Add container lifecycle - on-demand create and auto-cleanup

index.html

@@ -168,9 +168,11 @@ Git-backed graph issue tracker für Tasks.
 <strong>3. Docker MCP Server</strong> (Container Runtime)
 Alles läuft in Containern - reproduzierbar und isoliert.
 <a href="https://docs.docker.com/ai/mcp-catalog-and-toolkit/server-docker/" class="link">Docker MCP Server Docs</a>
-• Agent-Umgebungen on-demand erstellen
-• GPU-Container für Training
+• Container <span style="color: #667eea;">on-demand</span> erstellen
+• Nach Gebrauch automatisch <span style="color: #667eea;">kill & cleanup</span>
 • Jeder Loop in frischem Container
+• GPU-Container für ML Workloads
+• <span style="color: #667eea;">Gilt auch für Agenten im Docker MCP Gateway!</span>
 
 <strong>4. HF Skills</strong> (Model Training)
 HuggingFace Skills für Training auf Loop-Ergebnissen.
@@ -190,13 +192,15 @@ Training wird transparent und steuerbar.
 <strong>Der vollständige Loop:</strong>
 1. Ralph startet → Agent führt Task aus
 2. Beads tracked → Graph speichert Fortschritt
-3. Docker MCP → Frische Container für jeden Schritt
-4. Gemma Scope 2 → Activations werden analysiert
-5. Neuronpedia → Discovery: Wichtige Features finden
-6. Steering → Agent-Verhalten aktiv korrigieren
-7. HF Skills → Gelerntes in Model trainieren
-8. Freezing → Erfolgreiche Patterns fixieren
-9. Loop wiederholt → Verbesserter Agent
+3. Docker MCP → Container on-demand erstellen
+4. Agent arbeitet → Isoliert im Container
+5. Gemma Scope 2 → Activations werden analysiert
+6. Neuronpedia → Discovery: Wichtige Features finden
+7. Steering → Agent-Verhalten aktiv korrigieren
+8. HF Skills → Gelerntes in Model trainieren
+9. Freezing → Erfolgreiche Patterns fixieren
+10. Container cleanup → Automatisch kill & löschen
+11. Loop wiederholt → Verbesserter Agent
 
 <strong>Use Cases:</strong>
 • Code-Refactoring Agent trainieren