n8n + Ollama : automatizzare con IA al 100 % locale

#Perché combinare n8n e Ollama?

n8n è un orchestratore visivo: colleghi nodi (trigger, HTTP, database, LLM…) senza scrivere codice, e il workflow viene eseguito in background tramite un cron, un webhook o una casella di posta. Tutti i concorrenti rivolti al grande pubblico (Zapier, Make, Power Automate) fanno pagare in base al volume e richiedono che i tuoi dati passino per i loro server.

Ollama, invece, espone un LLM locale su http://localhost:11434 con un'API HTTP compatibile. Dalla fine del 2023, n8n include un nodo Ollama nativo (e anche un nodo compatibile con OpenAI che funziona). Risultato: un workflow che riassume i PDF dei clienti o smista le email delle risorse umane non fa mai uscire un solo byte dalla tua infrastruttura.

#Prerequisiti

Ollama installato

Daemon attivo sulla porta 11434. Verifica con curl http://localhost:11434. Se parti da zero, segui prima la guida all'installazione di Ollama del sito.

Un modello scaricato

ollama pull qwen3.5:9b pour la polyvalence, ou qwen3.5:4b si vous voulez plus léger. Pour les workflows de classification, granite4.2:8b est solide et très sobre en tokens.

Docker + Docker Compose

Il deployment di n8n richiede pochi secondi con Docker. Docker Desktop su Windows/macOS, Docker Engine su Linux.

8 GB di RAM liberi

n8n consuma circa 500 MB, Ollama carica il modello nella VRAM (~6,6 GB per un 9B Q4). Prevedi un ampio margine se vuoi eseguire più workflow contemporaneamente.

Un po' di pazienza per il no-code

n8n è visivo ma non magico: capire JSON e le espressioni {{ $json.field }} rimane utile.

#1. Installare n8n in modalità self-hosted tramite Docker

Il metodo ufficiale e più semplice consiste nell'usare un'immagine Docker mantenuta dal team n8n. Crea una cartella dedicata e un file docker-compose.yml:

services:
  n8n:
    image: docker.n8n.io/n8nio/n8n
    container_name: n8n
    restart: unless-stopped
    ports:
      - "5678:5678"
    environment:
      - N8N_HOST=localhost
      - N8N_PORT=5678
      - N8N_PROTOCOL=http
      - GENERIC_TIMEZONE=Europe/Paris
      - N8N_SECURE_COOKIE=false
    volumes:
      - ./n8n_data:/home/node/.n8n
    extra_hosts:
      - "host.docker.internal:host-gateway"

La riga extra_hosts è la chiave: dal container n8n, chiamerai Ollama tramite http://host.docker.internal:11434 anziché localhost (che punterebbe al container stesso). Solo su Linux, questo accorgimento richiede la direttiva host-gateway.

docker compose up -d
docker compose logs -f n8n

Apri http://localhost:5678. Al primo accesso, n8n ti chiede di creare un account proprietario — rimane locale, nessuna telemetria obbligatoria. Una volta connesso, ti trovi su un canvas vuoto.

#2. Configurare il nodo Ollama in n8n

n8n offre due modi per chiamare Ollama: il nodo dedicato "Ollama Chat Model" (integrato nel ramo LangChain di n8n) e una chiamata HTTP generica. Il nodo dedicato è una soluzione più pulita per agenti e catene; la chiamata HTTP offre maggiore controllo. Entrambi funzionano.

1. 01
   Aggiungere un nodo Ollama

   Sul canvas, digita '/' e cerca "Ollama". Seleziona "Ollama Chat Model" (sotto AI > Language Models).
2. 02
   Creare una credenziale

   Nel campo Credential, clicca "Create new". Base URL: http://host.docker.internal:11434 (dal container Docker) o http://localhost:11434 se n8n funziona in modo nativo. Nessuna chiave API — è locale.
3. 03
   Testare la connessione

   n8n esegue automaticamente un test ed elenca i modelli disponibili. Se l'elenco è vuoto, verifica dall'host con docker exec n8n curl http://host.docker.internal:11434/api/tags.
4. 04
   Scegliere il modello

   Nel menu a discesa Model, seleziona qwen3.5:9b (o il modello che hai scaricato). Lascia Temperature al valore predefinito di 0.7 e abbassalo a 0.2 per compiti deterministici (classificazione, estrazione).

