DIE EDGE-AI- UND AGENTS- ORCHESTRIERUNGSPLATTFORM.
Workflows als Graphen im visuellen Builder authoreiren. Die Engine als Docker-Image auf jedes Linux-Edge-Gerät deployen. Jede Entscheidung ist sichtbar (inspectable), jeder Lauf lässt sich in CI wiederabspielen (replayable), die Menge möglicher Aktionen ist endlich (auditable), und jeder KI-Knoten erreicht nur, was Sie verkabelt haben (bounded) — ohne Cloud-Zwang.
DIE RICHTIGE INTELLIGENZ AN DER RICHTIGEN STELLE.
Nicht jede Aufgabe braucht ein 70-Milliarden-Parameter-Modell. ForestHub orchestriert genau das, was die jeweilige Aufgabe verlangt.
Ein industrieller Workflow ist selten eine durchgängige Pipeline aus dem teuersten Cloud-Modell. Er ist eine Kaskade. Harte Regeln dort, wo Sicherheit zählt. Klassische ML-Modelle dort, wo bewährte Klassifikation reicht. Kompakte Sprachmodelle on-device dort, wo Sprache gebraucht wird, aber nichts das Haus verlassen soll. Und große Cloud-Modelle nur dort, wo die zusätzliche Qualität den Datenfluss nach außen rechtfertigt.
Pro Knoten wählen Sie die Stufe, die zur Aufgabe passt. Das senkt die Inferenzkosten erheblich, hält Daten dort, wo Sie sie haben wollen, hält Antwortzeiten im Millisekunden- bis Sekundenbereich und macht das System unabhängig von einem einzelnen Cloud-LLM-Anbieter.
- 01
Regelbasierte Logik
On-Device · Sub-Millisekunden · Daten: im Haus
Deterministische Wenn-Dann-Logik, Schwellenwerte, Zustandsmaschinen. Keine KI, vorhersagbar, im Millisekunden-Bereich. Für sicherheitsrelevante Entscheidungen — "unter 80 °C: nichts tun, ab 90 °C: abschalten" — bleibt das das Mittel der Wahl, weil es prüfbar und ohne Trainingsdaten begründbar ist.
- 02
Klassisches Maschinelles Lernen
On-Device · Millisekunden · Daten: im Haus
XGBoost, Random Forest, kompakte neuronale Netze für Anomalieerkennung und Klassifikation. Läuft on-device, einige Megabyte Speicherbedarf, Inferenz im Millisekunden-Bereich. Bewährte Modelle für die häufigsten industriellen Aufgaben — schwingungsbasierte Maschinenüberwachung, Bilderkennung an der Linie, Predictive Maintenance —, die kein Sprachmodell brauchen.
- 03Sweet Spot
Kompakte Sprachmodelle (SLMs)
On-Device · Sekunden · Daten: im Haus
Modelle wie Phi, Gemma oder Llama in der 1- bis 3-Milliarden-Parameter-Klasse. Architektonisch vollwertige Sprachmodelle, nur kleiner. Laufen on-device auf Industrie-PCs oder Gateways, einige Gigabyte Speicherbedarf, Antwortzeiten im Sekunden-Bereich. Genug für Klassifikation, kurze Diagnose-Dialoge mit dem Techniker und Dokumenten-RAG — vollständig im eigenen Haus.
- 04
Mittlere Open-Weight-Sprachmodelle
On-Premise GPU · Sekunden · Daten: im Haus
Modelle der 70-Milliarden-Klasse wie Llama oder Qwen, lauffähig auf NVIDIA-Jetson-Clustern oder einem dedizierten GPU-Server. Geschäftsnutzen: anspruchsvolles Reasoning on-premise, ohne dass Daten in eine fremde Cloud fließen. Die Stufe für anspruchsvolle Diagnose-Aufgaben mit hoher Datenschutzauflage.
