CasaDePrompt/README.md

CasaDePrompt

Dein privates Zuhause für gute Prompts. Ein Python-Prozess, eine SQLite-Datei, ein Container. Kein PostgreSQL, Redis oder externer Suchdienst. Dunkle, responsive Weboberfläche ohne CDN oder Build-Schritt.

Eine optionale Sammlung mit sechs Beispielen liegt in beispiel-prompts.json und lässt sich über die Einstellungen importieren. Neue Installationen starten leer.

Was drin ist

• Prompt-Bibliothek mit Kategorien, Tags, Favoriten, Papierkorb und Duplikaten.
• Versionierung des vollständigen Prompts, Versionsvorschau und Wiederherstellung als neue Version. Gleichzeitige Änderungen werden erkannt.
• Textsuche und Bedeutungssuche mit Embeddings. „Auto“ kombiniert beide; ähnliche Ergebnisse sind Vorschläge, keine garantierten Treffer.
• OpenAI-kompatible API-Basis-URL, optionaler API-Key, Modellscan über /models, getrennte Chat- und Embedding-Modelle. Optional separater Embedding-Endpoint.
• KI-Vorschläge für Kategorie, Tags und Kurzbeschreibung; vor dem Speichern manuell übernehmen.
• KI-Überarbeitung als bearbeitbarer Vorschlag neben dem Original. Erst Übernehmen und Speichern ändert den Prompt.
• Privater MCP-Server über Streamable HTTP, nur lesend: search_prompts, get_prompt, list_categories, get_prompt_versions.
• JSON-Export und Import inklusive Versionen, ohne Modell-API-Keys.
• Zugangsschlüssel für die Weboberfläche, separater MCP-Schlüssel. Keine Registrierung, keine öffentlichen Profile, keine Telemetrie.

Unraid: normaler Python-Alpine-Container

1. Dateien auf dem NAS ablegen

/mnt/user/appdata/CasaDePrompt/
├── bootstrap/
│   └── Startpunkt.sh
├── ssh/
│   ├── athena_key
│   └── known_hosts
└── data/                  # wird dauerhaft gespeichert

Startpunkt.sh aus diesem Repository nach bootstrap/ kopieren. Den SSH-Key athena_key und eine bereits geprüfte known_hosts mit dem Eintrag für [192.168.1.2]:33 nach ssh/ kopieren. Auf dem Entwicklungsrechner ist dieser Host bereits bekannt. Private Schlüssel niemals ins Repository committen. Für den dauerhaften Betrieb reicht ein eigener, nur lesender Deploy-Key für dieses Repository; er kann unter dem gleichen Dateinamen gemountet werden.

Die SSH-Dateien sollten nur root zugänglich sein (chmod 700 ssh, chmod 600 ssh/athena_key ssh/known_hosts). Das Skript prüft den Hostschlüssel strikt; es akzeptiert keine fremden Schlüssel automatisch. Passwortgeschützte Keys benötigen einen Agent und werden von diesem einfachen Bootstrap nicht unterstützt.

2. Unraid-Vorlage einspielen

unraid/CasaDePrompt.xml nach

/boot/config/plugins/dockerMan/templates-user/my-CasaDePrompt.xml

kopieren. In Docker → Container hinzufügen → Vorlage CasaDePrompt auswählen. Falls die Auswahl noch nicht aktualisiert ist, die Seite neu laden.

Vorbelegt sind:

Einstellung	Wert
Image	python:3.13-alpine
Netzwerk	bridge (normales Unraid-Netz über Portfreigabe)
Web-Port	Host 8765 → Container 8000
Repository	ssh://git@192.168.1.2:33/michael/CasaDePrompt.git
Branch	main
Startbefehl / Post Arguments	/bin/sh /bootstrap/Startpunkt.sh
App-Benutzer	99:100

Beim Start installiert das Skript Git/SSH und Python-Pakete, lädt den gewählten Branch bzw. Tag und startet die Anwendung ohne root-Rechte. Dafür benötigt es Zugriff auf dein Git, Alpine-Paketserver und PyPI. Ein Neustart lädt den aktuellen Stand erneut. Bei Download-/Installationsfehlern stoppt es mit einer Meldung, statt eine halb installierte App zu starten. Für reproduzierbare Updates einen Release-Tag in APP_REF verwenden.

3. Anmelden

Öffnen: http://UNRAID-IP:8765

Den automatisch erzeugten Zugangsschlüssel in der Unraid-Konsole auslesen:

docker exec CasaDePrompt cat /data/admin-token

In der Anmeldemaske eingeben. Der Browser erhält ein HttpOnly-Sitzungscookie (24 Stunden). Der Schlüssel wird nicht im Browser-LocalStorage gespeichert. Sitzungen enden auch bei einem Serverneustart.

4. Modelle verbinden

Unter Einstellungen beispielsweise http://192.168.1.20:1234/v1 eintragen. Aus dem Container bedeutet localhost der Container selbst; für einen anderen Server dessen LAN-IP verwenden.

Optional API-Key eingeben → Modelle scannen → Modell-ID auswählen. Alternativ direkt eintippen. Der Scan speichert zunächst die Verbindungsfelder. Leere Schlüssel-Felder behalten gespeicherte Keys; zum Löschen gibt es eine eigene Checkbox.

