Computer und Technik begleiten mich inzwischen deutlich länger als dieser Blog. Beruflich beschäftige ich mich mit IT-Architekturen, Infrastruktur und Security, privat verschwimmen die Grenzen zwischen sinnvoller Technik, Hobby und dem klassischen „das müsste doch eigentlich noch etwas besser gehen“ regelmäßig. Aus einem leistungsfähigen Desktop wird dann schnell eine Plattform für lokale KI-Modelle, aus einer leistungsfähigen Grafikkarte ein Wasserkühlungsprojekt und aus einem Heimnetz irgendwann ein kleines HomeLab.
Diese Seite ist deshalb weder Kaufberatung noch Affiliate-Sammlung. Sie zeigt schlicht die Hardware, die ich aktuell tatsächlich benutze und mit der die Projekte auf diesem Blog entstehen. Dazu gehören mein Hauptrechner, der lokale KI-Stack, die Wasserkühlung, mein Heimnetz und einige technische Spielzeuge außerhalb des klassischen IT-Umfelds. Die Seite wird angepasst, wenn sich an meinem Setup etwas Wesentliches ändert.
Hauptrechner und Workstation
Mein Desktop ist inzwischen gleichzeitig Arbeitsgerät, Entwicklungsplattform, Gaming-PC und vor allem Hardwarebasis für meinen lokalen KI-Stack. Bei der Auswahl der Komponenten ging es deshalb nicht nur um klassische Desktop-Performance. Für lokale Sprach-, Bild- und Videomodelle sind GPU-Leistung, VRAM, Speicherbandbreite und eine dauerhaft beherrschbare Leistungsaufnahme mindestens genauso wichtig.
Herzstück des Systems sind aktuell ein Intel Core i9-13900 und eine NVIDIA GeForce RTX 5090 mit 32 GB VRAM. Gerade die 32 GB Grafikspeicher waren für mich ein wesentlicher Grund für die Karte, weil sie bei lokalen KI-Modellen deutlich mehr Spielraum eröffnen als kleinere GPUs. Das gilt nicht nur für größere Sprachmodelle, sondern ebenso für Bildgenerierung, Video und Workloads, bei denen mehrere Komponenten gleichzeitig im VRAM liegen.
Am Arbeitsplatz hängt das System an einem 32-Zoll-4K-OLED. Windows 11 dient als Basis, darauf laufen neben den normalen Anwendungen die verschiedenen Komponenten meines KI-Stacks. Der Rechner ist damit weniger ein klassischer Gaming-PC mit etwas KI nebenbei, sondern inzwischen eher eine lokale Compute-Workstation, auf der zufällig auch Spiele laufen.
Der Bau des Rechners
Der Rechner ist nicht als fertiges Komplettsystem entstanden, sondern wurde bewusst aus Einzelkomponenten aufgebaut und im Laufe der Zeit weiterentwickelt. Das war für mich ohnehin die sinnvollere Variante, weil gerade bei Kühlung, Lautstärke, Stromversorgung und späteren Umbauten ein Standardsystem schnell Grenzen setzt. Gleichzeitig ist ein selbst gebautes System deutlich einfacher an neue Anforderungen anzupassen.
Der Aufbau orientiert sich deshalb weniger an optischem Showcase-Build und stärker an Wartbarkeit und thermischen Reserven. Die Hardware soll auch bei längeren KI-Jobs stabil laufen, ohne dass Lüfter permanent hochdrehen oder einzelne Komponenten thermisch am Limit betrieben werden. Genau daraus ist letztlich auch die Entscheidung entstanden, die Grafikkarte nicht dauerhaft mit ihrem Luftkühler zu betreiben.
Wie bei fast jedem selbst gebauten Rechner ist das Ergebnis über mehrere Ausbaustufen entstanden. Erst kommt ein funktionierendes System, anschließend fallen die Punkte auf, die sich noch verbessern lassen. Bei mir waren das insbesondere Lautstärke und Abwärme unter längerer GPU-Last. Eine RTX 5090 funktioniert selbstverständlich auch mit ihrem serienmäßigen Kühlsystem, aber „funktioniert“ und „so möchte ich das dauerhaft betreiben“ sind zwei unterschiedliche Anforderungen.
