n8n + Ollama : Automatisierung mit 100 % KI locale

#Warum n8n und Ollama kombinieren?

n8n ist ein visueller Orchestrator: Sie verbinden Knoten (Trigger, HTTP, Datenbank, LLM …), ohne Code zu schreiben, und der Workflow läuft im Hintergrund, ausgelöst durch einen Cronjob, einen Webhook oder ein E-Mail-Postfach. Alle auf den breiten Markt ausgerichteten Konkurrenten (Zapier, Make, Power Automate) rechnen nach Nutzungsvolumen ab und verlangen, dass Ihre Daten über ihre Server laufen.

Ollama wiederum stellt ein lokales LLM unter http://localhost:11434 über eine kompatible HTTP-API bereit. Seit Ende 2023 enthält n8n einen nativen Ollama-Knoten (und einen OpenAI-kompatiblen Knoten, der ebenfalls funktioniert). Das Ergebnis: Ein Workflow, der Kunden-PDFs zusammenfasst oder E-Mails der Personalabteilung sortiert, sorgt dafür, dass kein einziges Byte Ihre Infrastruktur verlässt.

#Voraussetzungen

Ollama installiert

Daemon auf Port 11434 aktiv. Prüfen Sie dies mit curl http://localhost:11434. Wenn Sie bei null anfangen, folgen Sie zunächst der Ollama-Installationsanleitung auf dieser Website.

Ein heruntergeladenes Modell

ollama pull qwen3.5:9b für Vielseitigkeit oder qwen3.5:4b, wenn Sie es leichter möchten. Für Klassifizierungs-Workflows ist granite4.2:8b solide und sehr sparsam beim Tokenverbrauch.

Docker + Docker Compose

n8n wird mit Docker in wenigen Sekunden bereitgestellt. Docker Desktop unter Windows/macOS, Docker Engine unter Linux.

8 GB RAM frei

n8n benötigt ~500 MB, Ollama lädt das Modell in den VRAM (~6,6 GB für ein 9B-Modell in Q4). Planen Sie großzügig, wenn Sie mehrere Workflows gleichzeitig ausführen möchten.

Ein wenig Geduld für No-Code

n8n ist visuell, aber nicht magisch: Das Verständnis von JSON und den Ausdrücken {{ $json.field }} bleibt nützlich.

#1. n8n mit Docker selbst hosten und installieren

Die offizielle und einfachste Methode ist ein vom n8n-Team gepflegtes Docker-Image. Erstellen Sie einen eigenen Ordner und eine Datei 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"

Die Zeile extra_hosts ist entscheidend: Aus dem n8n-Container heraus rufen Sie Ollama über http://host.docker.internal:11434 statt über localhost auf (das auf den Container selbst verweisen würde). Nur unter Linux benötigt dieser Kniff die Direktive host-gateway.

docker compose up -d
docker compose logs -f n8n

Öffnen Sie http://localhost:5678. Beim ersten Zugriff fordert n8n Sie auf, ein Eigentümerkonto anzulegen – es bleibt lokal, und es gibt keine verpflichtende Telemetrie. Nach der Anmeldung gelangen Sie auf die leere Arbeitsfläche.

#2. Den Ollama-Knoten in n8n konfigurieren

n8n bietet zwei Möglichkeiten, Ollama aufzurufen: den dedizierten Knoten „Ollama Chat Model“ (integriert in den LangChain-Zweig von n8n) und einen generischen HTTP-Aufruf. Der dedizierte Knoten ist die sauberere Lösung für Agenten und Chains; der HTTP-Aufruf bietet mehr Kontrolle. Beide funktionieren.

1. 01
   Einen Ollama-Knoten hinzufügen

   Geben Sie auf dem Canvas '/' ein und suchen Sie nach "Ollama". Wählen Sie "Ollama Chat Model" (unter AI > Language Models).
2. 02
   Einen Zugangsdaten-Eintrag erstellen

   Klicken Sie im Feld Credential auf „Create new“. Base URL: http://host.docker.internal:11434 (aus dem Docker-Container heraus) oder http://localhost:11434, wenn n8n nativ läuft. Kein API-Schlüssel — alles läuft lokal.
3. 03
   Verbindung testen

   n8n testet automatisch und listet die verfügbaren Modelle auf. Wenn die Liste leer ist, führen Sie zur Überprüfung vom Host aus docker exec n8n curl http://host.docker.internal:11434/api/tags aus.
4. 04
   Das Modell auswählen

   Wählen Sie im Dropdown-Menü Model qwen3.5:9b aus (oder das Modell, das Sie heruntergeladen haben). Lassen Sie Temperature beim Standardwert 0.7 und senken Sie den Wert für deterministische Aufgaben (Klassifikation, Extraktion) auf 0.2.

