---
title: 'Troubleshooting — lokal AI'
description: 'De typiske fejlmønstre når Ollama integration ikke virker.'
canonical: 'https://cartwright.app/docs/ai/local-ai/troubleshooting'
---

# Troubleshooting — lokal AI (/docs/ai/local-ai/troubleshooting)



## "Cannot reach Ollama" / connection failed [#cannot-reach-ollama--connection-failed]

```bash
# Tjek at Ollama kører
curl http://localhost:11434/api/tags
```

Skulle returnere JSON med liste over installerede modeller. Hvis det timeout eller giver connection refused:

* macOS: `brew services restart ollama`
* Linux: `sudo systemctl restart ollama`
* Windows: genstart Ollama fra System Tray

## "CORS error" i browser console [#cors-error-i-browser-console]

Cartwright admin og Ollama er på forskellige origins. Sæt `OLLAMA_ORIGINS`:

```bash
# midlertidigt
OLLAMA_ORIGINS=* ollama serve
```

For permanent fix, se [Setup Ollama → CORS](/docs/ai/local-ai/ollama-setup#3-s%C3%A6t-cors-tilladelse-vigtigt).

## "Model not found" [#model-not-found]

Ollama er kørende, men din valgte model er ikke pullet:

```bash
ollama list
```

Tjek at den model du har sat i `/admin/integrations` faktisk er i listen. Hvis ikke:

```bash
ollama pull gemma4:e4b
```

Eller pull via admin-UI — se [Pull fra admin-UI](/docs/ai/local-ai/pulling-models).

## "Tool call failed" — Gemma laver fejlende argumenter [#tool-call-failed--gemma-laver-fejlende-argumenter]

Almindeligt for 2B/e2b-modeller på write-tools. To fixes:

1. **Skift til en større model** — `ollama pull gemma4:e4b` (eller `e4b-mlx` på Apple Silicon) og opdater i `/admin/integrations`
2. **Forstå capability-tier** — e2b er cappet til read-only tools af denne grund. Hvis du vil have write-tools lokalt, brug e4b eller 26b.

Se [Model Selection](/docs/ai/local-ai/model-selection) for tier-mapping.

## Latency: første kald er super langsom (30+ sek) [#latency-første-kald-er-super-langsom-30-sek]

Det er Ollama der loader modellen i memory. Efterfølgende kald er meget hurtigere (1-10 sek typisk).

Du kan "warm up" modellen ved at sende en lille request første gang:

```bash
curl http://localhost:11434/api/generate -d '{
  "model": "gemma4:e4b",
  "prompt": "ok",
  "stream": false
}'
```

Modellen forbliver i memory \~5 min efter sidste request, så hvis du bruger den jævnligt, undgår du cold-starts.

## "AI offline" i status pill, men Ollama svarer på curl [#ai-offline-i-status-pill-men-ollama-svarer-på-curl]

Tjek at endpoint i `/admin/integrations` er præcis:

* ✅ `http://localhost:11434/v1`
* ❌ `localhost:11434` (mangler protocol)
* ❌ `http://localhost:11434` (mangler `/v1` — Ollama's OpenAI-compatible API'er er på `/v1`)
* ✅ `http://localhost:11434` (Cartwright tilføjer `/v1` automatisk, men eksplicit er sikrest)

## Theme/SEO-genereringen fejler — selvom Ollama virker [#themeseo-genereringen-fejler--selvom-ollama-virker]

Det er forventet — `theme-generator`, `product-seo-generator` og `category-seo-generator` bruger altid Anthropic uanset `aiProvider`-setting (se [Providers](/docs/ai/local-ai/providers#hvorfor-vibe-altid-bruger-anthropic)).

Hvis du får 503 på dem, mangler du en Anthropic-key i `/admin/integrations`. Lokal Gemma kan ikke (endnu) bruges til structured output.

## Vercel-hosted admin kan ikke nå min localhost Ollama [#vercel-hosted-admin-kan-ikke-nå-min-localhost-ollama]

Korrekt — det er ikke et bug. Cloud-hosted admin på Vercel kan per design ikke nå customer's localhost. To workarounds:

1. **Self-host Cartwright** (anbefalet) — admin og Ollama kører på samme maskine
2. **Eksponer Ollama via Cloudflare Tunnel** — peg `localAiEndpoint` på den public URL. ⚠️ Husk reverse proxy med API-key auth foran Ollama — den har ingen auth indbygget

Self-host er den enkleste vej og det vi anbefaler i 99% af tilfældene. Det er også derfor self-hosted Cartwright er free-tier — local AI er en grund til at vælge self-host.

## Latency er konstant høj selv efter warmup [#latency-er-konstant-høj-selv-efter-warmup]

Tjek:

* Du har nok RAM (gemma4:e4b kræver \~10 GB; hvis du har under 16 GB total, swapper systemet)
* Ingen tunge processer (Docker, Photoshop, andre LLM'er) tager hukommelse samtidigt
* Du kører ikke en større model end din hardware kan (gemma4:26b på 16 GB maskine = swapping)
* På Apple Silicon: brug `-mlx`-varianten — den er markant hurtigere end den generiske bygning

Skift til en mindre model:

```bash
ollama pull gemma4:e2b-mlx  # Apple Silicon
# eller
ollama pull gemma4:e2b
```

Og opdater i `/admin/integrations`.

## Stadig problemer? [#stadig-problemer]

Tjek `/admin/audit` for `provider="local"` rows med `ok=false`. Errors viser præcis hvilket tool og hvilken fejl. Du kan også kigge i Ollama-loggen:

```bash
# macOS / Linux
journalctl -u ollama -f       # Linux
log show --predicate 'process == "ollama"' --last 5m    # macOS
```