Wählen Sie die passende Dokumentation. Entdecken Sie API-Referenzen, Implementierungsleitfäden und Best Practices.
Integrationsschicht für OTOBO, Znuny/OTRS und Zammad. Einrichtung, Connectors, Automatisierungsregeln, API und Fehlerbehebung.
Verwalten Sie den gesamten Modell-Lebenszyklus aus der Cloud. Trainieren Sie individuelle Modelle aus Metadaten, überwachen Sie Trainingsläufe und deployen Sie Artefakte auf Ihre On-Premise-Infrastruktur — ohne Ticketdaten preiszugeben.
Technischen Benutzer anlegen und eingeschränktes Generic-Interface-Webservice importieren.
Umgebungsvariablen und Connectors für OTOBO, Znuny und Zammad.
Self-Service-Portal für Abonnement, Lizenzen und Modelltraining.
Installieren Sie den Open-Source Zammad MCP Server für Claude, Cursor und typisierte Zammad-Ticket-Tools.
Quelloffener interner KI-Chat für Zammad — LibreChat plus MCP-Server, in der Cloud oder vollständig on-prem.
Einblicke, Updates und Artikel vom Team.
![Znuny-LLM: Praxis-Guide für selbst gehostete KI in Znuny [2026]](/_astro/ticket-system-ai-on-premise-platform.D-iZlxu-.png)
Znuny-LLM im Praxischeck: Funktionen, Betriebsmodelle, Sicherheitsmaßnahmen und ein kontrollierter Rollout für selbst gehostete Service-Desk-KI.
![Bestes Ollama-Modell für Zammad AI: On-Premise-LLM-Guide [2026]](/_astro/zammad-ai-hero.C0UUzIJ2.png)
Welches Ollama-Modell funktioniert am besten mit Zammad 7 AI? Ein praxisnaher On-Premise-Modell-Guide — der Structured-Output-Fallstrick, echte Geschwindigkeitswerte, VRAM-Dimensionierung und das richtige lokale LLM für Zusammenfassungen, Titel und Klassifikation.
Bauen Sie einen internen Admin-Chat für Ihren Zammad-Helpdesk mit LibreChat und dem Zammad MCP Server. Tickets durchsuchen, Verläufe zusammenfassen, Antworten entwerfen — in der Cloud oder vollständig on-prem mit Ollama und Qwen 3.6.
