geplante Agenten und wiederkehrende Hintergrund-Automatisierung
• Erweiterte Ausgabekanäle: E-Mail, Slack, WhatsApp und SFTP
• Remote-MCP-Server und gehostete MCP-Kataloge
• Automatische Zeitpläne für Webseiten- und Dokument-Indexierung
• PDF-Erzeugung, Mermaid-PNG-Generierung und Excel-Export
• Playground-Chat als wiederverwendbare Agent speichern
• Task-Chaining und Folge-Agenten
• Home-Assistant-Integration
• Sicherung und Wiederherstellung des Vaults

17   Desktop-Funktionen PRO

Die Windows-Desktop-App ist im Microsoft Store verfügbar. Die Linux-Version steht bei GitHub Releases zum Download bereit. macOS-Unterstützung folgt später. Der Kauf einer beliebigen mobilen TealKit-Version schaltet die Desktop-App kostenlos frei.

📜 Skript-Generierung — Shell & PowerShell PRO

Fertige Skripte direkt auf dem lokalen Rechner generieren. Die Agent in natürlicher Sprache beschreiben — die KI schreibt das vollständige Skript, das sofort ausgeführt oder in der Skriptbibliothek gespeichert werden kann. Der Skripttyp wird automatisch anhand der Plattform gewählt:

• Windows — generiert ein PowerShell-Skript (.ps1)
• Linux / macOS — generiert ein Shell-Skript (.sh)
• Skripte werden lokal gespeichert und automatisch für Agenten und SSH-Sitzungen erkannt
• Test-Ausführung tippen, um das generierte Skript zu testen, bevor es gespeichert wird
• Die Zielumgebung im Prompt nennen: „PowerShell auf Windows Server“ oder „Bash auf Ubuntu“

🧪 Shell-Skriptbibliothek — integrierte Beispiele PRO

Die Shell-Skriptbibliothek speichert alle erzeugten und gespeicherten Skripte. Auf 🔬 Beispiele laden tippen, um drei einsatzbereite Beispiele hinzuzufügen:

• Disk Usage — alle eingebundenen Dateisysteme, sortiert nach Nutzungsprozentsatz
• Biggest Files in /usr/lib — die 20 größten Dateien
• Top 10 Processes — Prozesse mit höchstem CPU-Verbrauch

🐍 Python-MCP-Werkzeug-Generator PRO

Eigene MCP-Server-Werkzeuge in Python direkt in TealKit erstellen. Die KI generiert aus einer einfachen Beschreibung ein vollständiges, ausführbares Python-MCP-Werkzeug inklusive Input-Schema und Execute-Funktion.

• Werkzeuge laufen lokal in einer gesandboxten Python-Umgebung
• Vollzugriff auf Standard-Python-Bibliotheken (json, datetime, math, re, urllib …)
• HTTP-Aufrufe via urllib.request oder der mitgelieferten requests-Bibliothek
• Gespeicherte Werkzeuge werden automatisch erkannt und stehen sofort zur Verfügung

🧪 Python-Werkzeugbibliothek — integrierte Beispiele PRO

Die Python-Werkzeugbibliothek speichert alle erzeugten MCP-Werkzeuge. Auf 🔬 Beispiele laden tippen, um drei Starter-Beispiele hinzuzufügen:

• System Info — CPU, Arbeitsspeicher und Datenträgernutzung via psutil
• Fetch Web Page — beliebige URL herunterladen und Textinhalt zurückgeben
• List Directory — Dateien und Ordner in einem angegebenen Pfad auflisten

🪟 PowerShell-Werkzeugbibliothek PRO (nur Windows)

Auf Windows steht eine eigene PowerShell-Werkzeugbibliothek zur Verfügung, mit der .ps1-Skripte erstellt, verwaltet und wiederverwendet werden können — die KI führt sie lokal über den ps_bridge-MCP-Server aus. Auf 🔬 Beispiele laden tippen, um drei einsatzbereite Beispiele hinzuzufügen:

• Windows System Info — OS-Version, Hostname, CPU, Arbeitsspeicher und Betriebszeit
• Last Windows Updates — die 10 zuletzt installierten Windows-Updates
• Fetch Website Status — HTTP-Statuscode und Antwortzeit für eine beliebige URL

📦 MCP-Server-Registry PRO (Desktop)

Die MCP-Server-Registry ermöglicht das lokale Installieren von Python- und Node.js-MCP-Servern mit einem einzigen Tipp — kein Terminal, keine Paketmanager-Befehle. Unter Einstellungen → MCP-Server-Registry öffnen. TealKit führt automatisch npm install -g, uvx oder pip im Hintergrund aus und registriert den Server.

Installierte Server laufen lokal auf der Maschine und werden von TealKit automatisch gestartet. Ihre Werkzeuge erscheinen im selben Werkzeug-Selektor wie eingebaute und Remote-Server.

Server installieren (Beispiel: Filesystem)

18   Best Practices

💸 1   Tokens, Netzwerkaufrufe und Kosten reduzieren

Der teuerste Teil jeder automatisierten Agent ist das Hin-und-Her zwischen dem LLM und der Außenwelt. Jeder Werkzeugaufruf kostet Tokens und Zeit. Eine einfache Optimierung: die eigentliche Arbeit an ein Skript oder MCP-Werkzeug delegieren und das LLM nur das Ergebnis interpretieren lassen.

Beispiel — aktuelle Uploads per SSH auflisten:

Statt das LLM mehrere SSH-Befehle ausführen zu lassen, um Dateien nach Datum zu filtern, Größen zu formatieren und eine Tabelle zu erstellen: ein einziges Shell-Skript in der Skript-Bibliothek anlegen (z. B. check_uploads), das all das erledigt und eine saubere CSV-Liste mit Spaltenüberschriften zurückgibt. Der Agenten-Prompt lautet dann einfach:

Skript check_uploads /uploads 48 aufrufen
Aus der zurückgegebenen CSV-Liste eine Excel-Datei erstellen.

Das LLM macht zwei Werkzeugaufrufe (Skript ausführen, Datei erstellen) statt zehn — weniger Tokens, schnellere Ausführung, geringere API-Kosten, zuverlässigeres Ergebnis.

🧪 2   Skript-/JS-Assistenten nutzen — aber immer testen

Der Shell-Skript-Assistent und der JavaScript-Werkzeug-Assistent können aus einer einfachen Beschreibung funktionierenden Code generieren. Ein klarer Prompt mit Eingaben, Ausgaben und Randfällen liefert die besten Ergebnisse. Jedoch:

• Nach der Generierung immer auf Test ausführen tippen. Der erste Versuch kann fehlschlagen, wenn der Prompt zu unscharf war oder das Modell weniger leistungsfähig ist — verfeinern und neu generieren.
• Für die Code-Generierung reichen kleine Modelle (Ollama / LM Studio lokal oder Ollama auf eigenem Server) oft aus und kosten nichts. Als LLM 2 konfigurieren und den Playground-LLM-Selektor nutzen, um Code-Generierungs-Prompts über LLM 2 auszuführen, während Haupt-Agenten auf LLM 1 bleiben.
• Eingebettete Modelle sind jetzt verfügbar: unter Einstellungen → Eingebettete Modelle GGUF-Modelle herunterladen und Inferenz direkt auf dem Gerät ausführen — kein externer Server, kein API-Schlüssel erforderlich. CPU / Partial GPU / Full GPU Offloading pro Modell einstellbar. Am besten für einfache Textaufgaben (Chat-Modus); Hardware- und Werkzeugaufruf-Einschränkungen sind in Abschnitt 19 beschrieben.

