Der Shop ist online

Wir bauen Workstation AI-Maschinen für Websites, KI-Agenten und LLM-Training – online konfigurieren und kaufen.

Händlerpreise erhalten
KI-Produkte
KI-LabsOpenAI-AgentenClaude-AgentenGrok-BotWorkstation AI-natives CRMMarketingAlle Produkte
KI-Lösungen
Angewandte KIKI-AgentenGenerative KIKI-AutomatisierungKI-WeiterbildungKI-Pakete für KMUEnterprise AI LabKI-WorkstationsNVIDIA-Hardware & -SoftwareNVIDIA Accelerated ComputingPrivate KIGPU-Private-CloudGPU-ClusterEdge-KIKI nach Branche
KI-Services
PlattformmodernisierungDigital EngineeringDatengrundlagen & KIAutonomer BetriebKI-BeratungDevOps-AutomatisierungCybersicherheitSoftwareentwicklungAgentenentwicklungMLOps-EinrichtungGPU-LeasingGPU-Private-Cloud
Über uns
UnternehmenUnsere GeschichtePartnerKundengeschichten
KI-Rechenzentren
KI-RechenzentrenGPU-Private-CloudGPU-ClusterGPU-Leasing
KI-EinblickeJev-ReiheBenchmark LabModellauswahl
Technische Hinweise
Dokumentation
Linux-BetriebssystemeUbuntuRed Hat Enterprise LinuxSUSE LinuxAlpine LinuxDebian, Rocky & AlmaLinux
KI-Cloud-PlattformenAWS & Amazon BedrockGoogle Cloud & Vertex AIMicrosoft Azure & AI FoundryGPU-Clouds & Marktplätze
Private KI-RechenzentrenFür AnwaltskanzleienFür Steuer- und WirtschaftsprüfungskanzleienOn-Premises-PlattformenVollständig abgesicherte Cloud
ToolsRing PromoterJobshout
News
Blog
KontaktAnmelden

KI-Workstations, Multi-Agenten-KI-Software, GPU-Infrastruktur und intelligente Agentenlösungen für moderne Unternehmen.

Kontakt

KI-Lösungen

Angewandte KIKI-AgentenGenerative KIKI-AutomatisierungKI-WeiterbildungKI-Pakete für KMUEnterprise AI LabKI nach Branche

Produkte

Alle ProdukteWorkstation AI-natives CRM & ERPMarketingOpenAI-AgentenRing PromoterJobshout

Unternehmen

Über unsUnternehmenKI-RechenzentrenWarum WorkstationPartnerKundengeschichtenPreiseKontaktTenthMatrix

Ressourcen

KI-EinblickeTechnische HinweiseDokumentationLinux-BetriebssystemeKI-Cloud-PlattformenPrivate KI-RechenzentrenBlogSucheSitemap
Büro Belgien
Workstation SRL, Rue Vanderkindere 34, 1180 Uccle, BrusselsBE 0751.518.683Mo – Fr: 9:00 – 18:00 Uhr MEZ
+32 492 45 67 46
Hauptsitz Großbritannien
77-79 Marlowes, Hemel Hempstead HP1 1LFAnfahrt – Ausfahrt 20 der M25 (Outer London)Handelsregisternr.: 11641870Mo – Fr: 9:00 – 18:00 Uhr GMT
+44 7515 356 146
Büro Indien
#159 Sector 9, Pocket 1, DDA Flats, 110077 Dwarka, New Delhi
+91 98881 98841
Büro Taiwan
3F, No. 2-4, Aisi Rd., Ren'ai Dist., Keelung City 200, Taiwan基隆市仁愛區愛四路2之4號3樓Mo – Fr: 9:00 – 18:00 Uhr Taiwan-Zeit (GMT+8)
+886 926 892 701+32 492 45 67 46
Büro Estland
Aleksander Puškini tn 30-25, 20306 Narva, EstoniaMo - Fr: 9:00 - 18:00 Uhr estnischer Zeit (EET)
+32 492 45 67 46

© 2026 Workstation AI. Alle Rechte vorbehalten.

