Qu'est-ce que le n8n Self-Hosted AI Starter Kit ?
Le Self-hosted AI Starter Kit est un modèle Docker Compose, pas un nouveau logiciel — sa propre description GitHub le qualifie de « an open, docker compose template » qui aide à « initialiser rapidement un environnement de développement local complet dédié à l'IA et au low-code ». Il combine quatre projets open source maintenus séparément (n8n, Ollama, Qdrant et PostgreSQL) en une configuration pré-câblée, offrant une stack IA locale fonctionnelle sans avoir à installer et connecter chaque élément manuellement.
- Fonction principale : un
docker-compose.ymlet des fichiers de configuration associés qui démarrent n8n, Ollama, Qdrant et PostgreSQL ensemble, pré-connectés pour communiquer entre eux - n8n : une plateforme d'automatisation de workflows low-code avec plus de 400 intégrations et des nœuds IA/LangChain dédiés pour créer des agents et des automatisations
- Ollama : exécute des modèles de langage ouverts en local, exposé aux workflows n8n comme fournisseur de modèle
- Qdrant : une base de données vectorielle open source utilisée pour stocker et récupérer des embeddings dans des workflows de type RAG
- PostgreSQL : la base de données relationnelle qui alimente le stockage propre des workflows et identifiants de n8n
- Mainteneur : n8n, l'entreprise derrière la plateforme d'automatisation de workflows n8n
- Dépôt canonique : github.com/n8n-io/self-hosted-ai-starter-kit — source des étapes d'installation et de l'historique de version utilisés dans ce test
Historique du projet et modifications récentes du starter kit
Le kit n'a pas de versions publiées ; son historique de commits est la seule trace de ses changements. Le dépôt GitHub ne publie ni versions ni tags : les commits datés de la branche par défaut, ci-dessous, sont donc les seuls éléments vérifiables.
- 1Ensemble de base de quatre services
Why it matters: Le fichier compose relie n8n, Ollama, Qdrant et PostgreSQL, importe au premier démarrage un workflow de démo et deux identifiants préconfigurés (« Local Ollama service » et « Local QdrantApi database »), et télécharge automatiquement le modèle `llama3.2`. - 2Profils Compose GPU
Why it matters: Des profils `gpu-nvidia` et `gpu-amd` distincts complètent le profil `cpu` par défaut, ce qui permet à Ollama d'utiliser un GPU pris en charge au lieu d'exécuter chaque modèle sur le CPU. - 31 septembre 2025 — Workflow de démo mis à jour
Why it matters: Le message du commit indique « Use latest version of Basic LLM Chain, to avoid fallback model issues ». - 46 janvier 2026 — Dernière modification du fichier compose
Why it matters: Le commit « Skip demo import if workflows already exist » a modifié `docker-compose.yml` pour qu'un redémarrage ne réimporte pas la démo dans une instance n8n qui contient déjà des workflows. - 523 juillet 2026 — Dernier commit de la branche par défaut
Why it matters: Le commit « Fixed broken link in the readme. No significant changes » n'a touché que `README.md`.
Que peut-on faire avec le Starter Kit ?
La valeur du starter kit réside dans ce que les services inclus font ensemble, pas dans une nouvelle fonctionnalité propre. Voici ce que chaque composant fait réellement, selon le README GitHub officiel.
- Automatisation de workflows en local — créer et exécuter des automatisations dans l'éditeur visuel de n8n, en utilisant l'une de ses plus de 400 intégrations ainsi que des nœuds IA/LangChain dédiés à la création d'agents
- Serveur API local — chaque instance n8n incluse expose la propre API REST de n8n, permettant de déclencher ou gérer des workflows par programmation depuis d'autres services locaux, pas seulement depuis l'interface de n8n
- Inférence LLM locale — Ollama exécute localement des modèles à poids ouverts (Llama, Qwen, Gemma, etc.) et se présente aux workflows n8n comme fournisseur de modèles, sans clé API externe ; le fichier compose télécharge automatiquement
llama3.2au premier démarrage - Stockage vectoriel local pour le RAG — Qdrant stocke et récupère les embeddings, et le kit crée dans n8n l'identifiant « Local QdrantApi database » ; le workflow de démo fourni ne l'utilise pas : un pipeline RAG se construit en ajoutant Qdrant comme magasin vectoriel dans votre propre workflow
- Stockage persistant des workflows et identifiants — PostgreSQL alimente la propre base de données de n8n, de sorte que workflows, identifiants et historique d'exécution persistent au redémarrage des conteneurs
- Profils d'accélération GPU — des profils Compose distincts (
cpu,gpu-nvidia,gpu-amd) permettent à Ollama d'utiliser le matériel GPU disponible pour une inférence locale plus rapide là où c'est pris en charge - Accès partagé aux fichiers — un dossier monté
/data/sharedpermet à n8n de lire et d'écrire des fichiers locaux via des nœuds comme Read/Write Files from Disk, Local File Trigger et Execute Command, utile pour les workflows d'ingestion de documents - Workflow de démo préchargé — le kit importe au premier démarrage un workflow (« Demo workflow » : Chat Trigger, Basic LLM Chain et un Ollama Chat Model réglé sur
llama3.2:latest) ; ouvrez-le et utilisez le bouton Chat pour dialoguer avec le modèle local
Exemples d'utilisation : trois façons d'utiliser le Starter Kit
Le premier exemple est le workflow de démo du kit lui-même. Les deux autres sont des schémas que vous construisez vous-même à partir des composants inclus, avec des nœuds mentionnés dans le README — le kit ne les fournit pas sous forme de workflows prêts à l'emploi.
