n8n auf Raspberry Pi: was geht, was nicht

n8n läuft auf dem Raspberry Pi, allerdings mit klaren Grenzen. Für einfache Automatisierungen wie Webhook-Trigger, Datei-Verschiebungen oder Benachrichtigungen reicht ein Raspberry Pi 4 oder 5 mit ausreichend Arbeitsspeicher in der Regel aus, weil n8n sein offizielles Docker-Image laut Docker Hub sowohl für linux/amd64 als auch für linux/arm64 baut. Sobald KI-Workflows mit lokal betriebenen Sprachmodellen dazukommen, stößt die kleine Hardware schnell an ihre Grenzen bei Arbeitsspeicher und Rechenleistung. Dieser Artikel zeigt, wofür ein Pi in der Praxis reicht und wo Sie besser auf leistungsfähigere Hardware wechseln. Stand: Juli 2026.

ARM-Kompatibilität: Was das offizielle Docker-Image unterstützt

n8n veröffentlicht sein offizielles Docker-Image als Multi-Architektur-Build. Auf Docker Hub ist der Build-Befehl mit den Zielplattformen "linux/amd64,linux/arm64" dokumentiert, das Image ist also nativ für ARM64-Prozessoren gebaut und nicht nur über Emulation lauffähig. Für den Raspberry Pi bedeutet das: Mit einem 64-Bit-Betriebssystem, etwa Raspberry Pi OS (64-bit), lässt sich n8n über Docker nach der offiziellen Installationsanleitung installieren, ohne Umwege oder Bastellösungen. Wichtig ist dabei die Wortwahl "64-Bit": Läuft auf dem Pi noch ein 32-Bit-System (armhf), passt das offizielle Image nicht, und Sie müssten das Betriebssystem vorher neu aufsetzen. Die Installation selbst unterscheidet sich dann nicht von einem x86-Server, inklusive persistentem Volume für die n8n-Daten und der üblichen Umgebungsvariablen für Zeitzone und Zugangsdaten.

Wofür ein Raspberry Pi tatsächlich ausreicht

• Geplante und ereignisgesteuerte Workflows: Zeitgesteuerte Datenabfragen, Weiterleitungen zwischen Diensten oder einfache Webhook-Verarbeitung laufen auch mit wenig Rechenleistung stabil.
• Kleine Datenmengen: Solange Workflows keine großen JSON-Antworten oder Binärdateien bewegen, bleibt der Arbeitsspeicherbedarf niedrig.
• Persönliche oder Testumgebungen: Für Einzelpersonen, die n8n kennenlernen oder private Automatisierungen bauen, ist ein Pi eine günstige Dauerlösung.

In einem Thread im n8n-Forum berichtet ein Nutzer, n8n "comfortably" auf einem Raspberry Pi 3 betrieben zu haben. Ein n8n-Teammitglied ergänzt dort allerdings, dass selbst ein Raspberry Pi Zero zwar grundsätzlich startet, man dabei aber "at some point run into issues with the RAM and also CPU" gerate, verbunden mit spürbar langsameren Ausführungen. Für den produktiven Dauerbetrieb ist damit ein Pi 4 oder 5 mit mehr Arbeitsspeicher die praktikablere Wahl als ältere oder kleinere Modelle.