DatenschutzDatenlöschungCookiesNutzungsbedingungenWebsite-Sitemap

NVIDIA, das NVIDIA-Logo, RTX, RTX PRO, Blackwell, CUDA, NVLink, MGX, Omniverse, Spectrum-X, Quantum, BlueField, DGX und HGX sind Marken und/oder eingetragene Marken der NVIDIA Corporation in den USA und anderen Ländern. AMD, das AMD-Arrow-Logo, EPYC, Instinct, Ryzen und Threadripper sind Marken von Advanced Micro Devices, Inc. Dell und PowerEdge sind Marken der Dell Inc. oder ihrer Tochtergesellschaften. Intel und Xeon sind Marken der Intel Corporation oder ihrer Tochtergesellschaften. AMAX, AceleMax und LiquidMax sind Marken der AMAX Engineering Corporation. Alle anderen Produktnamen, Logos und Marken sind Eigentum ihrer jeweiligen Inhaber. Wir verwenden sie ausschließlich, um die Produkte zu kennzeichnen, die wir beschreiben, liefern oder unterstützen; ihre Verwendung bedeutet nicht, dass ihre Inhaber uns empfehlen.

KI-Wissensdatenbank · KI-Cloud-Plattformen

Jede KI-Cloud, ein Team, das sie alle kennt

Hyperscaler für verwaltete Modelle und Enterprise-Kontrollen, GPU-Clouds für reine Kapazität, Marktplätze für die günstigsten Stunden. Das Workstation-Team entwirft, sichert und betreibt KI auf allen davon — und neben der Hardware, die Sie besitzen.

Mit einem Cloud-Engineer sprechen →Plattformen vergleichen

Auf dieser Seite

  1. Die Plattformen, die wir unterstützen
  2. Wie sie sich vergleichen
  3. Skalieren mit Amazon Bedrock
  4. CI/CD für LLMs, Agenten & Daten
  5. LLM- & Agenten-APIs absichern
  6. Der KI-Agenten-Harness
  7. Identität & Authentifizierung
  8. KI-Workloads optimieren
  9. Workstation-Support

Hyperscaler

Amazon Web Services

Amazon Bedrock, SageMaker AI und das breiteste Angebot an GPUs und eigenen Chips.

Leitfaden lesen →

Google Cloud

Vertex AI, Gemini und TPUs neben NVIDIA-GPUs.

Leitfaden lesen →

Microsoft Azure

Azure OpenAI und AI Foundry, eingebunden in Microsoft 365 und Entra ID.

Leitfaden lesen →

Oracle Cloud Infrastructure

Bare-Metal-GPU-Supercluster und OCI Generative AI.

Leitfaden lesen →

GPU-Clouds

CoreWeave

Eine Kubernetes-native Cloud für große GPU-Cluster.

Leitfaden lesen →
λ

Lambda

Einfache, schnelle GPU-Instanzen und -Cluster für KI-Teams.

Leitfaden lesen →
NB

Nebius

Eine Full-Stack-KI-Cloud mit GPU-Clustern und verwalteter Inferenz.

Leitfaden lesen →

DigitalOcean

Entwicklerfreundliche GPU Droplets und eine Agentenplattform.

Leitfaden lesen →

GPU-Marktplätze

VA

Vast.ai

Ein GPU-Marktplatz für die niedrigsten Kosten pro Stunde.

Leitfaden lesen →
RP

RunPod

GPU-Pods und serverlose GPU-Endpunkte.

Leitfaden lesen →

Ebenfalls unterstützt: Together AI, Fireworks AI, Groq, Hugging Face Inference Endpoints, Replicate, Crusoe, Hyperstack, Scaleway und OVHcloud.