#3. Primo workflow: riassumere un flusso RSS

Caso tipo: segui 15 blog tecnici, vuoi un riassunto quotidiano in francese senza leggere tutto. n8n recupera gli articoli nuovi, Ollama li riassume, il risultato viene inviato via e-mail o scritto in un file Markdown.

1. 01
   Trigger: Schedule Trigger

   Impostalo per eseguirsi ogni giorno alle 7. Modalità Cron expression: 0 7 * * *.
2. 02
   Recuperare il feed: RSS Feed Trigger o RSS Read

   URL del feed (es.: https://blog.lemondeinformatique.fr/feed/). Attiva "Return only new items" per evitare di riassumere di nuovo gli elementi precedenti.
3. 03
   Dividere se necessario: Split In Batches

   Se il flusso restituisce 10 articoli, limita il numero a 5 per evitare di saturare Ollama. Batch size: 1, per elaborare un articolo alla volta.
4. 04
   Chiamare Ollama

   Nodo Ollama Chat Model con questo system prompt e l'articolo come messaggio utente.

{
  "system": "Tu es un assistant éditorial. Résume l'article en 3 puces de 15 mots maximum, en français, ton neutre. Pas d'intro, juste les puces.",
  "prompt": "Titre : {{ $json.title }}\n\nContenu : {{ $json.content }}"
}

1. 01
   Aggregare i riassunti: Merge o Code

   Combina i risultati di ciascun articolo in un unico corpo dell'email. Basta un nodo Code (JavaScript) con items.map(i => `**${i.json.title}**\n${i.json.response}`).join('\n\n').
2. 02
   Inviare: Send Email o scrivere un file

   Nodo Email (SMTP) per inviare al tuo indirizzo email, oppure nodo Write Binary File per scrivere in /home/node/.n8n/daily-digest.md (salvato in modo persistente nel volume Docker).

#4. Workflow: traduzione di email in arrivo

Caso tipico: ricevi email dai fornitori in inglese, tedesco e spagnolo. Vuoi leggerle in francese senza Google Translate (che acquisisce il contenuto). n8n monitora la tua casella IMAP, Ollama traduce e il risultato finisce sotto un'etichetta "Tradotto" o in una risposta salvata come bozza.

1. 01
   Trigger: IMAP Email

   Configura le tue credenziali IMAP (Gmail richiede una password per le app). Filtro: tutte le email non lette nella casella INBOX. Polling ogni 10 minuti.
2. 02
   Rilevare la lingua: Ollama #1

   Prima chiamata a Ollama con prompt di sistema: "Rispondi solo con il codice ISO 639-1 della lingua di questo testo (fr, en, de, es...). Nessuna frase, solo due lettere." Prompt: {{ $json.subject }} {{ $json.textPlain }}.
3. 03
   Creare una diramazione: nodo IF

   Condizione: {{ $json.response }} ≠ "fr". Se vero → tradurre. Se falso → ignorare (già in francese).
4. 04
   Tradurre: Ollama #2

   Prompt di sistema: "Traduci il testo seguente in francese naturale. Preserva la formattazione (paragrafi, elenchi). Non commentare, traduci direttamente." Prompt: il corpo dell'email.
5. 05
   Azione finale

   Due opzioni: nodo Gmail "Add Label" + inserimento della traduzione all'inizio del messaggio tramite "Reply Draft", oppure semplicemente l'invio di una notifica Slack/Telegram con la versione tradotta.

#5. Workflow: classificare i lead in arrivo

Caso tipico: un modulo di contatto alimenta un database Airtable / Notion / Postgres. Vuoi classificare automaticamente ogni lead: Hot / Warm / Cold, settore di attività, urgenza. n8n monitora il database, Ollama legge il messaggio in testo libero e scrive i tag strutturati.