#3. Erster Workflow: einen RSS-Feed zusammenfassen

Typischer Anwendungsfall: Sie verfolgen 15 Tech-Blogs und möchten eine tägliche Zusammenfassung auf Französisch, ohne alles zu lesen. n8n ruft die neuen Artikel ab, Ollama fasst sie zusammen, und das Ergebnis wird per E-Mail versendet oder in eine Markdown-Datei geschrieben.

1. 01
   Trigger: Schedule Trigger

   Stellen Sie den Trigger so ein, dass er täglich um 7 Uhr auslöst. Im Modus „Cron expression“: 0 7 * * *.
2. 02
   Feed abrufen: RSS Feed Trigger oder RSS Read

   URL des Feeds (z. B. https://blog.lemondeinformatique.fr/feed/). Aktivieren Sie "Return only new items", damit ältere Einträge nicht erneut zusammengefasst werden.
3. 03
   Wenn nötig aufteilen: Split In Batches

   Wenn der Datenstrom 10 Artikel liefert, begrenzen Sie die Anzahl auf 5, um Ollama nicht zu überlasten. Batch size: 1, um Artikel einzeln zu verarbeiten.
4. 04
   Ollama aufrufen

   Ollama Chat Model-Knoten mit diesem Systemprompt und dem Artikel als Benutzernachricht.

{
  "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
   Zusammenfassungen zusammenführen: Merge oder Code

   Kombinieren Sie die Artikel-Ausgaben Artikel für Artikel zu einem einzigen E-Mailtext. Ein Codeknoten (JavaScript) mit items.map(i => `**${i.json.title}**\n${i.json.response}`).join('\n\n') reicht aus.
2. 02
   Senden: Send Email oder eine Datei schreiben

   Email-Node (SMTP) zum Senden an Ihre Adresse oder Write Binary File-Node zum Schreiben nach /home/node/.n8n/daily-digest.md (dauerhaft im Docker-Volume gespeichert).

#4. Workflow: Übersetzung von eingehenden E-Mails

Typischer Fall: Sie erhalten Lieferanten-E-Mails auf Englisch, Deutsch und Spanisch. Sie möchten sie auf Französisch lesen, ohne Google Translate zu verwenden (das den Inhalt absaugt). n8n überwacht Ihr IMAP-Postfach, Ollama übersetzt, und das Ergebnis landet unter dem Label „Übersetzt“ oder in einem Antwortentwurf.

1. 01
   Trigger: IMAP Email

   Konfigurieren Sie Ihre IMAP-Zugangsdaten (Gmail erfordert ein App-Passwort). Filter: alle ungelesenen E-Mails im Ordner INBOX. Abfrage alle 10 Minuten.
2. 02
   Spracherkennung: Ollama #1

   Erster Aufruf von Ollama mit Systemprompt: "Antworte ausschließlich mit dem ISO 639-1-Code der Sprache dieses Textes (fr, en, de, es...). Kein Satz, nur zwei Buchstaben." Prompt: {{ $json.subject }} {{ $json.textPlain }}.
3. 03
   Verzweigen: IF-Knoten

   Bedingung: {{ $json.response }} ≠ "fr". Wenn wahr → übersetzen. Wenn falsch → ignorieren (bereits auf Französisch).
4. 04
   Übersetzen: Ollama #2

   Systemprompt: „Übersetzen Sie den folgenden Text in natürliches Französisch. Behalten Sie die Formatierung (Absätze, Listen) bei. Kommentieren Sie nicht, sondern übersetzen Sie direkt.“ Prompt: der Text der E-Mail.
5. 05
   Abschließende Aktion

   Zwei Optionen: der Gmail-Knoten „Add Label“ plus das Einfügen der Übersetzung am Anfang der Nachricht über „Reply Draft“, oder einfach das Senden einer Slack-/Telegram-Benachrichtigung mit der übersetzten Version.

#5. Workflow: eingehende Leads klassifizieren

Typischer Anwendungsfall: Ein Kontaktformular füllt eine Airtable-/Notion-/Postgres-Datenbank. Sie möchten jeden Lead automatisch klassifizieren: Hot / Warm / Cold, Branche, Dringlichkeit. n8n überwacht die Datenbank, Ollama liest die frei formulierte Nachricht und schreibt die strukturierten Tags.