Wie sie sich vergleichen

Die meisten Organisationen nutzen mehr als eine: einen Hyperscaler für verwaltete Modelle und Governance, eine GPU-Cloud für Training oder intensive Inferenz und eigene Hardware für sensible oder gleichmäßige Workloads.

TypStärkenKompromisseEinsatz für
Hyperscaler (AWS, Google Cloud, Azure, Oracle)Verwaltete Modelle, Identität, Compliance, globale RegionenHöhere GPU-Preise, Kontingente müssen verwaltet werdenProduktive APIs, regulierte Daten, verwaltete Agenten
GPU-Clouds (CoreWeave, Lambda, Nebius, DigitalOcean)Neueste GPUs, große Cluster, einfachere PreiseWeniger verwaltete DiensteTraining, Fine-Tuning, Inferenz mit hohem Volumen
GPU-Marktplätze (Vast.ai, RunPod)Niedrigste Kosten pro GPU-Stunde, schneller StartSchwankende Zuverlässigkeit und VertrauenswürdigkeitExperimente, Batch-Jobs, Endpunkte mit Skalierung auf null
Ihre eigene Workstation-HardwareFixkosten, volle Kontrolle, Daten bleiben in Ihrem GebäudeInvestitionsaufwand, KapazitätsplanungSensible Daten, gleichmäßige Workloads, Entwicklung

KI im großen Maßstab skalieren mit Amazon Bedrock

Bedrock löst das GPU-Problem, aber Verkehr im großen Maßstab muss trotzdem durchdacht werden. Diese Muster nutzen wir für Bedrock-Workloads mit hohem Volumen.

Workflow: Eine Anwendung sendet Anfragen an eine SQS-Warteschlange mit Backoff und einem Fallback-Modell; Amazon Bedrock mit erhöhten Kontingenten, Prompt-Caching, Batch und Prompt-Routing; dann regionsübergreifende Inferenzprofile oder Provisioned Throughput. AgentCore und Knowledge Bases, VPC-Endpunkte, KMS, Guardrails und CloudTrail sowie CloudWatch-Metriken umgeben das Ganze.
Die acht Muster als ein Anfragefluss. Die Nummern entsprechen der Liste unten: Die Warteschlange fängt Spitzen ab, Bedrock läuft mit erhöhten Kontingenten und Kostenkontrollen, und die Kapazität kommt aus regionsübergreifender Inferenz oder Provisioned Throughput, umgeben von Agenten, Datenschutz und Metriken.
  1. 1

    Kontingente zuerst planen

    Modellieren Sie Tokens pro Minute und Anfragen pro Minute gegen Spitzenverkehr und erhöhen Sie Kontingente vor dem Launch, pro Modell und pro Region.

  2. 2

    Last verteilen

    Regionsübergreifende Inferenzprofile leiten Anfragen automatisch über Regionen hinweg, wenn eine ausgelastet ist.

  3. 3

    Kapazität garantieren

    Provisioned Throughput für gleichmäßigen, latenzkritischen Verkehr; On-Demand für den Rest.

  4. 4

    Kosten pro Anfrage senken

    Prompt-Caching für wiederholten Kontext, Batch-Inferenz für Offline-Arbeit und Prompt-Routing, um einfache Anfragen an kleinere Modelle zu senden.

  5. 5

    Spitzen abfangen

    Anfragen in eine Warteschlange stellen (SQS) und asynchron verarbeiten, mit exponentiellem Backoff bei Drosselung und einem Fallback-Modell.

  6. 6

    Agenten richtig betreiben

    Bedrock AgentCore für Agenten-Runtime, Memory, Tool-Gateway, Identität und Observability; Knowledge Bases für verwaltetes RAG.

  7. 7

    Privat halten

    VPC-Endpunkte, KMS-Schlüssel, Guardrails und CloudTrail bei jedem Aufruf.

