feat(llm): lokales llama.cpp-Modell (va_llm) als zentrale, sprachoptimierte KI

- scripts/llm-server/: start/stop/status fuer llama.cpp-Server (Port 8001, GPU 1,
  Modell Qwen3.6-35B-A3B-Uncensored, Alias va_llm) - alles per ENV ueberschreibbar
- Defaults auf den lokalen Server umgestellt (config.py, .example-Configs, .env.example)
- Provider local-openai-compatible sprachoptimiert: Reasoning aus
  (chat_template_kwargs.enable_thinking=false) + knapper Sprach-System-Prompt,
  optional max_tokens/temperature - Antwort ~9x schneller, kurze vorlesbare Texte
- Makefile-Targets llm-up/llm-down/llm-status
- Doku (README, BEDIENUNGSANLEITUNG) auf llama.cpp statt Ollama aktualisiert

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

README.md

@@ -85,6 +85,94 @@ VA_PROFILE=cloud     make run   # alles über OpenRouter
 
 Aktive Konfiguration prüfen: `curl http://localhost:8080/api/config`.
 
+## Lokales LLM (llama.cpp, unzensiert)
+
+Die zentrale KI kann statt OpenRouter ein **lokales, unzensiertes Modell** über einen
+llama.cpp-Server (OpenAI-kompatibel) sein. Der Provider `local-openai-compatible`
+spricht direkt dagegen — kein Code, nur Server starten + Profil wählen.
+
+```bash
+make llm-up        # startet den llama.cpp-Container (Default: Port 8001, GPU 1)
+make llm-status    # Container- + HTTP-Status
+make llm-down      # stoppt den Container
+```
+
+Das Modell wird über das `--alias va_llm` angesprochen; die Defaults zeigen bereits
+auf `http://127.0.0.1:8001/v1` mit Modell `va_llm`. Danach genügt ein lokales Profil:
+
+```bash
+VA_PROFILE=hybrid    make run   # STT/TTS remote, Haupt-LLM lokal (unzensiert)
+VA_PROFILE=local-dev make run   # komplett lokal (faster-whisper / llama.cpp / piper)
+```
+
+Alle Server-Parameter sind per ENV überschreibbar (Defaults in Klammern):
+
+| Variable         | Bedeutung                                   | Default |
+|------------------|---------------------------------------------|---------|
+| `HOST_PORT`      | Host-Port des Servers                        | `8001` |
+| `GPU_DEVICE`     | GPU-Index (von 3 GPUs)                        | `1` |
+| `MODEL_REL_PATH` | Modellpfad relativ zu `HF_HOME`              | `models/qwen3/Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive-Q4_K_M.gguf` |
+| `HF_HOME`        | Wurzel der Modell-Sammlung                   | `~/nvme2n1p7_home/huggingface` |
+| `MODEL_ALIAS`    | API-Modellname (= `LOCAL_LLM_MODEL`)         | `va_llm` |
+| `CONTAINER_NAME` | Docker-Containername                         | `va_llm` |
+
+Beispiel (andere GPU/Port/Modell):
+
+```bash
+GPU_DEVICE=2 HOST_PORT=8101 MODEL_REL_PATH=models/qwen3/Qwopus3.6-35B-A3B-v1-Q4_K_M.gguf \
+  bash scripts/llm-server/start-llm-server.sh
+```
+
+> Wird `HOST_PORT`/`MODEL_ALIAS` geändert, müssen `LOCAL_LLM_BASE_URL`/`LOCAL_LLM_MODEL`
+> im Gateway (`.env`) entsprechend angepasst werden.
+
+### Tempo im Sprach-Loop
+
+Ein Reasoning-Modell (Qwen3) „denkt" per Default lang und antwortet ausführlich mit
+Markdown/Emojis — schlecht zum Vorlesen und spürbar träge. Der Provider
+`local-openai-compatible` stellt daher für **gesprochene** Antworten um:
+
+| Setting | Default | Wirkung |
+|---------|---------|---------|
+| `LOCAL_LLM_DISABLE_REASONING` | `true` | schaltet die Qwen3-Denkphase ab (Time-to-first-word ~9× schneller) |
+| `LOCAL_LLM_SYSTEM_PROMPT` | knapper Sprach-Prompt | kurze, vorlesbare Antworten in Fließtext (kein Markdown/Emoji) |
+| `LOCAL_LLM_MAX_TOKENS` | `0` (Server-Limit) | optionaler harter Deckel, z. B. `256` |
+| `LOCAL_LLM_TEMPERATURE` | `0.3` | Sampling-Temperatur |
+
+> Gemessen am Modell `va_llm`: dieselbe Frage fällt von **5,5 s / 1433 Zeichen**
+> (Reasoning an, ausführlich) auf **0,7 s / ~190 Zeichen** (Reasoning aus + Sprach-Prompt).
+> Für unzensierte „freie" Gespräche bleibt der Prompt rein formal (nur Kürze/Format,
+> keine inhaltlichen Einschränkungen); per `LOCAL_LLM_SYSTEM_PROMPT=` leerbar.
+
+**Zweiter Hebel — STT:** `faster-whisper` läuft per Default auf `auto` (oft CPU) mit
+Modell `base`. Auf einer RTX 3090 lohnt `FASTER_WHISPER_DEVICE=cuda` +
+`FASTER_WHISPER_COMPUTE_TYPE=float16`; das verkürzt die Transkriptionszeit pro Turn.
+
+### Komplett lokal: Profil `local-dev`
+
+`VA_PROFILE=local-dev` betreibt **alle** KI-Module ohne Cloud. Die Route löst auf zu:
+
+| Modul | Provider | Quelle |
+|-------|----------|--------|
+| STT | `faster-whisper` | lokales Whisper-Modell |
+| **LLM** | `local-openai-compatible` | llama.cpp-Server `http://127.0.0.1:8001/v1`, Modell `va_llm` |
+| TTS | `piper` | lokales Stimmmodell |
+
+**Voraussetzungen:**
+- **LLM:** llama.cpp-Container läuft (`make llm-up`)
+- **STT:** faster-whisper installiert (`pip install -e .[local]`)
+- **TTS:** piper-Binary + Stimme vorhanden (siehe `PIPER_*` in `.env.example`)
+
+**Start (Reihenfolge):**
+
+```bash
+make llm-up        # 35B-Modell laden; mit  make llm-status  auf "HTTP OK" warten
+make run           # Gateway nutzt jetzt das lokale, unzensierte Modell als zentrale KI
+```
+
+> `VA_PROFILE` ist in `.env` dauerhaft setzbar (aktuell `local-dev`) oder pro Lauf
+> voranstellbar (`VA_PROFILE=hybrid make run`). Prüfen: `curl http://localhost:8080/api/config`.
+
 ## API-Überblick
 
 | Methode & Pfad                  | Zweck |