- 05
Frontier-Sprachmodelle via Cloud
Cloud · Sekunden · Daten: verlassen das Haus
Claude, GPT, Gemini. Höchste Qualität, beste mehrsprachige Performance, der gesamte Werkzeugkasten der jeweiligen Anbieter. Für die wenigen Fälle, in denen die zusätzliche Qualität den Datenfluss nach außen rechtfertigt — etwa hochkomplexe, kunden-gerichtete Dialoge oder mehrsprachige Auswertungen, die ein 3-Milliarden-Modell nicht trägt.
Für etwa neun von zehn industriellen Aufgaben reicht ein kompaktes Sprachmodell auf der eigenen Hardware. Frontier-Modelle bleiben die Ausnahme, gezielt eingesetzt — nicht der Default. Das ist die ehrlichste Antwort auf "Was kostet uns das?" und "Wo gehen unsere Daten hin?".
VISUAL BUILDER.
Workflows als Graphen auf einem Canvas authoreiren. Sensoren, deterministische Operationen, LLM-Agenten und Aktoren zu einem einzigen Artefakt verkabeln — jeder mögliche Flow ist zur Designzeit sichtbar.
ENGINE RUNTIME.
Die Engine ist ein Go-Binary in einem Docker-Image — distroless, ~10–15 MB, linux/amd64 + linux/arm64. Sie lädt `workflow.json` und interpretiert den Graphen zur Laufzeit. Keine Codegenerierung, kein Recompile pro Gerät.
STANDALONE. OFFLINE.
Engine, LLM-Proxy, Workflow-Contract und Visual Builder liegen in github.com/ForestHubAI/edge-agents. Läuft ohne Account, ohne Cloud. AGPL-3.0 — kommerzielle Lizenz auf Anfrage.
Es ist die Engine hinter den ForestHub Edge Agents — beschränkt durch den Graphen, deploybar auf deinen Linux-Edge-Geräten. Mehr über Edge Agents
IHRE DATEN BLEIBEN AUF IHREM GERÄT.
Keine Cloud. Kein Kompromiss.
ALLES, WAS SIE BRAUCHEN, UM ZU LIEFERN.
Der visuelle Builder, die Engine und die Test-Schicht — gebaut, damit Engineering-Teams industrielle Agenten authoreiren, auf Linux-Edge-Geräte deployen und ihr Verhalten beweisen können.
VISUAL BUILDER.
Workflows als Graphen auf einem Canvas authoreiren. Sensoren, deterministische Operationen, LLM-Agenten und Aktoren zu einem einzigen Artefakt verkabeln — jeder mögliche Flow ist zur Designzeit sichtbar.
Gebaut für technische Builder: explizite Komposition, Deny-by-Default Tool-Surface, Push-basierter State, Branching als First-Class-Output von LLM-Knoten. Workflows werden wie Code versioniert. Deploys lassen sich wie Deployments zurückrollen.
ENGINE RUNTIME.
Die Engine ist ein Go-Binary in einem Docker-Image — distroless, ~10–15 MB, linux/amd64 + linux/arm64. Sie lädt `workflow.json` und interpretiert den Graphen zur Laufzeit. Keine Codegenerierung, kein Recompile pro Gerät.
Hardware-IO (GPIO, ADC, DAC, PWM, Serial, I²C, SPI) läuft über Linux-Kernel-APIs. Industrieprotokolle (MQTT, Modbus TCP/RTU, OPC-UA) sind First-Party-Knotentypen. Multi-LLM-Routing umfasst OpenAI, Anthropic, Gemini, Mistral plus self-hosted Endpoints — und neben den Sprachmodellen lassen sich klassische ML-Modelle (ONNX, TensorFlow Lite) und kompakte SLMs als eigene Knotentypen einsetzen, sodass im selben Graphen pro Aufgabe die passende Stufe entscheidet.
AGENT TESTING & VALIDATION.
