O que é o n8n Self-Hosted AI Starter Kit?
O Self-hosted AI Starter Kit é um template de Docker Compose, não um software novo — a própria descrição no GitHub o chama de «an open, docker compose template» que ajuda a «inicializar rapidamente um ambiente de desenvolvimento local completo de IA e low-code». Ele combina quatro projetos de código aberto mantidos separadamente (n8n, Ollama, Qdrant e PostgreSQL) em uma configuração já conectada, entregando uma stack de IA local funcional sem instalar e conectar cada peça manualmente.
- Função principal: um
docker-compose.ymle arquivos de configuração de apoio que iniciam n8n, Ollama, Qdrant e PostgreSQL juntos, já conectados em rede para que possam se comunicar entre si - n8n: uma plataforma de automação de workflows low-code com mais de 400 integrações e nós de IA/LangChain dedicados para criar agentes e automações
- Ollama: executa modelos de linguagem abertos localmente, exposto aos workflows do n8n como um provedor de modelo
- Qdrant: um banco de dados vetorial de código aberto usado para armazenar e recuperar embeddings em workflows do tipo RAG
- PostgreSQL: o banco de dados relacional que sustenta o próprio armazenamento de workflows e credenciais do n8n
- Mantenedor: n8n, a empresa por trás da plataforma de automação de workflows n8n
- Repositório canônico: github.com/n8n-io/self-hosted-ai-starter-kit — a fonte dos passos de instalação e do histórico de versões usados nesta análise
Histórico do projeto e mudanças recentes do starter kit
O kit não tem releases versionadas; o histórico de commits é o único registro de mudanças. O repositório no GitHub não publica releases nem tags, então os commits datados da branch padrão abaixo são o que pode ser verificado.
- 1Pacote base de quatro serviços
Why it matters: O arquivo compose conecta n8n, Ollama, Qdrant e PostgreSQL, importa na primeira inicialização um workflow de demonstração e duas credenciais prontas («Local Ollama service» e «Local QdrantApi database») e baixa automaticamente o modelo `llama3.2`. - 2Perfis de Compose para GPU
Why it matters: Perfis separados `gpu-nvidia` e `gpu-amd` acompanham o perfil `cpu` padrão, permitindo que o Ollama use uma GPU compatível em vez de rodar todos os modelos na CPU. - 31 de setembro de 2025 — Workflow de demonstração atualizado
Why it matters: A mensagem do commit diz «Use latest version of Basic LLM Chain, to avoid fallback model issues». - 46 de janeiro de 2026 — Última alteração no arquivo compose
Why it matters: O commit «Skip demo import if workflows already exist» alterou o `docker-compose.yml` para que uma reinicialização não importe a demonstração de novo em uma instância do n8n que já tem workflows. - 523 de julho de 2026 — Último commit da branch padrão
Why it matters: O commit «Fixed broken link in the readme. No significant changes» mexeu apenas no `README.md`.
O que dá para fazer com o Starter Kit?
O valor do starter kit está no que os serviços incluídos fazem juntos, não em funcionalidade nova própria. Veja o que cada parte realmente faz, segundo o README oficial no GitHub.
- Automação de workflows local — crie e execute automações no editor visual do n8n, usando qualquer uma das mais de 400 integrações junto com nós de IA/LangChain dedicados para construir agentes
- Servidor de API local — cada instância n8n incluída expõe a própria API REST do n8n, permitindo acionar ou gerenciar workflows de forma programática a partir de outros serviços locais, não apenas pela interface do n8n
- Inferência local de LLM — o Ollama executa modelos de pesos abertos (Llama, Qwen, Gemma e outros) localmente e fica disponível para os workflows do n8n como provedor de modelos, sem chave de API externa; o arquivo compose baixa automaticamente o
llama3.2na primeira inicialização - Armazenamento vetorial local para RAG — o Qdrant armazena e recupera embeddings, e o kit cria no n8n a credencial «Local QdrantApi database»; o workflow de demonstração incluído não a utiliza, então um pipeline RAG se constrói adicionando o Qdrant como armazenamento vetorial no seu próprio workflow
- Armazenamento persistente de workflows e credenciais — o PostgreSQL sustenta o próprio banco de dados do n8n, de modo que workflows, credenciais e histórico de execução persistem após reinícios dos containers
- Perfis de aceleração por GPU — perfis Compose separados (
cpu,gpu-nvidia,gpu-amd) permitem que o Ollama use o hardware de GPU disponível para inferência local mais rápida onde for suportado - Acesso compartilhado a arquivos — uma pasta montada
/data/sharedpermite que o n8n leia e grave arquivos locais por meio de nós como Read/Write Files from Disk, Local File Trigger e Execute Command, útil para workflows de ingestão de documentos - Workflow de demonstração pré-carregado — o kit importa na primeira inicialização um workflow («Demo workflow»: Chat Trigger, Basic LLM Chain e um Ollama Chat Model configurado com
llama3.2:latest); abra-o e use o botão Chat para conversar com o modelo local
Exemplos de uso: três formas de usar o Starter Kit
O primeiro exemplo é o workflow de demonstração do próprio kit. Os outros dois são padrões que você mesmo constrói com as peças incluídas, usando nós mencionados no README — o kit não os entrega como workflows prontos.