Exécuter le workflow de chat de démo préchargé
Après docker compose --profile cpu up, ouvrez n8n sur http://localhost:5678 et terminez la configuration initiale de n8n. Ouvrez le workflow inclus, cliquez sur Chat en bas du canevas et envoyez un message. Au premier lancement, attendez que Ollama ait fini de télécharger llama3.2 ; les journaux Docker indiquent la progression. Aucune clé API cloud n'intervient.
Construire un pipeline d'ingestion de documents via le dossier partagé
Déposez des fichiers dans le dossier monté /data/shared, puis construisez un workflow n8n qui surveille ce dossier (par exemple avec le nœud Local File Trigger), vectorise les nouveaux documents avec un modèle d'embedding Ollama local et les indexe dans Qdrant pour une recherche ultérieure. Vous assemblez ce pipeline vous-même ; le kit fournit les services et les identifiants, pas le workflow.
Étendre le workflow de base avec les plus de 400 intégrations de n8n
Partez du workflow de chat de démo préchargé, puis ajoutez des nœuds pour les services que vous utilisez déjà (e-mail, Slack, un CRM ou un webhook personnalisé) afin qu'une réponse générée par un modèle local déclenche une action ailleurs — en s'appuyant sur le catalogue d'intégrations plus large de n8n au-dessus de la base IA locale du kit.
Installer le Self-Hosted AI Starter Kit
Le starter kit s'installe via git clone et Docker Compose — il n'existe aucune application téléchargeable séparément. Les étapes ci-dessous proviennent du README GitHub officiel — vérifiez toujours directement sur cette page, car les commandes exactes peuvent changer entre les mises à jour.
Étape | Commande / Lien |
|---|---|
| 1. Cloner le dépôt | git clone https://github.com/n8n-io/self-hosted-ai-starter-kit.git |
| 2. Entrer dans le répertoire | cd self-hosted-ai-starter-kit |
| 3. Copier le fichier d'environnement | cp .env.example .env (puis modifiez les mots de passe et secrets par défaut) |
| 4a. Démarrage (CPU seul) | docker compose --profile cpu up |
| 4b. Démarrage (GPU Nvidia) | docker compose --profile gpu-nvidia up |
| 4c. Démarrage (GPU AMD, Linux) | docker compose --profile gpu-amd up |
| 4d. Démarrage (Mac / Apple Silicon) | docker compose up (Ollama tourne sur le Mac, voir la note) |
| Code source | github.com/n8n-io/self-hosted-ai-starter-kit |
n8n est disponible sur http://localhost:5678 une fois la pile démarrée. Les besoins matériels dépendent des modèles exécutés dans Ollama — un petit modèle fonctionne sur une machine modeste en CPU seul, tandis que les modèles plus grands profitent des profils GPU Nvidia ou AMD ; vérifiez la taille d'un modèle dans la bibliothèque d'Ollama avant de le télécharger. Sur un Mac Apple Silicon, Docker ne peut pas utiliser le GPU : le README propose soit un fonctionnement CPU seul, soit Ollama installé sur le Mac lui-même, avec OLLAMA_HOST=host.docker.internal:11434 dans .env, l'identifiant « Local Ollama service » de n8n pointé vers http://host.docker.internal:11434/ et docker compose up lancé sans profil. Le fichier .env.example contient des secrets par défaut (le mot de passe de la base est password) que le README demande de modifier. Docker et Docker Compose sont requis ; le kit n'a pas de build spécifique à un système.