Umbau der RTX 5090 auf Wasserkühlung
Der Umbau der RTX 5090 auf Wasserkühlung war entsprechend keine rein kosmetische Entscheidung. Gerade bei lokalen KI-Workloads kann die GPU über lange Zeiträume hoch ausgelastet bleiben. Während ein Spiel die Last oft schwanken lässt, sieht die Situation bei Inferenz, Bildgenerierung oder Video-Workloads anders aus. Die Karte kann minuten- oder stundenlang mit hoher Leistungsaufnahme arbeiten, und genau dort wird ein großes externes Kühlsystem interessant.
Für den Umbau wurde der originale Luftkühler der RTX 5090 vollständig entfernt und die Karte mit einem passenden Full-Cover-Wasserblock versehen. Dabei werden nicht nur der GPU-Chip selbst, sondern auch die relevanten Speicher- und Spannungswandlerbereiche in das thermische Konzept einbezogen. Gerade bei einer Karte dieser Leistungsklasse ist das für mich wichtiger als der reine Blick auf die GPU-Temperatur.
Der Umbau ist natürlich etwas invasiver als das Einsetzen einer normalen Grafikkarte. Die Karte muss zerlegt, der ursprüngliche Kühler entfernt und die Kontaktflächen müssen entsprechend vorbereitet werden. Wärmeleitpads und Wärmeleitpaste müssen sauber sitzen, weil sich Fehler an dieser Stelle später nicht durch einen stärkeren Radiator kompensieren lassen. Nach dem Zusammenbau folgen deshalb zunächst Kontrolle, Dichtigkeitsprüfung des Kreislaufs und anschließend die thermische Überprüfung unter Last.
Der Aufwand lohnt sich für meinen Anwendungsfall vor allem deshalb, weil sich die entstehende Wärme wesentlich kontrollierter aus dem Rechner transportieren lässt. Statt mehrere hundert Watt direkt im Gehäuse zu verteilen und anschließend mit Gehäuselüftern wieder nach außen zu bewegen, landet der größte Teil der Wärme unmittelbar im Wasserkreislauf. Dort steht deutlich mehr Radiatorfläche zur Verfügung als in einem klassischen Tower sinnvoll unterzubringen wäre.
Externe Wasserkühlung mit MO-RA IV
Der Kühlkreislauf setzt deshalb nicht auf einen kleinen internen 240- oder 360-mm-Radiator. Zum Einsatz kommt ein MO-RA IV 400, bestückt mit neun Noctua NF-A14x25r G2. Das ist zweifellos mehr Kühlfläche, als ein normaler Desktop zwingend benötigt. Für einen leistungsstarken Rechner mit RTX 5090 und langen GPU-Workloads funktioniert diese Überdimensionierung allerdings ausgesprochen angenehm.
Die große Radiatorfläche hat zwei Vorteile. Zum einen lässt sich sehr viel Wärme abführen, ohne dass hohe Lüfterdrehzahlen notwendig werden. Zum anderen reagiert das System wesentlich träger auf kurzfristige Lastwechsel. Die Kühlung muss also nicht ständig hörbar auf Lastspitzen reagieren, sondern kann über eine große Fläche mit vergleichsweise niedrigen Drehzahlen arbeiten.
Der MO-RA steht dabei bewusst außerhalb des Rechners. Das macht den Aufbau zwar nicht gerade kompakt, löst aber mehrere Probleme gleichzeitig. Im Gehäuse entsteht mehr Platz, die Abwärme wird direkt außerhalb des Towers abgeführt und der Radiator lässt sich unabhängig vom Gehäuse dimensionieren. Außerdem muss beim nächsten Gehäusewechsel nicht die gesamte Kühlarchitektur neu geplant werden.
Auf dem Foto sieht man ziemlich gut, wie wenig Anspruch dieser Aufbau auf klassische Wohnzimmerkompatibilität erhebt. Rechts der Rechner, daneben der MO-RA und links weitere Hardware im Rack-Bereich. Für mich ist das trotzdem die sinnvollere Lösung als ein aufgeräumter, aber thermisch deutlich engerer interner Aufbau. Form follows function trifft es hier ziemlich gut.
