1. [Strona główna](/) › 2. [Baza wiedzy](/baza-wiedzy/) › 3. VPS dla aplikacji AI # VPS dla aplikacji AI — self-hosted asystenci, LLM, automatyzacje Opublikowano: 26 czerwca 2026 · Kategoria: VPS / AI ⚡ W skrócie · 7 min czytania - Jakie aplikacje AI możesz hostować na VPS bez GPU. - Wymagania RAM i CPU dla self-hosted LLM (Ollama, llama.cpp). - Kiedy CPU wystarczy, a kiedy potrzebujesz GPU. - RAG i bazy wektorowe na VPS — jak to działa. - Bezpieczeństwo self-hosted modeli — Nginx, SSL, firewall. Hosting aplikacji AI na własnym serwerze VPS daje pełną kontrolę nad danymi, brak limitów API i możliwość integracji z dowolnymi narzędziami. Kompletny poradnik wyboru VPS do aplikacji AI znajdziesz w artykule [Jaki VPS wybrać?](/jaki-vps-wybrac/) — poniżej skupiamy się wyłącznie na wymaganiach i scenariuszach dla workloadów AI. ## Jakie aplikacje AI można hostować na VPS? Hosting aplikacji AI na VPS — bez GPU — ma sens dla wielu praktycznych zastosowań: **Self-hosted asystenci i chatboty — Ollama, OpenWebUI, AnythingLLM** Ollama to serwer modeli językowych uruchamiany w Dockerze lub natywnie — udostępnia API kompatybilne z OpenAI. OpenWebUI działa jako interfejs czatu nad Ollamą lub dowolnym API. Całość (Ollama + OpenWebUI + baza wektorowa) uruchamia się przez Docker Compose i jest dostępna przez przeglądarkę po zabezpieczeniu Nginxem i SSL. **Boty AI — Telegram, Discord, integracje z systemami biznesowymi** Bot Telegram lub Discord z odpowiedziami generowanymi przez LLM — lokalny model lub zewnętrzne API (OpenAI, Anthropic, Gemini). VPS daje stały adres IP dla webhooków, możliwość trwałego przechowywania historii rozmów i pełną kontrolę nad danymi użytkowników. Wiele organizacji preferuje self-hosted z tego powodu. **RAG — Retrieval-Augmented Generation z własnymi dokumentami** System RAG wzbogaca model o wiedzę z Twoich dokumentów (PDF, bazy danych, strony www). Składniki: model embeddingów (np. nomic-embed-text przez Ollama), baza wektorowa (Chroma lub Qdrant w Dockerze) i orchestrator (Langchain, LlamaIndex). Całość mieści się na VPS z 8–16 GB RAM i umożliwia zadawanie pytań do własnych zasobów bez wysyłania danych do zewnętrznych API. **Automatyzacje AI — n8n z węzłami AI, pipeline'y przetwarzania danych** n8n self-hosted obsługuje węzły AI (połączenie z Ollamą lub zewnętrznym API) — klasyfikacja e-maili, streszczanie dokumentów, generowanie treści jako krok w pipeline. Automatyzacje działają bez limitu wykonań — płacisz tylko za VPS, nie za wywołania API. Przetwarzanie wsadowe (klasyfikacja tysięcy dokumentów przez noc) to scenariusz gdzie CPU VPS sprawdza się ekonomicznie. **API proxy do modeli — własna warstwa nad zewnętrznymi LLM** LiteLLM self-hosted jako proxy do wielu providerów (OpenAI, Anthropic, Gemini, Ollama) z jednym API — przełączanie modeli bez zmiany kodu, rate limiting, logowanie kosztów, cache odpowiedzi. PrivateGPT lub Open Artifact do analizy dokumentów prywatnych. Transkrypcja audio przez Whisper (openai/whisper lub faster-whisper) — CPU-intensywna, ale możliwa bez GPU dla umiarkowanych wolumenów. ## Wymagania RAM, CPU i dysku dla aplikacji AI Aplikacja AI RAM (orient.) Dysk GPU potrzebny? Ollama + Llama 3 8B (Q4) 6–8 GB 30–50 GB Nie (CPU) Ollama + model 13B (Q4) 10–14 GB 40–60 GB Nie (CPU, wolno) RAG (Chroma/Qdrant + embeddingi) 8–16 GB 40–100 GB Nie Whisper transkrypcja (CPU) 4–8 GB 20–40 GB Nie (CPU, wolno) Modele 30B+, obsługa wielu userów 24 GB+ 80 GB+ Zalecany GPU VPS Dysk NVMe