AI Starter Kit: Ollama + Qdrant + n8n en pile Docker

Quiconque souhaite construire des workflows d'IA locaux sans envoyer de données à des fournisseurs cloud trouve dans le Self-hosted AI Starter Kit de n8n un modèle Docker Compose prêt à l'emploi. Il démarre n8n comme orchestration de workflows, Ollama pour les modèles de langage locaux, Qdrant comme base de données vectorielle et PostgreSQL comme stockage de données, en une seule commande. Dans la documentation officielle de n8n le kit est décrit comme une collection organisée d'éléments d'IA permettant de créer rapidement des workflows d'IA, la configuration complète se trouve dans le dépôt GitHub n8n-io/self-hosted-ai-starter-kit. Il y est indiqué que le kit est explicitement conçu comme un point de départ et non comme une solution prête pour la production. État: juillet 2026.

Les quatre briques de la pile

La pile combine quatre conteneurs, chacun assumant une tâche clairement délimitée. Selon le README du dépôt, il s'agit des éléments suivants:

• n8n: la plateforme low-code avec plus de 400 intégrations et ses propres composants pour les agents IA, elle orchestre les workflows et connecte les autres services entre eux.
• Ollama: un environnement multiplateforme pour installer et exécuter des modèles de langage locaux actuels, sans que les requêtes ne quittent votre propre réseau.
• Qdrant: une base de données vectorielle open source dotée d'une API performante, qui stocke les embeddings et est utilisée pour la recherche sémantique ainsi que pour les workflows de Retrieval-Augmented-Generation.
• PostgreSQL: assure le stockage persistant des données, notamment pour n8n lui-même et l'historique des workflows.

Profils GPU: Nvidia, AMD ou CPU seul

La pile peut être adaptée au matériel disponible via des profils Docker Compose. Pour les cartes graphiques Nvidia, la commande docker compose --profile gpu-nvidia up démarre la pile avec accélération GPU, sous Linux cela fonctionne de manière analogue pour les cartes AMD via le profil gpu-amd. Sans GPU dédié, la pile fonctionne aussi avec le profil CPU, c'est alors le processeur qui prend en charge le calcul du modèle, ce qui prend nettement plus de temps avec des modèles plus volumineux. Sur Mac, le GPU ne peut pas être transmis directement à Docker, la documentation recommande dans ce cas d'exécuter Ollama localement sur le système hôte et de démarrer n8n normalement via docker compose up.

Installation en quelques étapes

La mise en route suit le schéma habituel de Docker Compose: cloner le dépôt depuis GitHub, copier le fichier .env.example en .env et y ajuster les secrets ainsi que les mots de passe, puis exécuter la commande de profil appropriée. Après le démarrage, n8n est accessible sous http://localhost:5678/, où un compte utilisateur est configuré une seule fois. Le kit fournit un workflow d'exemple intégré, qui peut être testé directement via le bouton de chat. Pour l'échange de données entre les workflows et le système de fichiers local, un dossier partagé sous /data/shared est en outre monté dans les conteneurs. Pour maintenir la pile à jour, on utilise les commandes pull et create correspondantes avant de redémarrer avec le profil respectif.

À quoi sert la pile, et où les modèles locaux atteignent leurs limites

Comme workflows d'exemple, le dépôt cite notamment des agents IA pour la planification de rendez-vous, le résumé de documents PDF, l'extension de bots Slack ainsi que l'analyse de documents financiers, ainsi que des modèles pour les questions fiscales et l'analyse de documents avec Qdrant et un modèle Mistral. Le dénominateur commun: les documents sensibles tels que les factures, les contrats ou les données clients ne quittent pas votre propre infrastructure. C'est l'avantage central par rapport aux API cloud. En toute honnêteté, les modèles locaux qui fonctionnent sur du matériel courant sont actuellement encore nettement en retard par rapport aux grands modèles cloud en termes de vitesse de réponse et de qualité de raisonnement, en particulier pour les tâches complexes en plusieurs étapes. Pour des tâches clairement délimitées comme la classification, le résumé ou une extraction simple, la performance est cependant souvent suffisante, surtout lorsque la protection des données et le contrôle de l'infrastructure sont plus importants que la qualité maximale du modèle. Pour les entreprises qui souhaitent utiliser une telle architecture en production et de manière sécurisée, il vaut généralement la peine d'évaluer quels cas d'usage conviennent aux agents IA sur une infrastructure propre et où une solution hybride est plus judicieuse. NordFlux accompagne le choix et la mise en place de telles piles dans le cadre de projets d'automatisation.

Questions fréquentes sur n8n AI Starter Kit, Ollama et Qdrant

Le Self-hosted AI Starter Kit est-il adapté à un usage en production?

Selon la documentation officielle de n8n, explicitement non sans travail supplémentaire: le kit n'est "pas entièrement optimisé pour les environnements de production" et doit être adapté, sécurisé et durci avant une utilisation en production.

Ai-je absolument besoin d'une carte graphique pour exploiter la pile?

Non. Il existe un profil CPU dédié, qui permet à la pile de fonctionner même sans GPU, mais le calcul du modèle prend alors plus de temps. Les cartes graphiques Nvidia et AMD accélèrent Ollama via les profils GPU respectifs, sur Mac, Ollama est à la place exécuté directement sur l'hôte.

Sous quelle licence le Self-hosted AI Starter Kit est-il publié?

Le dépôt est sous licence Apache License 2.0, les conditions complètes se trouvent dans le fichier LICENSE du dépôt GitHub.

Puis-je intégrer mes propres workflows n8n dans la pile?

Oui. La configuration Docker Compose sert de socle de base sur lequel peuvent être construits vos propres workflows, des intégrations supplémentaires et des modèles adaptés, le workflow d'exemple fourni ne montre que la structure de base.