• Chatmodell: für „Mit KI verfeinern“, verwendet /chat/completions.
• Embedding-Modell: für Bedeutungssuche, verwendet /embeddings. Ein Chatmodell kann diese Aufgabe nicht automatisch ersetzen.

Danach Index ergänzen. Neue/geänderte Prompts werden beim Speichern indexiert. Bei einem Fehler bleibt der Prompt gespeichert und die Oberfläche zeigt einen Hinweis. Nach Wechsel von Embedding-Modell oder URL sind alte Vektoren nicht mehr gültig. Wenn hinter derselben Modell-ID ein anderes Modell läuft, Komplett neu aufbauen wählen.

Ohne Embeddings funktioniert die Textsuche. Es gibt keine versteckte Behauptung von Bedeutungssuche: Der verwendete Suchmodus und Fehler werden angezeigt. Die Embedding-Suche erfolgt im Python-Prozess, die Vektoren liegen in SQLite; gedacht für ein persönliches Archiv, nicht Millionen Dokumente.

MCP / OpenClaw

Einstellungen → MCP → Verbindungsdaten anzeigen liefert URL und separaten Bearer-Token.

Transport: Streamable HTTP
URL: http://UNRAID-IP:8765/mcp/
Header: Authorization: Bearer DEIN_MCP_TOKEN

Diese Angaben in einem MCP-fähigen Client bzw. dessen MCP-Bridge eintragen. Die konkrete OpenClaw-Konfiguration hängt von dessen installierter Version und MCP-Anbindung ab; das angezeigte JSON beschreibt die Verbindung und ist keine zugesicherte OpenClaw-Konfigurationsdatei.

Beispielauftrag: „Suche in CasaDePrompt nach einem Prompt, um einem Kunden höflich abzusagen.“

search_prompts akzeptiert query, limit und mode (auto, text, semantic). Ergebnisse enthalten Titel, vollständigen Prompt, Kategorie, Tags, Version und gegebenenfalls Ähnlichkeit sowie Suchhinweise. get_prompt kann gezielt eine frühere Version abrufen. Papierkorb-Inhalte werden nicht über MCP ausgegeben. MCP darf keine Prompts ändern und verwendet weder deinen Web-Zugangsschlüssel noch deinen Modell-API-Key.

Alternative: fest gebautes Image

docker compose up -d --build
docker compose exec casadeprompt cat /data/admin-token

Das beiliegende Dockerfile nutzt ebenfalls python:3.13-alpine; der App-Code wird beim Build eingebaut. Es braucht beim Start keinen Git-Key und keine Paketdownloads. Daten liegen in einem Docker-Volume. Dieser Weg ist unabhängig vom gewünschten Unraid-Bootstrap nutzbar.

Lokal entwickeln

Python 3.13 oder neuer:

python3 -m venv .venv
. .venv/bin/activate
pip install -r requirements.txt
DATA_DIR=./data uvicorn atelier.app:create_app --factory --host 127.0.0.1 --port 8765

Tests:

pip install pytest
python -m pytest tests -q

Der interne Python-Paketname atelier ist nur ein Implementierungsdetail.

Daten, Backup und Betrieb

• /data/atelier.sqlite3: Prompts, Versionen und Vektoren.
• /data/settings.json: Endpoint-Einstellungen und API-Keys. Nur serverseitig; in Exporten nicht enthalten.
• /data/admin-token, /data/mcp-token: Zugangsschlüssel.
• Gesamten Datenordner bei gestopptem Container sichern; bei laufender SQLite-WAL-Datenbank nicht nur die Hauptdatei kopieren. JSON-Export ist jederzeit für Prompts/Versionen nutzbar.
• Import legt neue IDs an, erhält Versionen, löscht nichts. Danach Index ergänzen.
• API-Keys sind durch Dateirechte geschützt, nicht separat verschlüsselt. Wer Host-/Root-Zugriff hat, kann sie lesen.
• Für Zugriff außerhalb eines vertrauenswürdigen LANs HTTPS über einen Reverse Proxy nutzen. Bei HTTPS COOKIE_SECURE=1 setzen. Keine CORS-Freigabe; Weboberfläche und API verwenden denselben Origin.
• Ein uvicorn-Prozess; keine zusätzlichen Worker verwenden, da Sitzungen im Arbeitsspeicher liegen.
• GET /health ist ein öffentlicher einfacher Healthcheck.
• Schlüssel rotieren: Container stoppen, entsprechende Token-Datei löschen, starten. Bestehende Clients müssen den neuen Schlüssel erhalten. Alternativ ADMIN_TOKEN/MCP_TOKEN als Umgebungsvariablen setzen; dann gelten diese statt der Dateien.

Stand und Grenzen

Erste eigenständige Version. Die KI-Überarbeitung ist absichtlich ein manueller Entwurf; ein grafischer Wort-für-Wort-Diff ist noch nicht enthalten. Versionsvorschau und Wiederherstellung sind vorhanden. Die Tests nutzen einen simulierten OpenAI-kompatiblen Modellserver; ein konkretes lokales Modell muss beim Einrichten noch geprüft werden. Docker/Unraid wird über die beiliegenden Dateien vorbereitet, ein echter Container-Test muss auf einer Maschine mit Docker erfolgen.