  8. 8

    Alles messen

    CloudWatch-Metriken für Latenz, Tokens, Drosselungen und Kosten pro Funktion, mit Alarmen, bevor Benutzer etwas bemerken.

CI/CD für LLMs, Agenten und Daten in der Cloud

Die gleiche Disziplin wie On-Premises: alles versioniert, getestet, signiert und über Ringe ausgerollt, mit Infrastructure as Code, damit jede Umgebung reproduzierbar ist.

Workflow: drei Pipelines. LLM: auswählen oder fine-tunen, evaluieren, registrieren und signieren, in Staging bereitstellen, Ring-Promotion, überwachen und zurückrollen. Agent: versionieren, Tools unit-testen, Evals wiederholen, Sicherheitstests, Canary, Tracing. Daten: aufnehmen, validieren, versionieren, transformieren und einbetten, indexieren, Lineage. Alle nutzen OIDC-Föderation aus GitHub Actions oder GitLab für kurzlebige Cloud-Anmeldedaten.
Die drei Pipelines Schritt für Schritt und die eine Art, wie sich alle authentifizieren: OIDC-Föderation aus GitHub Actions oder GitLab liefert kurzlebige Cloud-Anmeldedaten, niemals gespeicherte Zugriffsschlüssel.

LLM-Pipeline

  1. Auswählen oder fine-tunen
  2. Evaluieren (Qualität, Sicherheit, Latenz, Kosten)
  3. Registrieren und signieren
  4. Auf Staging-Endpunkt bereitstellen
  5. Ring-Promotion in die Produktion
  6. Überwachen und zurückrollen

Evaluierung mit Bedrock, Vertex AI oder Azure AI Foundry; SageMaker- oder Vertex-Pipelines; MLflow-Registry; Terraform oder OpenTofu; Ring Promoter für Releases mit Health-Checks.

Agenten-Pipeline

  1. Prompts, Tools und Richtlinien versionieren
  2. Tools unit-testen
  3. Evals wiederholen
  4. Sicherheitstests (Prompt-Injection, Datenabfluss)
  5. Canary
  6. Tracing in der Produktion

AgentCore, Agent Engine oder Foundry Agent Service; OpenTelemetry-Tracing; Evaluierungssuiten in CI.

Daten-Pipeline

  1. Aufnehmen
  2. Validieren
  3. Versionieren
  4. Transformieren und einbetten
  5. Indexieren
  6. Lineage

AWS Glue, Dataflow oder Data Factory; Airflow oder Dagster; Bedrock Knowledge Bases, Vertex AI Search oder Azure AI Search; OpenLineage.

Pipelines laufen mit kurzlebigen Cloud-Anmeldedaten über OIDC-Föderation aus GitHub Actions oder GitLab, niemals mit gespeicherten Zugriffsschlüsseln.

LLM- und Agenten-APIs absichern

Ein LLM-Endpunkt ist eine API, der man Dinge einreden kann. Wir sichern ihn wie jede kritische API ab und ergänzen dann die KI-spezifischen Kontrollen.

Diagramm: fünf verschachtelte Schichten um den LLM-Endpunkt (Authentifizierung, Gateway-Kontrollen, Prompt- und Ausgabesicherheit, privates Netzwerk, Datenschutz), wobei Audit und Reaktion alle überwachen.
Die sechs Schichten als Stapel um den LLM-Endpunkt: Eine Anfrage erreicht das Modell nur durch jeden Ring, und Audit und Reaktion decken alle ab. Die Nummern entsprechen den Karten unten.
01

Authentifizierung

  • OAuth 2.0 / OIDC für Benutzer und Dienste
  • mTLS zwischen Diensten
  • Keine statischen API-Schlüssel im Code; Schlüssel in einem Secrets-Manager mit Rotation
02

Gateway-Kontrollen

  • Ratenlimits und Token-Budgets pro Benutzer und Mandant
  • Grenzen für Anfragegröße und Kontext
  • WAF vor öffentlichen Endpunkten
03

