Ollama
Ollama pour faire tourner des LLM locaux (pull d’un modèle optionnel).
IA / ML
JupyterLab via Docker, avec un token d’accès.
Une recette n'est pas un script figé : c'est un playbook vérifié qui pilote un run IA. Reconnaissance d'abord, idempotente par conception, et chaque étape fait ses preuves avant que la suivante ne démarre.
Le run démarre en lecture seule. Avant le moindre changement, Servor vérifie l'état réel de votre serveur — une vraie machine est rarement propre, et c'est ce qui existe vraiment qui décide de la suite.
Le playbook ci-dessous guide le run ; le modèle adapte chaque commande à la distribution et à l'état découverts pendant la reconnaissance. Une étape ne compte comme faite que quand sa vérification passe.
Lancer JupyterLab
Vérifié par
docker ps --filter name=jupyter --format "{{.Status}}" | grep -c Upattendu : au moins 1
Récupérer le token
Vérifié par
docker logs jupyter 2>&1 | grep -c "token="attendu : au moins 1
Les consignes non négociables que le run doit respecter, quoi qu'il trouve sur le serveur.
Ne désactive jamais l’auth par token. Reverse proxy TLS si exposé publiquement.
Servor est zero-knowledge : la plateforme ne peut rien exécuter seule. Quand vous lancez cette recette, un run IA lit la reconnaissance, planifie les étapes et demande votre validation. Chaque commande approuvée est signée par votre navigateur — avec une clé que le serveur ne voit jamais — puis relayée à l'agent, qui vérifie la signature localement avant d'exécuter.
Connectez un serveur, lancez la recette, et validez chaque étape pendant que Servor exécute et vérifie. Plan gratuit, sans carte bancaire.