Wo die Grenzen liegen: KI-Workflows und Ressourcen

n8n selbst begrenzt laut der offiziellen Dokumentation zu Speicherproblemen den Ressourcenverbrauch pro Node nicht: Die Software beschränkt weder die Datenmenge, die ein Node abrufen darf, noch reserviert sie automatisch Speicher. Große Datensätze, viele Nodes in einem Workflow oder der Code-Node treiben den Arbeitsspeicherbedarf entsprechend nach oben, und genau das trifft einen Pi mit typischerweise 4 bis 8 GB RAM schneller als einen Server mit 16 GB oder mehr. Bei KI-Agenten-Workflows kommt hinzu, dass ein lokal auf dem Pi betriebenes Sprachmodell, etwa über Ollama, sich den ohnehin knappen Arbeitsspeicher und die begrenzte CPU-Leistung mit n8n teilen muss. Community-Berichte zu lokalen Modellaufrufen über die Ollama-Integration in n8n beschreiben spürbar längere Antwortzeiten gegenüber Cloud-APIs, auf leistungsfähigerer Hardware ebenso wie erst recht auf einem Pi ohne dedizierte Grafikbeschleunigung. Für produktive KI-Agenten, mehrere parallele Ausführungen oder größere Modelle ist ein Raspberry Pi damit ehrlicherweise die falsche Plattform.

Praktische Hinweise für den Betrieb

• Arbeitsspeicher-Reserve einplanen: Kalkulieren Sie nicht mit dem Minimum, sondern mit Puffer für Ausführungshistorie, Logs und gleichzeitige Workflows.
• Externe KI-Modelle statt lokaler Inferenz: Nodes, die eine Cloud-API ansprechen, entlasten den Pi spürbar gegenüber lokal gehosteten Modellen.
• PostgreSQL statt SQLite bei mehreren Nutzern: Für stabilen Mehrbenutzerbetrieb empfiehlt sich eine externe Datenbank statt der Standard-SQLite-Datei.
• Datenmengen in Workflows begrenzen: Kleinere Batches statt große Einzelabfragen halten den Arbeitsspeicherbedarf im Rahmen dessen, was ein Pi leisten kann.

Wenn n8n bei Ihnen mehrere produktive Workflows oder KI-Agenten dauerhaft tragen soll, lohnt sich meist der Wechsel auf einen kleinen Server statt eines Pi-Bastelprojekts. Wir bei NordFlux richten n8n-Umgebungen mit Festpreis ein und achten dabei auf deutsche Datenhoheit, mehr dazu finden Sie unter n8n-Automatisierung.

Häufige Fragen zu n8n auf Raspberry Pi

Läuft n8n auf jedem Raspberry-Pi-Modell?

Technisch lässt sich n8n auf den meisten Modellen mit 64-Bit-Betriebssystem installieren, praktisch nutzbar für Dauerbetrieb sind aber vor allem Pi 4 und Pi 5 mit ausreichend Arbeitsspeicher. Ältere oder sehr kleine Modelle wie der Pi Zero stoßen laut Berichten aus dem n8n-Forum schnell an ihre Grenzen bei RAM und CPU.

Brauche ich zwingend ein 64-Bit-Betriebssystem?

Ja. Das offizielle n8n-Docker-Image wird für linux/arm64 gebaut, nicht für die ältere 32-Bit-Architektur. Auf einem Pi mit 32-Bit-Raspberry-Pi-OS lässt sich das Image nicht direkt nutzen, hier ist ein Umstieg auf die 64-Bit-Version des Betriebssystems nötig.

Kann ich KI-Agenten mit lokalen Sprachmodellen auf dem Pi betreiben?

Grundsätzlich ja, in der Praxis aber nur eingeschränkt. Lokale Modelle über Ollama teilen sich Arbeitsspeicher und Rechenleistung mit n8n, ohne dedizierte Grafikbeschleunigung sind Antwortzeiten laut Community-Erfahrungen deutlich länger als bei Cloud-APIs. Für gelegentliche Tests reicht das, für produktive KI-Agenten meist nicht.

Wann sollte ich vom Pi auf einen richtigen Server wechseln?

Sobald mehrere Workflows parallel laufen, größere Datenmengen verarbeitet werden oder KI-Agenten regelmäßig produktiv genutzt werden sollen, wird ein kleiner Server oder VPS mit mehr Arbeitsspeicher und Rechenleistung zur besseren Wahl. Der Pi bleibt dann eine gute Lösung für Test- und Lernumgebungen.