Prompt- und Ausgabesicherheit

  • Guardrails, Model Armor oder Content Safety bei Ein- und Ausgabe
  • Erkennung von Prompt-Injection in abgerufenen Dokumenten und Tool-Ergebnissen
  • Schwärzung personenbezogener Daten vor dem Logging
04

Privates Netzwerk

  • Private Endpunkte für Modell-APIs
  • Egress-Allow-Lists für Agenten und Tools
  • Keine öffentlichen IPs auf Modellservern
05

Datenschutz

  • Kundenverwaltete Schlüssel
  • Zugriff auf Mandanten- und Dokumentebene beim Retrieval
  • Datenresidenz in UK- oder EU-Regionen, wo erforderlich
06

Audit und Reaktion

  • Jeder Prompt, jeder Tool-Aufruf und jede Antwort nachvollziehbar
  • Alarme bei ungewöhnlicher Nutzung oder ungewöhnlichen Kosten
  • Getestete Runbooks für Vorfälle und Schlüsselwiderruf

Der KI-Agenten-Harness

Ein Agent ist ein Modell plus ein Harness: der Code, der entscheidet, was er sehen darf, welche Tools er aufrufen darf und wann ein Mensch zustimmen muss. Im Harness liegen Sicherheit und Zuverlässigkeit.

Workflow: Eine Aufgabe geht an das Modell; jeder vorgeschlagene Tool-Aufruf wird gegen die Tool-Registry und das Least-Privilege-Prinzip geprüft, irreversible Aktionen warten auf menschliche Zustimmung, Code- und Shell-Tools laufen in einer Sandbox, und das Ergebnis geht an das Modell zurück, alles innerhalb von Budgets und Limits, wobei jeder Schritt nachverfolgt wird.
Ein Tool-Aufruf durch den Harness. Die Nummern entsprechen den Karten unten: zuerst Registry und Least Privilege, ein Mensch genehmigt alles Irreversible, Code läuft in der Sandbox, und Budgets, Evaluierung und Tracing umschließen die gesamte Schleife.

Tool-Registry

Jedes Tool mit Schema, Verantwortlichem und Berechtigungsbereich deklariert; MCP-Server hinter Authentifizierung.

Least Privilege

Jeder Agent erhält nur die Tools und Daten, die seine Aufgabe erfordert, mit Anmeldedaten, die auf den Benutzer beschränkt sind, für den er handelt.

Ausführung in der Sandbox

Code- und Shell-Tools laufen in isolierten Containern ohne dauerhaften Netzwerkzugriff.

Mensch in der Schleife

Freigaben für Zahlungen, Löschungen, ausgehende E-Mails und alles Irreversible.

Budgets und Limits

Obergrenzen für Schritte, Tokens, Zeit und Ausgaben pro Aufgabe, mit sauberem Abbruch bei Erreichen.

Evaluierung und Tracing

Aufgezeichnete Läufe werden in CI wiederholt, und jeder Schritt wird in der Produktion für Debugging und Audit nachverfolgt.

Identität und Authentifizierung für KI

Agenten handeln im Auftrag von Menschen und Systemen, daher brauchen sie richtige Identitäten, keine gemeinsam genutzten Schlüssel.

Diagramm: Benutzer melden sich per Single Sign-on an, Workloads nutzen Workload Identity, Agenten nutzen eigene, eingeschränkte Identitäten und OAuth 2.1 für Tools und MCP-Server, CI/CD nutzt OIDC-Föderation zu jeder Cloud, und ein Vault verwahrt die verbleibenden Secrets.
Wer was gegenüber welchem Dienst nachweist. Jede Art von Aufrufer hat ihre eigene Authentifizierungsmethode, und keine verlässt sich auf gemeinsam genutzte Schlüssel. Die Nummern entsprechen den Karten unten.