Executar o workflow de chat de demonstração pré-carregado
Depois de docker compose --profile cpu up, abra o n8n em http://localhost:5678 e conclua a configuração inicial do n8n. Abra o workflow incluído, clique em Chat na parte inferior da tela e envie uma mensagem. Na primeira execução, aguarde o Ollama terminar de baixar o llama3.2; os logs do Docker mostram o progresso. Nenhuma chave de API na nuvem é usada.
Construir um pipeline de ingestão de documentos usando a pasta compartilhada
Coloque arquivos na pasta montada /data/shared e construa um workflow do n8n que monitore essa pasta (por exemplo, com o nó Local File Trigger), gere embeddings dos novos documentos com um modelo de embeddings local do Ollama e os indexe no Qdrant para consulta posterior. Você mesmo monta esse pipeline; o kit fornece os serviços e as credenciais, não o workflow.
Estender o workflow base com as mais de 400 integrações do n8n
Parta do workflow de chat de demonstração pré-carregado e adicione nós para serviços que você já usa (e-mail, Slack, um CRM ou um webhook próprio), para que uma resposta gerada por um modelo local dispare uma ação em outro lugar — usando o catálogo de integrações mais amplo do n8n sobre a base de IA local do kit.
Instalar o Self-Hosted AI Starter Kit
O starter kit é instalado via git clone e Docker Compose — não existe um app baixável separadamente. Os passos abaixo vêm do README oficial no GitHub — sempre confira diretamente nessa página, já que os comandos exatos podem mudar entre atualizações.
Passo | Comando / Link |
|---|---|
| 1. Clonar o repositório | git clone https://github.com/n8n-io/self-hosted-ai-starter-kit.git |
| 2. Entrar no diretório | cd self-hosted-ai-starter-kit |
| 3. Copiar o arquivo de ambiente | cp .env.example .env (depois altere as senhas e os segredos de exemplo) |
| 4a. Iniciar (somente CPU) | docker compose --profile cpu up |
| 4b. Iniciar (GPU Nvidia) | docker compose --profile gpu-nvidia up |
| 4c. Iniciar (GPU AMD, Linux) | docker compose --profile gpu-amd up |
| 4d. Iniciar (Mac / Apple Silicon) | docker compose up (o Ollama roda no Mac, veja a nota) |
| Código-fonte | github.com/n8n-io/self-hosted-ai-starter-kit |
O n8n fica disponível em http://localhost:5678 assim que a stack sobe. Os requisitos de hardware dependem dos modelos que você roda no Ollama — um modelo pequeno funciona em uma máquina modesta só com CPU, enquanto modelos maiores se beneficiam dos perfis de GPU Nvidia ou AMD; confira o tamanho de um modelo na biblioteca do Ollama antes de baixá-lo. Em um Mac com Apple Silicon, o Docker não consegue usar a GPU: o README oferece operar só com CPU, ou instalar o Ollama no próprio Mac, com OLLAMA_HOST=host.docker.internal:11434 no .env, a credencial «Local Ollama service» do n8n apontando para http://host.docker.internal:11434/ e docker compose up sem perfil. O .env.example traz segredos de exemplo (a senha do banco é password) que o README manda alterar. Docker e Docker Compose são necessários; o kit não tem build específico por sistema operacional.