Agentic Systeme müssen beweisbar zuverlässig sein. ForestHub erlaubt es, das Verhalten eines Agenten zu simulieren und zu validieren, bevor es auf Hardware ausgerollt wird — der entscheidende Schritt von der Tech-Demo zum Engineering-Produkt.
Erwartete Eingaben und Ausgaben definieren, gegen Grenz- und Sonderfälle testen und sicherstellen, dass der Agent unter realen Bedingungen korrekt entscheidet — unabhängig davon, ob hinter dem KI-Knoten ein klassisches ML-Modell, ein SLM oder ein Frontier-LLM steckt. Szenario-basiertes Testen macht agentic Logik prüfbar.
IHRE DATEN BLEIBEN AUF IHREM GERÄT.
Keine Cloud. Kein Kompromiss.
ForestHub folgt einer Edge-First-Architektur. KI-Inferenz läuft direkt auf Ihrer Hardware - das bedeutet, sensible Daten verlassen niemals Ihr Gerät. Keine Cloud-Uploads, keine Drittanbieter-Verarbeitung, keine Datenexposition.
Für Branchen mit strengen Datenschutzanforderungen - von der Fertigung bis zum Gesundheitswesen - bedeutet das DSGVO-Konformität by Design. Volle Kontrolle über Ihre Daten, zu jeder Zeit.
Edge-First-Architektur
Alle KI-Verarbeitung findet auf dem Gerät statt. Ihre Daten bleiben dort, wo sie hingehören - auf Ihrer Hardware, unter Ihrer Kontrolle.
Keine Cloud-Abhängigkeit
Die Engine läuft unabhängig auf Ihrem Edge-Gerät. Keine Internetverbindung für Inferenz nötig, keine wiederkehrenden Cloud-Kosten, keine Telemetrie an eine Vendor-Cloud.
DSGVO-konform by Design
Wenn Daten das Gerät nie verlassen, ist Compliance eingebaut. Ideal für regulierte Branchen und air-gapped Umgebungen.
ENTWICKELT FÜR EU-KONFORMITÄT.
EU AI Act
Risikoklassifizierung, Dokumentation und menschliche Aufsicht von Anfang an integriert. Volle Nachverfolgbarkeit für Pflichten bei Hochrisiko-KI-Systemen.
Cyber Resilience Act
Secure-by-Design Updates, SBOM-Unterstützung und Schwachstellenmanagement. CRA-konform für vernetzte Produkte ab Werk.
DSGVO / GDPR
Sämtliche Verarbeitung auf dem Gerät. Keine persönlichen oder operativen Daten verlassen Ihre Hardware. DSGVO-Konformität by Design — nicht durch Richtlinien.
RED & CE-Kennzeichnung
Edge-Deployment auf zertifizierter Hardware gewährleistet die Einhaltung der Funkanlagenrichtlinie und CE-Kennzeichnungsanforderungen für vernetzte Geräte.
EINMAL BAUEN, ÜBERALL DEPLOYEN.
Der Workflow ist hardware-agnostisch. Die Engine zielt auf `linux/amd64` und `linux/arm64` — Gateways, NUCs, NVIDIA Jetsons, Raspberry Pis, Industrie-PCs laufen alle mit demselben Docker-Image. Eine Migration von einer Hardware-Generation zur nächsten heißt: dasselbe Image neu deployen, kein Rewrite.
Linux-Edge-nativ
Distroless Docker-Image, `linux/amd64` + `linux/arm64`, ~10–15 MB. Läuft auf jedem Linux-Edge-Gerät — Yocto, Buildroot, OpenWrt, Balena, Standard-Distributionen.
Workflow als Artefakt
Gleicher Graph, Gateway oder NUC oder Jetson. Keine Build-Matrix, keine Pro-Gerät-Varianten. Engine deployen, Workflow laden.
Industrieprotokolle First-Party
MQTT (Mosquitto + Auth), Modbus TCP/RTU, OPC-UA — Knotentypen im Graphen, keine angeflanschten Plugins. Trigger, Publisher und Subscriber laufen auf demselben Canvas.