Tarifs et licences
Le starter kit lui-même est gratuit et open source, sous licence Apache-2.0. Comme il réunit d'autres projets open source, il est utile de connaître également la licence et le modèle de coût propres à chaque composant inclus.
Self-hosted AI Starter Kit (ce modèle)
- Licence:
- Apache-2.0, selon le fichier LICENSE du dépôt
- Coût:
- Gratuit
n8n (inclus)
- Licence:
- Sustainable Use License (source disponible, non approuvée par l'OSI) pour un usage self-hosted ; voir le test n8n pour les détails complets
- Coût:
- Gratuit en self-hosted selon les conditions de licence de n8n
Ollama (inclus)
- Licence:
- MIT
- Coût:
- Gratuit
Qdrant (inclus)
- Licence:
- Apache-2.0
- Coût:
- Gratuit
PostgreSQL (inclus)
- Licence:
- PostgreSQL License (permissive)
- Coût:
- Gratuit
Faire tourner l'ensemble de la stack ne coûte rien en licences logicielles — seule l'infrastructure propre (calcul, stockage et éventuellement une GPU) représente un coût réel. En cas d'extension du workflow n8n préchargé pour appeler une API LLM cloud payante ou une intégration tierce payante, la tarification propre à ce fournisseur s'applique ; le starter kit lui-même n'ajoute aucune marge ni aucun abonnement.
Self-Hosted AI Starter Kit vs. n8n seul
Le starter kit ne remplace pas n8n — c'est n8n plus une stack IA locale pré-câblée autour. La façon la plus claire de saisir la différence est de comparer ce que l'on obtient d'emblée à ce qu'il faudrait configurer soi-même.
Ce qui est installé
- Self-Hosted AI Starter Kit:
- n8n + Ollama + Qdrant + PostgreSQL, pré-connectés dans un seul docker-compose.yml
- n8n seul (auto-hébergé):
- n8n uniquement — voir le test n8n pour ses propres étapes d'installation
Inférence LLM locale
- Self-Hosted AI Starter Kit:
- Incluse par défaut via Ollama fourni
- n8n seul (auto-hébergé):
- Non incluse ; un fournisseur de modèle (local ou cloud) est connecté manuellement
Base vectorielle pour le RAG
- Self-Hosted AI Starter Kit:
- Incluse par défaut via Qdrant fourni
- n8n seul (auto-hébergé):
- Non incluse ; une base vectorielle serait ajoutée et connectée soi-même
Workflow d'exemple
- Self-Hosted AI Starter Kit:
- Un workflow de chat de démo (Chat Trigger, Basic LLM Chain, Ollama) et des identifiants Ollama et Qdrant préconfigurés
- n8n seul (auto-hébergé):
- Démarre avec une canvas vide ; des modèles sont disponibles séparément dans la bibliothèque de modèles de n8n
Idéal pour
- Self-Hosted AI Starter Kit:
- Obtenir en quelques minutes un environnement de workflow IA entièrement local, sans connecter les services manuellement
- n8n seul (auto-hébergé):
- Les équipes qui exploitent déjà leur propre infrastructure de modèles ou vectorielle et n'ont besoin que de la couche d'automatisation
Si Ollama ou une base vectorielle tournent déjà ailleurs dans votre infrastructure, installer n8n seul et le connecter à vos services existants peut être plus simple que d'adopter les versions incluses du starter kit. En partant de zéro, le starter kit supprime le travail d'intégration.
À qui s'adresse le Starter Kit ?
La pertinence du starter kit dépend de la volonté d'obtenir un environnement de workflow IA local prêt à l'emploi plutôt que d'assembler soi-même les mêmes composants.