jest wskazany przy bazach wektorowych i dużych modelach — szybki odczyt pliku modelu przy starcie Ollamy i operacje I/O bazy wektorowej mają mierzalny wpływ na czas odpowiedzi. Rozmiar modelu na dysku: orientacyjnie 1 GB na każdy miliard parametrów przy kwantyzacji Q4 (Llama 3 8B ≈ 4,7 GB, model 13B ≈ 7,4 GB). ## Kiedy CPU wystarcza, a kiedy potrzebny jest GPU? **CPU VPS wystarczy gdy:** - Obsługujesz jedną osobę lub małe zespoły (kilka równoległych zapytań) - Używasz modeli do 13B parametrów skwantyzowanych do Q4/Q5 - Przetwarzanie wsadowe — nie zależy Ci na czasie rzeczywistym - Boty i automatyzacje wysyłające zapytania do zewnętrznego API (OpenAI, Anthropic) - RAG z bazą wektorową i małym modelem embeddingów - Transkrypcja audio w trybie wsadowym (nie na żywo) **GPU VPS lub zewnętrzne API są wskazane gdy:** - Obsługujesz wielu równoległych użytkowników z wymaganiami czasu rzeczywistego - Używasz modeli 30B+ lub potrzebujesz wysokiej jakości odpowiedzi - Generujesz obrazy (Stable Diffusion, Flux) - Transkrypcja audio na żywo (real-time speech-to-text) - Fine-tuning lub trening modeli (wymagania GPU są znaczne) Dla większości zastosowań w małych i średnich firmach — asystent wewnętrzny, bot obsługi klienta, klasyfikacja dokumentów — CPU VPS z odpowiednią ilością RAM jest ekonomicznym i sprawdzonym rozwiązaniem. Przy skalowaniu można w każdej chwili przenieść się na GPU VPS lub oddelegować ciężkie zapytania do zewnętrznego API, zostawiając lekkie zadania na CPU. ## Koszty hostowania aplikacji AI — VPS vs API VPS do hostowania AI to stały miesięczny koszt niezależny od liczby wygenerowanych tokenów. Przy intensywnym użyciu własny serwer jest ekonomiczniejszy niż płatność za API. Orientacyjne porównanie: - VPS 8 GB RAM (orient. 60–120 zł/mies. netto) — nieograniczone wywołania lokalnego modelu - Zewnętrzne API AI — płatność za tokeny (ceny zmienne, sprawdź u dostawcy). Przy dużym wolumenie może być znacznie droższe niż self-hosted. - Dodatkowe koszty VPS: transfer danych, snapshoty, ewentualnie większy dysk na modele Break-even zależy od wolumenu zapytań i wybranego modelu zewnętrznego. Dla projektów z dużą liczbą codziennych zapytań self-hosted często okazuje się tańszym rozwiązaniem w skali roku. Użyj [kalkulatora kosztów](/kalkulator/), aby porównać plany VPS. ## Bezpieczeństwo self-hosted AI na VPS Modele językowe wystawione bez autoryzacji mogą być nadużywane przez boty lub nieuprawnione osoby. Kilka kluczowych kroków: 🔒 **Nginx jako reverse proxy z autoryzacją** Port Ollamy (11434) nigdy bezpośrednio na internet — zawsze za Nginxem z Basic Auth lub tokenem Bearer. Certyfikat SSL przez Let's Encrypt dla szyfrowania połączenia. 🛡️ **Firewall i ograniczenie dostępu** Firewall (ufw) blokujący wszystkie porty poza 80, 443 i SSH. Rate limiting w Nginx ogranicza liczbę zapytań z jednego IP. Jeśli model używany wewnętrznie — dostęp tylko przez VPN lub IP whitelist. 🔄 **Aktualizacje i monitoring** Regularne aktualizacje systemu i Ollamy. Monitoring zużycia RAM (VPS z AI może mieć nagłe skoki przy dużych zapytaniach), logi dostępu Nginxa i alertowanie przy anomaliach. Sprawdź checklist: [Bezpieczeństwo VPS →](/baza-wiedzy/bezpieczenstwo-vps-checklist/) ## Sprawdź oferty pasujące do tego scenariusza Poniżej masz szybkie przejścia do ofert i stron z kodami rabatowymi tam, gdzie są dostępne. Contabo VPS z dużą ilością RAM w dobrej cenie — od 8 GB RAM dla self-hosted LLM Duży RAM [Aktywuj rabat →](/out/contabo/#reklama "Contabo") #Reklama · link partnerski [Zobacz kod rabatowy →](/kody-rabatowe/contabo) ProSerwer VPS KVM w Polsce — niskie opóźnienie, dostęp root, Docker w standardzie KVM Polska [Aktywuj rabat →](/out/proserwer-pl/#reklama "ProSerwer") #Reklama · link partnerski [Zobacz kod rabatowy →](/kody-rabatowe/proserwer) Mikrus Tanie VPS w Polsce — dobry start do testowania aplikacji AI na CPU VPS PL [Aktywuj rabat →](/out/mikrus/#reklama "Mikrus") #Reklama · link partnerski [Zobacz kod rabatowy →](/kody-rabatowe/mikrus) ## Często zadawane pytania Ile RAM potrzebuje self-hosted LLM na VPS? Llama 3 8B w GGUF Q4 potrzebuje orientacyjnie 5–8 GB RAM. Model 13B w Q4 — ok. 9–12 GB. Modele 70B+ wymagają od 40 GB RAM lub GPU. Dodaj zapas na system i bazę wektorową (1–2 GB). Praktyczne minimum: 8 GB RAM dla małego asystenta, 16 GB dla rozbudowanego systemu RAG. Czy VPS bez GPU nadaje się do hostowania modeli AI? Tak — mniejsze modele (do 13B w Q4/Q5) na CPU generują kilka do kilkudziesięciu tokenów/sekundę — wystarczy dla asystenta dla jednej osoby lub przetwarzania wsadowego. Wielu równoległych użytkowników w czasie rzeczywistym lub modele 30B+ — wtedy GPU VPS lub zewnętrzne API. Jakie aplikacje AI można hostować na zwykłym VPS? Ollama z małymi modelami, OpenWebUI, n8n z węzłami AI, boty Telegram/Discord z LLM, pipeline RAG z Chroma/Qdrant, serwer Whisper do transkrypcji, LiteLLM proxy. Wszystkie działają na CPU przy umiarkowanym ruchu. Co to jest RAG i jak go hostować na VPS? RAG (Retrieval-Augmented Generation) wzbogaca model o zewnętrzną wiedzę. Składniki: model embeddingów (Ollama), baza wektorowa (Chroma/Qdrant w Dockerze), model LLM i orchestrator (Langchain/AnythingLLM). Mieści się na VPS z 8–16 GB RAM. Jak zabezpieczyć self-hosted LLM na VPS? Nginx jako reverse proxy z Basic Auth lub JWT przed Ollamą — nigdy port 11434 na internet. Firewall ufw, certyfikat SSL Let's Encrypt, rate limiting, regularne aktualizacje systemu i Ollamy. ## Powiązane strony - [Jaki VPS wybrać? Kompletny poradnik wyboru VPS — parametry, koszty, scenariusze workloadów. ](/jaki-vps-wybrac/) - [VPS pod Node.js i Next.js PM2, Nginx, SSL i deployment aplikacji JavaScript na VPS. ](/baza-wiedzy/vps-pod-nodejs-nextjs/) - [Docker na VPS Instalacja Docker CE i Docker Compose — podstawa dla self-hosted AI. ](/baza-wiedzy/docker-na-vps/) - [Bezpieczeństwo VPS — checklist Firewall, SSH keys, fail2ban — co zrobić po pierwszym logowaniu. ](/baza-wiedzy/bezpieczenstwo-vps-checklist/) - [Ranking VPS Porównanie planów VPS z filtrami RAM, vCPU i kosztami na 2 lata. ](/vps/) Autor: [Adam Nadolny](/autorzy/adam-nadolny) Ekspert DevOps i infrastruktury · Zweryfikowano Czerwiec 2026 Administruje własnymi serwerami VPS i dedykowanymi, testując konfiguracje pod realnym obciążeniem — nie w sandboxie. W HostGrade.pl buduje bazę wiedzy DevOps: przewodniki po konfiguracji Nginx, Dockera, Redis i backupów serwerowych pisane na podstawie realnych deploymentów. Porównuje parametry techniczne planów VPS: gwarantowane vCPU kontra shared core, przepustowość sieci i IOPS dysków NVMe. Specjalizuje się w hardening serwera Linux — od fail2ban przez iptables po audyty CIS Benchmark. Każdy artykuł techniczny przechodzi przez środowisko testowe: konfiguracja Redis Cluster, setup HAProxy czy skrypt backup z BorgBackup są uruchamiane przed publikacją. Wierzy, że dobry tutorial kończy się komendą, której wynik faktycznie działa. [Pełny profil autora →](/autorzy/adam-nadolny)