AI Starter Kit: Ollama + Qdrant + n8n como stack de Docker

Quien quiera crear workflows de IA locales sin enviar datos a proveedores en la nube encontrará en el Self-hosted AI Starter Kit de n8n una plantilla de Docker Compose lista para usar. Esta inicia n8n como orquestación de workflows, Ollama para modelos de lenguaje locales, Qdrant como base de datos vectorial y PostgreSQL como almacenamiento de datos, con un único comando. En la documentación oficial de n8n se describe el kit como una selección organizada de elementos de IA con los que se pueden crear workflows de IA rápidamente, la configuración completa se encuentra en el repositorio de GitHub n8n-io/self-hosted-ai-starter-kit. Allí se indica que el kit está pensado explícitamente como punto de partida y no como una solución lista para producción. Estado: julio de 2026.

Los cuatro componentes del stack

El stack combina cuatro contenedores, cada uno con una tarea claramente delimitada. Según el README del repositorio, estos son en concreto:

• n8n: la plataforma low-code con más de 400 integraciones y componentes propios para agentes de IA, orquesta los workflows y conecta los demás servicios entre sí.
• Ollama: un entorno multiplataforma para instalar y ejecutar modelos de lenguaje locales actuales, sin que las solicitudes salgan de la propia red.
• Qdrant: una base de datos vectorial de código abierto con una API de alto rendimiento, que almacena embeddings y se utiliza para búsqueda semántica así como para workflows de Retrieval-Augmented-Generation.
• PostgreSQL: se encarga del almacenamiento persistente de datos, entre otros para el propio n8n y el historial de workflows.

Perfiles de GPU: Nvidia, AMD o solo CPU

El stack se puede adaptar al hardware disponible mediante perfiles de Docker Compose. Para tarjetas gráficas Nvidia, el comando docker compose --profile gpu-nvidia up inicia el stack con aceleración por GPU, en Linux esto funciona de forma análoga para tarjetas AMD mediante el perfil gpu-amd. Sin una GPU dedicada, el stack también funciona en el perfil CPU, en cuyo caso el procesador se encarga del cálculo del modelo, lo que tarda notablemente más con modelos más grandes. En Mac, la GPU no se puede pasar directamente a Docker, aquí la documentación recomienda ejecutar Ollama localmente en el sistema host e iniciar n8n normalmente mediante docker compose up.

Instalación en pocos pasos

El inicio sigue el patrón habitual de Docker Compose: clonar el repositorio de GitHub, copiar el archivo .env.example a .env y ajustar en él los secretos y las contraseñas, después ejecutar el comando de perfil correspondiente. Tras el inicio, n8n está disponible en http://localhost:5678/, donde se configura una cuenta de usuario una única vez. El kit incluye un workflow de ejemplo integrado, que se puede probar directamente mediante el botón de chat. Para el intercambio de datos entre los workflows y el sistema de archivos local, además se monta en los contenedores una carpeta compartida en /data/shared. Quien mantiene el stack actualizado utiliza para las actualizaciones los comandos pull y create correspondientes antes de reiniciar con el perfil respectivo.

Para qué sirve el stack, y dónde los modelos locales alcanzan sus límites

Como workflows de ejemplo, el repositorio menciona entre otros agentes de IA para la planificación de citas, el resumen de documentos PDF, la ampliación de bots de Slack así como el análisis de documentos financieros, además de plantillas para temas fiscales y análisis de documentos con Qdrant y un modelo Mistral. El denominador común: los documentos sensibles como facturas, contratos o datos de clientes no salen de la propia infraestructura. Esa es la ventaja central frente a las API en la nube. Siendo honestos, los modelos locales que se ejecutan en hardware convencional todavía están actualmente notablemente por detrás de los grandes modelos en la nube en velocidad de respuesta y calidad de razonamiento, especialmente en tareas complejas de varios pasos. Para tareas claramente delimitadas como clasificación, resumen o extracción sencilla, el rendimiento suele ser suficiente, sobre todo cuando la protección de datos y el control sobre la infraestructura son más importantes que la máxima calidad del modelo. Para las empresas que quieren usar una arquitectura así de forma productiva y segura, suele valer la pena evaluar qué casos de uso son adecuados para los agentes de IA en infraestructura propia y dónde tiene más sentido una solución híbrida. NordFlux apoya la selección y configuración de este tipo de stacks en el marco de proyectos de automatización.

Preguntas frecuentes sobre n8n AI Starter Kit, Ollama y Qdrant

¿Es el Self-hosted AI Starter Kit adecuado para un entorno de producción?

Según la documentación oficial de n8n, expresamente no sin trabajo adicional: el kit "no está completamente optimizado para entornos de producción" y debe adaptarse, asegurarse y reforzarse antes de un uso productivo.

¿Necesito obligatoriamente una tarjeta gráfica para ejecutar el stack?

No. Existe un perfil de CPU propio con el que el stack también funciona sin GPU, aunque el cálculo del modelo tarda entonces más. Las tarjetas gráficas Nvidia y AMD aceleran Ollama mediante los respectivos perfiles de GPU, en Mac Ollama se ejecuta en su lugar directamente en el host.

¿Qué licencia tiene el Self-hosted AI Starter Kit?

El repositorio está bajo la Apache License 2.0, las condiciones completas se encuentran en el archivo LICENSE del repositorio de GitHub.

¿Puedo integrar mis propios workflows de n8n en el stack?

Sí. La configuración de Docker Compose sirve como estructura básica sobre la que se pueden construir workflows propios, integraciones adicionales y modelos adaptados, el workflow de ejemplo incluido solo muestra la estructura básica.