Benutzer

Single Sign-on über Ihren Identitätsanbieter (Entra ID, Google Workspace, Okta) mit SAML oder OIDC, MFA und SCIM-Provisionierung.

Workloads

Cloud-native Workload Identity: AWS-IAM-Rollen und EKS Pod Identity, Google Workload Identity Federation, verwaltete Azure-Identitäten.

Agenten

Agenten-Identitäten mit eigenen, eingeschränkten Berechtigungen, etwa Bedrock AgentCore Identity und Microsoft Entra Agent ID, mit On-Behalf-of-Delegierung für Benutzeraktionen.

Tools und MCP

OAuth 2.1 für MCP-Server und Drittanbieter-Tools, kurzlebige Tokens und Zustimmung pro Tool.

CI/CD

OIDC-Föderation von Ihrer CI zu jeder Cloud, damit Pipelines keine langlebigen Secrets halten.

Secrets

Ein Vault für alles, was ein Secret sein muss, mit Rotation und Audit, etwa unser WSL Vault oder der eigene Secrets-Manager der Cloud.

KI-Workloads in der Cloud optimieren

Diagramm: Interaktive Anfragen passieren Caches, dann sendet ein Router einfache Anfragen an kleine Modelle und schwierige an Frontier-Modelle; Offline-Arbeit geht an Batch-APIs oder Spot-GPUs; ein Autoscaler skaliert das Serving offener Modelle nach Warteschlangentiefe und Tokens pro Sekunde; gleichmäßige, sensible Arbeit läuft auf Ihren eigenen GPUs, Lastspitzen in der Cloud.
Wo jede Optimierung im Lebenszyklus einer Anfrage greift. Die Nummern entsprechen der Liste unten.
  • Das richtige Modell für die Aufgabe: einfache Anfragen an kleine Modelle leiten und Frontier-Modelle für schwierige aufsparen.
  • Cachen Sie alles, was möglich ist: Prompt- und Kontext-Caching, Embedding-Caches und Antwort-Caches für wiederkehrende Fragen.
  • Offline-Arbeit bündeln: Batch-APIs und Spot- oder unterbrechbare GPUs mit Checkpointing.
  • Offene Modelle effizient bereitstellen: vLLM oder TensorRT-LLM mit Quantisierung und Continuous Batching auf GPU-Clouds.
  • Nach dem richtigen Signal autoskalieren: Warteschlangentiefe und Tokens pro Sekunde, nicht CPU.
  • Hybrid by Design: gleichmäßige, sensible Workloads auf Ihren eigenen GPUs, Lastspitzen und Experimente in der Cloud.

Unterstützt vom Workstation-Team

Wir sind plattformneutral. Wir helfen Ihnen bei der Auswahl und entwerfen, sichern, implementieren und betreiben KI dann auf jeder dieser Clouds, neben Ihrer eigenen Hardware.

  • Architektur und Plattformauswahl, einschließlich Kostenmodellierung
  • Landing Zones mit Identität, Netzwerk und Verschlüsselung
  • Lösungen und Agenten mit Bedrock, Vertex AI und Azure AI Foundry
  • Aufbau von GPU-Clustern auf GPU-Clouds
  • CI/CD, Evaluierung und ringbasierte Releases
  • Sicherheitsprüfungen von LLM- und Agenten-APIs
  • Hybride Setups mit On-Premises-Workstation-Hardware
Mit einem Cloud-Engineer sprechen →Fragen Sie den KI-Sales-Engineer ↗

Verwandte Themen:Linux-Betriebssystem für KIKI-RechenzentrenMLOps-EinrichtungDevOps-AutomatisierungRing PromoterWSL Vault

Logos sind Marken ihrer jeweiligen Inhaber, werden nur zur Kennzeichnung der jeweiligen Plattform verwendet und stammen von Wikimedia Commons. Diagramme vom Workstation-Team.