Warum überhaupt Wasserkühlung?
Wasserkühlung ist für einen modernen High-End-PC nicht zwingend notwendig. Wer den Rechner einschaltet, spielt und danach wieder herunterfährt, kann eine RTX 5090 problemlos mit einem guten Luftkühler betreiben. Mein Nutzungsprofil sieht allerdings anders aus. Lokale KI bedeutet teilweise lang andauernde Last, und genau dort zählen Lautstärke und konstante thermische Bedingungen deutlich mehr als ein kurzfristiger Benchmarkwert.
Ein weiterer Punkt ist die thermische Entkopplung der Komponenten. Wenn die Grafikkarte ihre Wärme weniger stark in das Gehäuse abgibt, profitieren auch Mainboard, SSDs, RAM und CPU-Bereich davon. Das System muss insgesamt weniger warme Luft bewegen und kann entsprechend ruhiger betrieben werden.
Dazu kommt ein Faktor, den man bei einem Hobbyprojekt ruhig zugeben kann: Ich baue solche Systeme auch deshalb, weil mir der technische Teil Spaß macht. Einen Rechner nur zusammenzustecken wäre irgendwann langweilig. Einen eigenen Kühlkreislauf zu planen, eine RTX 5090 zu zerlegen und anschließend zu sehen, dass das Ganze genau so funktioniert wie geplant, gehört für mich einfach mit dazu.
Lokaler KI-Stack
Auf dieser Workstation läuft mein eigener lokaler KI-Stack. Ziel des Systems ist es, möglichst viele KI-Workloads lokal betreiben zu können, anstatt für jeden Anwendungsfall auf einen Cloud-Dienst angewiesen zu sein. Dabei geht es nicht um eine grundsätzliche Ablehnung von Cloud-KI, sondern um Kontrolle, Datenschutz, technische Freiheit und schlicht die Möglichkeit, Systeme bis ins Detail selbst zu verstehen.
Als zentrale Oberfläche kommt Open WebUI zum Einsatz, während LM Studio verschiedene lokale Sprachmodelle bereitstellt. Ergänzt wird das Ganze durch lokale Embeddings, RAG mit ChromaDB, MCP-basierte Tool-Anbindung und unterschiedliche Agenten. Darüber hinaus laufen Bild- und Videomodelle direkt auf derselben Workstation.
Bei den Sprachmodellen nutze ich aktuell unter anderem Modelle aus der Qwen-Familie. Für Bildgenerierung kommen beispielsweise Z-Image und Chroma zum Einsatz, für Video WAN 2.2. Der Stack wird kontinuierlich erweitert und ist inzwischen selbst zu einem größeren Projekt geworden, einschließlich Installer, Tests, Runtime-Komponenten und eigener Dokumentation.
Ein weiterer Bereich ist Desktop Control. Dabei geht es darum, einem lokalen Modell kontrollierten Zugriff auf Windows-Anwendungen zu ermöglichen, ohne daraus einfach einen unkontrollierten „klick irgendwo herum“-Agenten zu machen. Die Interaktion folgt deshalb bewusst einem Ablauf aus Erkennen, Prüfen, Aktion, erneuter Beobachtung und anschließender Verifikation.
Warum die RTX 5090 für lokale KI?
Natürlich könnte man viele dieser Dinge auch auf kleineren GPUs betreiben. Der entscheidende Unterschied liegt allerdings darin, wie viele Kompromisse man dabei akzeptieren möchte. Gerade 32 GB VRAM machen bei lokalen Modellen einen erheblichen Unterschied, weil Modelle, Kontext, KV-Cache und weitere Komponenten nicht permanent um knappen Speicher konkurrieren müssen.
Die RTX 5090 ist dadurch für mich weniger eine reine High-End-Gaming-Karte als eine vergleichsweise universelle lokale Rechenplattform. Für reine LLM-Inferenz wäre spezialisierte Hardware teilweise effizienter, aber sobald Sprachmodelle, Bildmodelle, Video, Desktop Automation und andere CUDA-Workloads auf demselben System zusammenkommen, ist eine leistungsfähige Desktop-GPU ausgesprochen praktisch.