Utilisez le Self-Hosted AI Starter Kit si
- Vous souhaitez essayer des workflows IA locaux et agentiques (RAG, automatisations pilotées par modèle) sans installer et connecter manuellement un outil de workflow, un exécuteur de modèle et une base vectorielle séparément
- Vous vous intéressez déjà à n8n et souhaitez un point de départ orienté IA plutôt qu'une canvas de workflow vide
- Vous voulez un workflow local de chat avec Ollama fonctionnel pour apprendre et le modifier, plutôt que de partir de zéro
- Vous avez besoin que chaque élément de la stack tourne sur votre propre infrastructure, sans clé API cloud requise pour démarrer
- Vous disposez d'une GPU (Nvidia ou AMD sous Linux) et souhaitez un profil Compose préconfiguré qui l'utilise pour l'inférence locale
Attendez ou cherchez ailleurs si
- Vous exploitez déjà n8n, Ollama ou une base vectorielle de façon indépendante et ne voulez pas que les versions incluses du starter kit fassent double emploi ou entrent en conflit avec votre installation existante
- Vous avez besoin d'un framework RAG dédié avec des fonctionnalités de traitement documentaire plus poussées que ce qu'offre un outil d'automatisation de workflows — voir le test RAGFlow ou le test Haystack pour des alternatives dédiées
- Vous voudriez que les conditions de licence self-hosted de n8n (une Sustainable Use License source disponible, non approuvée par l'OSI) soient une licence open source permissive classique pour chaque composant inclus — consultez directement la licence propre à n8n si cette distinction compte pour votre organisation
- Vous avez besoin d'un support d'entreprise ou d'un déploiement de niveau production — le canal d'assistance est le forum n8n, et la documentation de n8n qualifie le kit de « tests uniquement »
Starter Kit vs. autres outils de workflow IA local
Le Self-hosted AI Starter Kit se situe dans l'espace de l'automatisation de workflows et des frameworks RAG, aux côtés de plusieurs autres options auto-hébergeables. Voici comment il se compare aux outils voisins — consultez le Local LLM Software Directory pour le catalogue complet, et le comparatif dédié Starter Kit vs. n8n seul ci-dessus pour le face-à-face le plus proche.
- n8n — la plateforme d'automatisation de workflows sur laquelle ce kit est construit ; voir le comparatif dédié ci-dessus et le test n8n complet pour ses propres modalités d'installation et de licence.
- LangChain-Chatchat — une application RAG et base de connaissances auto-hébergée dotée de sa propre interface intégrée, plutôt qu'une canvas d'automatisation de workflows généraliste ; voir le test LangChain-Chatchat si une application de chat documentaire dédiée convient mieux qu'un constructeur de workflows.
- RAGFlow — un moteur RAG de compréhension documentaire approfondie, axé sur l'analyse de documents complexes (tableaux, mises en page) plus poussée qu'un outil de workflow généraliste ; voir le test RAGFlow.
- Haystack — un framework RAG Python-first pour les développeurs qui préfèrent écrire directement le code du pipeline plutôt qu'utiliser un constructeur de workflows visuel ; voir le test Haystack.
Erreurs fréquentes lors de l'évaluation du Starter Kit
La plupart des confusions autour du Self-hosted AI Starter Kit viennent du fait de le traiter comme une application autonome, de mal comprendre ce qu'il réunit réellement, ou de choisir le mauvais profil Compose.
Erreur 1 : le traiter comme une application autonome séparée de n8n
Le starter kit n'est pas un produit à part — c'est un modèle Docker Compose qui installe et connecte n8n aux côtés d'Ollama, Qdrant et PostgreSQL. Tout ce qui concerne n8n lui-même (fonctionnalités, licence, rythme de publication) s'applique à l'instance n8n qui tourne à l'intérieur de ce kit ; voir le test n8n pour ces détails.
Erreur 2 : supposer qu'il inclut un fournisseur de LLM cloud
Le fournisseur de modèle par défaut et inclus dans le starter kit est Ollama, qui exécute les modèles entièrement en local. Il n'inclut ni ne nécessite aucune clé API LLM cloud — pour ajouter un fournisseur cloud, cela se configure séparément à l'intérieur d'un workflow n8n.
Erreur 3 : exécuter le profil cpu par défaut sur une machine dotée d'une GPU performante
Le fichier Compose fournit trois profils — cpu, gpu-nvidia et gpu-amd — et n'en active aucun par défaut sans indication en ligne de commande. Lancer docker compose --profile cpu up sur une machine dotée d'un GPU Nvidia ou AMD gaspille l'accélération disponible ; utilisez plutôt le profil GPU correspondant. Sur un Mac Apple Silicon, aucun profil ne donne accès au GPU à Docker ; le README suggère d'exécuter Ollama sur le Mac lui-même.
Erreur 4 : attendre du starter kit son propre rythme de publication indépendant
Comme il s'agit d'un modèle de configuration et non d'une application avec sa propre base de code, il ne publie ni versions ni tags. N'attendez pas une pile figée : n8nio/n8n, ollama/ollama et qdrant/qdrant sont tirés en latest, donc les versions changent selon le jour du pull ; seul PostgreSQL est fixé (postgres:16-alpine).
Erreur 5 : considérer la configuration de démo comme prête pour la production
La documentation de n8n qualifie le kit de « tests uniquement », et le README précise qu'il n'est pas entièrement optimisé pour les environnements de production. Le fichier .env.example fourni utilise des secrets par défaut, et le fichier compose publie les ports 5678, 11434 et 6333 sur l'hôte ; modifiez les secrets et vérifiez les ports exposés avant de rendre la pile accessible au-delà de votre propre machine.