🖥 Skript-Umgebungen auf dem Desktop

Auf dem Desktop stehen drei Skript-Umgebungen zur Verfügung — jede mit eigenem Assistenten und eigener Bibliothek:

🪟 PowerShell-Tipps (Windows)

• Prompts mit „PowerShell 5.1 auf Windows“ oder „PowerShell 7 auf Windows Server“ beginnen, um die richtige Version anzusprechen.
• param()-Blöcke anfordern, damit die KI das Skript mit benannten Argumenten aufrufen kann.
• Ausgabe als Klartext oder CSV auf stdout anfordern, damit TealKit sie als Tool-Ergebnis erfassen kann.
• Beispiel-Prompt: „PowerShell auf Windows. Param: Ordnerpfad. Dateien auflisten, die in den letzten N Stunden geändert wurden, mit Name, Größe (KB) und Änderungsdatum. CSV-Ausgabe auf stdout mit Kopfzeile.“

🐍 Python-Tipps (alle Plattformen)

• TealKit führt Python-Tools in einer verwalteten virtuellen Umgebung aus. Benötigte Pakete im Prompt angeben: „verwende pandas und openpyxl“ — TealKit installiert sie beim ersten Aufruf automatisch.
• Python ist die beste Wahl für Datenverarbeitung (CSV/Excel/JSON), REST-API-Aufrufe mit requests oder alles, was eine Drittanbieter-Bibliothek benötigt.
• Beispiel-Prompt: „Python 3. Param: csv_path. CSV mit pandas einlesen, Min/Max/Mittelwert für jede numerische Spalte berechnen, Ergebnis als JSON-String zurückgeben. Erfordert: pandas.“
• Auf macOS in Shell-Prompts „macOS Bash“ oder „Python 3 auf macOS“ angeben — einige Pfade und Befehle unterscheiden sich von Linux (z. B. gdate statt date -d).

🧠 3   Modell zur Agentenkomplexität passend wählen

Nicht jede Agent benötigt dasselbe Modell. Als grobe Richtlinie:

• Komplexe Schlussfolgerungen, mehrstufige Planung, lange Dokumente → ein vollständiges LLM verwenden (GPT-4o, Gemini 2.5 Pro, Claude Sonnet, Mistral Medium …)
• Kurze, deterministische Aktionen (Skript ausführen, CSV formatieren, Benachrichtigung senden) → ein SLM kann das zuverlässig und wesentlich günstiger erledigen. Checkbox SLM-Modus in den LLM-Einstellungen aktivieren, um einen kompakten System-Prompt zu erhalten, der kleine Modelle sofort Werkzeuge aufrufen lässt, statt ihre Planung zu beschreiben.
• SLMs können komplexe Agenten möglicherweise nicht immer zuverlässig abschließen oder benötigen mehrere Minuten. Vor dem Einplanen gründlich im Playground testen.
• Eingebettete (On-Device-) Modelle unterliegen denselben Regeln wie SLMs, haben aber zusätzliche Hardwareanforderungen — eine vollständige Anleitung findet sich in Abschnitt 19. Kurzbeschreibung: Ohne dedizierten GPU (z. B. Apple Silicon, Snapdragon 8 Elite) läuft die Inferenz rein auf der CPU — bei einem 3 B+-Modell kann das Minuten pro Antwort dauern. Die meisten kleinen GGUF-Modelle wurden nicht für Werkzeugaufrufe trainiert und ignorieren oder halluzinieren Tool-Schemas auch mit GPU-Beschleunigung.
• Android Hintergrundbeschränkung: Agenten mit eingebettetem Modell benötigen eine geöffnete App. Wenn Android die App beendet, überspringt der Hintergrund-Alarm Aufgaben mit eingebettetem Modell und sendet eine Tap-to-open-Benachrichtigung (der Durchlauf wird beim nächsten Öffnen der App nachgeholt). Für unbeaufsichtigte Ausführung einen Cloud- oder Ollama-Anbieter verwenden. Auf Desktop und im Server-Modus gilt diese Einschränkung nicht.

Den LLM 1 / LLM 2-Selektor im Playground nutzen, um denselben Prompt mit verschiedenen Modellen zu vergleichen. Auch mit der Temperatur experimentieren — niedrige Werte (z. B. 0,1–0,2) liefern deterministischere, reproduzierbarere Werkzeugaufrufe; höhere Werte erhöhen die Kreativität, reduzieren aber die Zuverlässigkeit bei Automatisierungsaufgaben.