Questo workflow utilizza la modalità JSON di Ollama, che obbliga l'output a rispettare uno schema. Indispensabile ogni volta che si parla di dati strutturati.

{
  "model": "qwen3.5:9b",
  "format": "json",
  "stream": false,
  "options": { "temperature": 0.1 },
  "system": "Tu es un assistant CRM. Réponds uniquement en JSON valide avec les clés : temperature (Hot/Warm/Cold), secteur (string court), urgence (1-5).",
  "prompt": "Message du lead : {{ $json.message }}\n\nEntreprise : {{ $json.company }}"
}

1. 01
   Trigger: Airtable/Postgres Trigger

   Su "New row in table Leads". Polling ogni 5 minuti, oppure webhook se la tua fonte lo permette (più reattivo).
2. 02
   Chiamata Ollama in modalità JSON

   Nodo HTTP Request con metodo POST su http://host.docker.internal:11434/api/generate e il corpo della richiesta indicato sopra. La risposta arriva in $json.response (stringa JSON).
3. 03
   Eseguire il parsing: nodo Code o Set

   JSON.parse($input.first().json.response) estrae temperature, secteur, urgence. Se il parsing fallisce (il modello genera allucinazioni), riprova con una temperatura pari a 0.
4. 04
   Scrivere nel CRM

   Nodo Airtable Update / Postgres Update con i tre campi. Opzionale: se temperature = Hot e urgenza ≥ 4, attivare un nodo Slack che invia una notifica a commercial@boite.fr.

#Suggerimenti e risoluzione dei problemi

n8n non riesce a connettersi a Ollama

Errore ECONNREFUSED su localhost:11434? Sei dentro Docker — usa host.docker.internal. Su Linux, verifica che extra_hosts sia presente nel file Compose e che Ollama ascolti su 0.0.0.0 (OLLAMA_HOST=0.0.0.0:11434).

Workflow lento

Ollama carica il modello a freddo (5-15 secondi la prima volta). Per mantenerlo caricato, avvia in parallelo un cron che invii un ping a /api/generate ogni 4 minuti, oppure aumenta il tempo di permanenza in memoria impostando OLLAMA_KEEP_ALIVE=30m.

Il modello genera allucinazioni durante la classificazione

Utilizzare sempre format: "json" + un prompt di sistema che elenca i valori ammessi. Se il 9B in Q4 continua a dare risultati poco chiari, passare a qwen3.5:9b-q8_0 migliora notevolmente la robustezza dell'output JSON.

Volumi Docker persi

Il workflow e le credenziali si trovano in ./n8n_data. Non eliminare mai questa cartella senza un backup. Esporta i tuoi workflow in JSON tramite il menu (Settings > Workflows > Download) per tenerli sotto controllo di versione con Git.

Troppe chiamate = saturazione della VRAM

Se un workflow attiva 20 chiamate Ollama in parallelo, la GPU si satura. Usa Split In Batches con batch size 1 o aggiungi OLLAMA_NUM_PARALLEL=1 per serializzare le chiamate.

Versioni n8n

n8n rilascia una versione principale ogni ~10 giorni. docker compose pull && docker compose up -d aggiorna. Il nodo Ollama è stabile da 1.18 in poi.

#Per approfondire

Hai una pipeline n8n + Ollama funzionante. Ecco alcune idee per i prossimi passi:

Collegare un RAG

La guida RAG ChromaDB del sito mostra come indicizzare i tuoi PDF e le tue note. Puoi richiamare questa pipeline RAG da n8n tramite un endpoint HTTP: i tuoi workflow possono così usare il contesto della tua base di conoscenze.

Ottimizzare il modello

Se i tuoi workflow elaborano grandi volumi di dati, leggi la guida sulla quantizzazione Q4/Q5/Q8: passare a Q4_K_M può dimezzare la VRAM senza perdita visibile nella classificazione.

Scegliere una GPU dedicata

Se n8n + Ollama devono girare 24/7 su una macchina, la guida all'acquisto GPU del sito fornisce le soglie 12/16/24 GB in base ai tuoi workflow target.