AI Starter Kit: Ollama + Qdrant + n8n в виде Docker-стека

Тот, кто хочет создавать локальные ИИ-воркфлоу, не отправляя данные облачным провайдерам, найдёт в Self-hosted AI Starter Kit от n8n готовый шаблон Docker Compose. Он одной командой запускает n8n для оркестрации воркфлоу, Ollama для локальных языковых моделей, Qdrant как векторную базу данных и PostgreSQL как хранилище данных. В официальной документации n8n набор описывается как подобранная коллекция ИИ-компонентов, с помощью которых можно быстро создавать ИИ-воркфлоу, полная настройка находится в репозитории GitHub n8n-io/self-hosted-ai-starter-kit. Там указано, что набор задуман именно как отправная точка, а не как готовое к продакшену решение. Состояние на: июль 2026.

Четыре составляющих стека

Стек объединяет четыре контейнера, каждый из которых выполняет чётко определённую задачу. Согласно README репозитория, это следующие компоненты:

• n8n: низкокодовая платформа с более чем 400 интеграциями и собственными компонентами для ИИ-агентов, она оркестрирует воркфлоу и связывает остальные сервисы между собой.
• Ollama: кроссплатформенная среда для установки и запуска актуальных локальных языковых моделей, без того чтобы запросы покидали собственную сеть.
• Qdrant: векторная база данных с открытым исходным кодом и производительным API, которая хранит эмбеддинги и используется для семантического поиска, а также для воркфлоу Retrieval-Augmented-Generation.
• PostgreSQL: отвечает за постоянное хранение данных, в том числе для самого n8n и истории воркфлоу.

Профили GPU: Nvidia, AMD или только CPU

Стек можно адаптировать к имеющемуся оборудованию через профили Docker Compose. Для видеокарт Nvidia команда docker compose --profile gpu-nvidia up запускает стек с ускорением на GPU, в Linux аналогично это работает для карт AMD через профиль gpu-amd. Без выделенной GPU стек также работает в профиле CPU, тогда вычисление модели берёт на себя процессор, что при более крупных моделях занимает заметно больше времени. На Mac GPU нельзя напрямую передать в Docker, здесь документация рекомендует запускать Ollama локально на хост-системе и запускать n8n обычным образом через docker compose up.

Установка за несколько шагов

Начало работы следует обычной схеме Docker Compose: клонировать репозиторий с GitHub, скопировать файл .env.example в .env и настроить в нём секреты и пароли, затем выполнить соответствующую команду профиля. После запуска n8n доступен по адресу http://localhost:5678/, где один раз настраивается учётная запись пользователя. В набор входит готовый пример воркфлоу, который можно сразу протестировать через кнопку чата. Для обмена данными между воркфлоу и локальной файловой системой в контейнеры дополнительно подключена общая папка по пути /data/shared. Тот, кто поддерживает стек в актуальном состоянии, использует для обновлений соответствующие команды pull и create перед повторным запуском с нужным профилем.

Для чего подходит стек и где локальные модели достигают своих пределов

В качестве примеров воркфлоу в репозитории названы, среди прочего, ИИ-агенты для планирования встреч, суммирование PDF-документов, расширение Slack-ботов, а также анализ финансовых документов, плюс шаблоны для налоговых тем и анализа документов с Qdrant и моделью Mistral. Общий знаменатель: конфиденциальные документы, такие как счета, договоры или данные клиентов, не покидают собственную инфраструктуру. Это ключевое преимущество перед облачными API. Если честно, локальные модели, работающие на стандартном оборудовании, пока заметно уступают крупным облачным моделям по скорости ответа и качеству рассуждений, особенно при сложных многоступенчатых задачах. Для чётко ограниченных задач, таких как классификация, суммирование или простое извлечение данных, производительности часто достаточно, особенно если защита данных и контроль над инфраструктурой важнее максимального качества модели. Компаниям, которые хотят использовать такую архитектуру в продакшене и с надлежащей защитой, обычно стоит оценить, какие сценарии использования подходят для ИИ-агентов на собственной инфраструктуре, а где более разумным будет гибридное решение. NordFlux помогает с выбором и настройкой таких стеков в рамках проектов автоматизации.

Часто задаваемые вопросы о n8n AI Starter Kit, Ollama и Qdrant

Подходит ли Self-hosted AI Starter Kit для продуктивной эксплуатации?

Согласно официальной документации n8n, однозначно нет без дополнительной работы: набор "не полностью оптимизирован для продуктивных сред" и перед продуктивным использованием его следует адаптировать, обезопасить и укрепить.

Обязательно ли нужна видеокарта для работы стека?

Нет. Существует отдельный профиль CPU, с которым стек работает и без GPU, однако вычисление модели в этом случае занимает больше времени. Видеокарты Nvidia и AMD ускоряют Ollama через соответствующие профили GPU, на Mac Ollama вместо этого запускается напрямую на хосте.

Под какой лицензией распространяется Self-hosted AI Starter Kit?

Репозиторий распространяется под лицензией Apache License 2.0, полные условия можно найти в файле LICENSE репозитория GitHub.

Можно ли встроить в стек собственные воркфлоу n8n?

Да. Настройка Docker Compose служит базовым каркасом, на основе которого можно строить собственные воркфлоу, дополнительные интеграции и адаптированные модели, входящий в комплект пример воркфлоу показывает лишь базовую структуру.