Questions fréquemment posées
Qu'est-ce que le n8n Self-hosted AI Starter Kit ?
C'est un modèle Docker Compose open source, géré par n8n et publié sur github.com/n8n-io/self-hosted-ai-starter-kit, qui réunit n8n, Ollama, Qdrant et PostgreSQL en une seule commande pour créer des workflows IA locaux sans dépendance au cloud. Les recherches le nomment souvent « n8n AI starter kit ».
Le Self-hosted AI Starter Kit est-il gratuit ?
Oui. Le modèle lui-même est sous licence Apache-2.0 et ne coûte rien à exécuter. Ses composants inclus (n8n, Ollama, Qdrant, PostgreSQL) sont chacun gratuits pour un usage self-hosted selon leur propre licence — voir le tableau tarifaire ci-dessus.
Que réunit réellement le Self-hosted AI Starter Kit ?
Quatre projets open source maintenus séparément : n8n (automatisation de workflows, plus de 400 intégrations), Ollama (inférence LLM locale), Qdrant (base de données vectorielle) et PostgreSQL (base de données relationnelle alimentant les propres données de n8n). C'est une configuration docker-compose, pas un nouveau logiciel.
Le Self-hosted AI Starter Kit nécessite-t-il un compte cloud ou une clé API ?
Non. Chaque service inclus s'exécute localement par défaut, et le workflow de démo n'utilise que le modèle Ollama inclus (llama3.2). Vous pouvez ajouter ensuite des clés API de fournisseurs cloud dans un workflow n8n si vous le souhaitez.
Comment installer le Self-hosted AI Starter Kit ?
Clonez le dépôt (git clone https://github.com/n8n-io/self-hosted-ai-starter-kit.git), copiez le fichier d'environnement (cp .env.example .env), puis exécutez docker compose --profile cpu up (ou gpu-nvidia/gpu-amd pour l'accélération GPU). Voir le tableau d'installation ci-dessus pour la séquence complète.
Prend-il en charge l'accélération GPU ?
Oui, via des profils Docker Compose distincts : gpu-nvidia pour les GPU Nvidia et gpu-amd pour les GPU AMD sous Linux, en plus du profil cpu par défaut pour l'inférence CPU seule.
Est-ce la même chose que n8n ?
Non. n8n est l'un des quatre composants inclus. Le starter kit est un environnement préconfiguré qui installe n8n aux côtés d'Ollama, Qdrant et PostgreSQL — voir le comparatif Self-Hosted AI Starter Kit vs. n8n seul ci-dessus pour les différences précises.
Quelle licence utilise n8n lui-même à l'intérieur de ce kit ?
n8n est source disponible sous sa propre Sustainable Use License, non approuvée par l'OSI, pour un usage self-hosted — distincte de la licence Apache-2.0 couvrant ce modèle de starter kit lui-même. Voir le test n8n pour le détail complet des licences.
Le Self-hosted AI Starter Kit est-il prêt pour la production ?
Non, selon n8n : sa documentation qualifie le kit de « tests uniquement », et le README indique qu'il n'est pas entièrement optimisé pour la production. Considérez-le comme une base de preuve de concept : modifiez les secrets par défaut dans .env, vérifiez les ports exposés et figez les versions de vos images avant tout usage en production.
Qui maintient le Self-hosted AI Starter Kit ?
Il est conçu et maintenu par n8n, l'entreprise derrière la plateforme d'automatisation de workflows n8n, comme ressource complémentaire illustrant des workflows IA locaux construits avec les nœuds IA et LangChain de n8n.
Le Self-hosted AI Starter Kit est-il encore maintenu ?
Le dernier commit de la branche par défaut date du 23 juillet 2026 et n'a corrigé qu'un lien du README ; le fichier compose a été modifié pour la dernière fois le 6 janvier 2026. Le dépôt ne publie ni versions ni tags, et la documentation de n8n ne mentionne aucune dépréciation. Vérifiez le dépôt avant de vous y fier.
Le Self-hosted AI Starter Kit fonctionne-t-il sur un Mac Apple Silicon ?
Oui, mais Docker ne peut pas exposer le GPU du Mac. Le README propose deux options : exécuter tout le kit sur CPU (docker compose --profile cpu up), ou installer Ollama sur le Mac, définir OLLAMA_HOST=host.docker.internal:11434 dans .env, pointer l'identifiant « Local Ollama service » de n8n vers http://host.docker.internal:11434/ et lancer docker compose up.