Dieser Workflow nutzt den JSON-Modus von Ollama, der die Ausgabe dazu zwingt, einem Schema zu entsprechen. Unverzichtbar, sobald es um strukturierte Daten geht.

{
  "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

   Bei „New row in table Leads“. Polling alle 5 Minuten oder ein Webhook, wenn Ihre Quelle dies unterstützt (reagiert schneller).
2. 02
   Ollama im JSON-Modus aufrufen

   HTTP Request-Knoten mit POST an http://host.docker.internal:11434/api/generate und dem oben angegebenen Body. Die Antwort steht in $json.response (JSON-String).
3. 03
   Parser: Code- oder Setknoten

   JSON.parse($input.first().json.response) extrahiert temperature, secteur, urgence. Wenn das Parsen fehlschlägt (das Modell halluziniert), den Vorgang mit einer Temperatur von 0 wiederholen.
4. 04
   Ins CRM schreiben

   Airtable Update / Postgres Update-Knoten mit den drei Feldern. Optional: Wenn temperature = Hot und urgence ≥ 4, einen Slack-Knoten auslösen, der commercial@boite.fr anpingt.

#Tipps & Fehlerbehebung

n8n erreicht Ollama nicht

Fehler ECONNREFUSED bei localhost:11434? Sie befinden sich in Docker — verwenden Sie host.docker.internal. Prüfen Sie unter Linux, ob extra_hosts in der Compose-Datei enthalten ist und ob Ollama auf 0.0.0.0 lauscht (OLLAMA_HOST=0.0.0.0:11434).

Langsamer Workflow

Ollama lädt das Modell bei einem Kaltstart (beim ersten Mal 5–15 Sekunden). Damit es geladen bleibt, richten Sie parallel einen Cronjob ein, der alle 4 Minuten /api/generate anpingt, oder erhöhen Sie die Haltezeit mit OLLAMA_KEEP_ALIVE=30m.

Das Modell halluziniert bei der Klassifikation

Immer format: "json" zusammen mit einem Systemprompt verwenden, der die zulässigen Werte auflistet. Wenn das 9B-Modell in Q4 weiterhin unpräzise bleibt, verbessert der Wechsel zu qwen3.5:9b-q8_0 die Robustheit der JSON-Ausgabe deutlich.

Verloren gegangene Docker-Volumes

Der Workflow und die Zugangsdaten befinden sich in ./n8n_data. Löschen Sie diesen Ordner niemals ohne Backup. Exportieren Sie Ihre Workflows über das Menü (Settings > Workflows > Download) als JSON, um sie mit Git zu versionieren.

Zu viele Aufrufe = VRAM voll ausgelastet

Wenn ein Workflow 20 Ollama-Aufrufe parallel auslöst, ist die GPU ausgelastet. Verwenden Sie Split In Batches mit einer Batch-Größe von 1 oder setzen Sie OLLAMA_NUM_PARALLEL=1, damit die Aufrufe nacheinander ausgeführt werden.

n8n-Versionen

n8n veröffentlicht eine Major-Release alle ~10 Tage. docker compose pull && docker compose up -d führt zur Aktualisierung. Der Knoten Ollama ist seit Version 1.18+ stabil.

#Weiterführende Informationen

Sie haben einen funktionierenden Workflow mit n8n + Ollama. Hier sind einige naheliegende nächste Schritte:

RAG anbinden

Die RAG-Anleitung zu ChromaDB auf dieser Website zeigt, wie Sie Ihre PDFs und Notizen indexieren. Sie können diese RAG-Pipeline von n8n aus über einen HTTP-Endpunkt aufrufen – so nutzen Ihre Workflows Ihre Wissensbasis als Kontext.

Modell optimieren

Wenn Ihre Workflows große Datenmengen verarbeiten, lesen Sie den Leitfaden zur Quantisierung Q4/Q5/Q8: Der Wechsel auf Q4_K_M kann die VRAM halbieren, ohne dass sich die Leistung bei der Klassifikation merklich verschlechtert.

Eine dedizierte GPU wählen

Wenn n8n + Ollama 24/7 auf einer Maschine laufen sollen, gibt der GPU-Kaufguide der Website die Schwellenwerte 12/16/24 GB gemäß Ihren Ziel-Workflows an.