WAS SIE MIT FORESTHUB BAUEN KÖNNEN.
Von industrieller Diagnostik bis Umweltsensorik - ForestHub ermöglicht Edge AI für ein breites Spektrum an Anwendungen.
Intelligenter Servicetechniker
KI-gestützte On-Device-Diagnostik für Industrieanlagen. Echtzeit-Fehlererkennung und geführte Fehlerbehebung ohne Cloud-Abhängigkeit.
Gebäudeautomation
Lokale KI für HVAC, Beleuchtung und Energiemanagement. Sensordaten on-device verarbeiten für Echtzeit-Gebäudesteuerung.
Vorausschauende Wartung
Anomalien erkennen und Ausfälle vorhersagen, bevor sie passieren. Vibrations- und Temperaturanalyse direkt auf Edge-Hardware.
Autonome Sensorik
Intelligente Datenfilterung am Sensorknoten. Drastisch reduzierte Datenübertragung durch On-Device-Klassifikation und Event-Erkennung.
Und vieles mehr...
Qualitätsprüfung, Flottenmonitoring, Umweltsensorik, Wearable AI - die Plattform passt sich Ihrer spezifischen Edge-AI-Herausforderung an.
HÄUFIG GESTELLTE FRAGEN.
Die ForestHub Orchestration Platform ist am 13. März 2026 gestartet. Registrieren Sie sich kostenlos unter app.foresthub.ai — keine Kreditkarte erforderlich.
Die Extended Survey hilft uns, Ihren Anwendungsfall, Ihre Hardware-Anforderungen und Ihr Erfahrungslevel zu verstehen. Das Ausfüllen hilft uns, die Plattform an reale Bedürfnisse anzupassen und die wichtigsten Features zu priorisieren.
ForestHub ist kostenlos nutzbar. Keine Kreditkarte erforderlich, keine versteckten Kosten. Wir bieten gestaffelte Preispläne für Teams und erweiterte Features — aktuelle Details unter app.foresthub.ai.
Die Engine ist ein Go-Binary in einem distroless Docker-Image, ~10–15 MB, zielt auf `linux/amd64` und `linux/arm64`. Sie läuft auf jedem Linux-Edge-Gerät — Gateways, NUCs, NVIDIA Jetsons, Raspberry Pis, Industrie-PCs. Kein Vendor-spezifischer Build, kein Cross-Toolchain.
LangChain und OpenAI Agents SDK machen die Loop des LLMs zum Programm — man gibt dem LLM Tools und lässt es iterieren, bis es fertig ist. ForestHub dreht das um: Der Graph ist das Programm, der KI-Knoten einer unter vielen. Und ein Knoten muss kein Frontier-LLM sein: Im selben Graphen orchestriert ForestHub regelbasierte Logik, klassisches ML, kompakte Sprachmodelle on-device und große Cloud-Modelle — pro Knoten wählen Sie die Stufe, die zur Aufgabe passt. Die Loop-first-Pattern bleibt als einzelner Agent-Knoten im Graphen verfügbar — die Eingrenzung ist opt-in. Wir grenzen das Loop-first-Modell ein, statt es zu ersetzen.
Ja. Engine, LLM-Proxy, der sprachneutrale Workflow-Contract und der Visual Builder liegen alle in github.com/ForestHubAI/edge-agents. Das Repo läuft standalone und offline — keine externen Services, kein Account erforderlich. Dual-Lizenz: AGPL-3.0-only für den Public Release, kommerzielle Lizenz auf Anfrage für Use Cases, die einen Nicht-AGPL-Pfad brauchen.
BEREIT, DIE ZUKUNFT ZU BAUEN?
Die ForestHub Plattform ist live. Registrieren Sie sich jetzt und deployen Sie Ihren ersten Workflow auf ein Linux-Edge-Gerät.
$ git clone https://github.com/ForestHubAI/edge-agents