Die Wasserkühlung passt genau in dieses Konzept. Die Karte soll nicht nur in einem kurzen Benchmark schnell sein, sondern auch nach längerer Last noch leise und reproduzierbar arbeiten. Das ist für mich bei einer Workstation wesentlich wichtiger als ein paar zusätzliche Prozent Spitzenleistung.
Heimnetzwerk und HomeLab
Auch mein Heimnetzwerk ist über die Jahre etwas umfangreicher geworden. Die zentrale Netzwerkplattform basiert auf UniFi und wird inzwischen nicht nur für normales LAN und WLAN verwendet, sondern auch für Kameras, VPN-Zugriffe, Segmentierung und verschiedene Home-Assistant-Integrationen.
Zum Setup gehören unter anderem eine UniFi Dream Machine Pro, mehrere UniFi Access Points und UniFi Protect. Zusätzlich ist eine UniFi-Türklingel beziehungsweise Kamera eingebunden. Remote-Zugriffe auf das Heimnetz erfolgen über VPN, aktuell unter anderem mit Teleport beziehungsweise WiFiman. Wo sinnvoll, wird der Datenverkehr über Split-Tunneling getrennt.
Home Assistant verbindet verschiedene Bereiche miteinander und dient gleichzeitig als Spielwiese für Automatisierung und Monitoring. Dazu gehören klassische Smart-Home-Funktionen ebenso wie Statusüberwachung von Netzwerkgeräten, Kameras und anderen Komponenten. Interessant wird das für mich immer dann, wenn aus einer simplen Geräteintegration eine nachvollziehbare technische Automatisierung wird.
Rack und Infrastruktur
Ein Teil der Netzwerk- und Infrastrukturkomponenten befindet sich in einem eigenen Rittal-Rack. Dadurch lässt sich die Hardware sauber zentralisieren und Stromversorgung, Netzwerk und Kühlung bleiben zumindest halbwegs beherrschbar. „Halbwegs“ ist dabei durchaus wörtlich gemeint, denn ein HomeLab hat die unangenehme Eigenschaft, sich selbstständig zu vermehren.
Gerade die Temperatur spielt dort inzwischen eine größere Rolle. Der Raum kann im Sommer relativ warm werden und bei geschlossener Rack-Tür steigt die Temperatur entsprechend weiter an. Deshalb gehört inzwischen auch die aktive Belüftung des Schranks zur Infrastrukturplanung. Der nächste Lüftereinschub ist damit weniger Spielerei als eine ziemlich direkte Folge aus der Abwärme der vorhandenen Technik.
Das Rack ist für mich gleichzeitig gutes Beispiel dafür, wie solche Setups entstehen. Niemand setzt sich am ersten Tag hin und plant einen vollständigen privaten Maschinenraum. Man kauft einen Switch, später kommt eine USV dazu, danach Kamera, Patchpanel, weitere Netzwerkkomponenten – und irgendwann steht dort ein Rack, bei dem man sich fragt, wann genau das eigentlich eskaliert ist.
Warum diese Seite?
Ich lese solche „Uses“- oder Hardware-Seiten selbst gern, weil eine reale Komponentenliste oft deutlich mehr über Anforderungen erzählt als zehn Artikel mit theoretischen Produktempfehlungen. Ob jemand eine bestimmte Hardware wirklich täglich nutzt oder lediglich darüber schreibt, ist ein relevanter Unterschied.
Genau deshalb ist diese Seite auch keine Wunschliste. Die Technik hier gehört zu meinem tatsächlichen Setup, wird benutzt, umgebaut, getestet und gelegentlich auch verflucht. Ein Teil davon ist objektiv vollkommen überdimensioniert, manches hätte sich mit weniger Aufwand lösen lassen und bei einigen Dingen war der Weg wahrscheinlich mindestens genauso interessant wie das Ergebnis.
Das Zeug steht hier wirklich.