Preços e licenciamento
O starter kit em si é gratuito e de código aberto, licenciado sob Apache-2.0. Como ele reúne outros projetos de código aberto, vale conhecer também a licença e o modelo de custo próprios de cada componente incluído.
Self-hosted AI Starter Kit (este template)
- Licença:
- Apache-2.0, conforme o arquivo LICENSE do repositório
- Custo:
- Gratuito
n8n (incluído)
- Licença:
- Sustainable Use License (código disponível, não aprovada pela OSI) para uso self-hosted; veja a análise do n8n para todos os detalhes de licenciamento
- Custo:
- Gratuito para uso self-hosted conforme os termos de licença do n8n
Ollama (incluído)
- Licença:
- MIT
- Custo:
- Gratuito
Qdrant (incluído)
- Licença:
- Apache-2.0
- Custo:
- Gratuito
PostgreSQL (incluído)
- Licença:
- PostgreSQL License (permissiva)
- Custo:
- Gratuito
Rodar toda a stack não custa nada em licenciamento de software — apenas a sua própria infraestrutura (computação, armazenamento e, opcionalmente, uma GPU) representa um custo real. Se você estender o workflow do n8n pré-carregado para chamar uma API de LLM paga na nuvem ou uma integração paga de terceiros, o preço próprio desse provedor se aplica; o starter kit em si não adiciona nenhuma margem ou assinatura.
Self-Hosted AI Starter Kit vs. n8n puro
O starter kit não substitui o n8n — ele é o n8n mais uma stack de IA local já conectada ao redor. A forma mais clara de entender a diferença é comparar o que você já tem pronto com o que precisaria configurar sozinho.
O que você instala
- Self-Hosted AI Starter Kit:
- n8n + Ollama + Qdrant + PostgreSQL, já conectados em um único docker-compose.yml
- n8n puro (self-hosted):
- Somente n8n — veja a análise do n8n para seus próprios passos de instalação
Inferência de LLM local
- Self-Hosted AI Starter Kit:
- Incluída por padrão via Ollama
- n8n puro (self-hosted):
- Não incluída; você conecta seu próprio provedor de modelo (local ou na nuvem) manualmente
Banco de dados vetorial para RAG
- Self-Hosted AI Starter Kit:
- Incluído por padrão via Qdrant
- n8n puro (self-hosted):
- Não incluído; você adicionaria e conectaria um banco vetorial sozinho
Workflow de exemplo
- Self-Hosted AI Starter Kit:
- Um workflow de chat de demonstração (Chat Trigger, Basic LLM Chain, Ollama) mais credenciais prontas do Ollama e do Qdrant
- n8n puro (self-hosted):
- Começa com uma tela em branco; templates estão disponíveis separadamente na biblioteca de templates do n8n
Ideal para
- Self-Hosted AI Starter Kit:
- Ter um ambiente de workflow de IA totalmente local rodando em minutos, sem conectar serviços manualmente
- n8n puro (self-hosted):
- Times que já rodam sua própria infraestrutura de modelo ou vetorial e só precisam da camada de automação
Se você já tem o Ollama ou um banco de dados vetorial rodando em outro ponto da sua infraestrutura, instalar o n8n puro e conectá-lo aos seus serviços existentes pode ser mais simples do que adotar as versões incluídas do starter kit. Se você está começando do zero, o starter kit elimina o trabalho de integração.
Quem deveria usar o Starter Kit?
Se o starter kit é indicado ou não depende de você querer um ambiente de workflow de IA local pronto para uso ou preferir montar os mesmos componentes sozinho.
Use o Self-Hosted AI Starter Kit se
- Você quer testar workflows de IA local e agênticos (RAG, automações movidas por modelo) sem instalar e conectar manualmente uma ferramenta de workflow, um executor de modelo e um banco de dados vetorial separadamente
- Você já se interessa por n8n e quer um ponto de partida focado em IA em vez de uma tela de workflow em branco
- Você quer um workflow local de chat com o Ollama funcionando para aprender e modificar, em vez de começar do zero
- Você precisa que cada peça da stack rode na sua própria infraestrutura, sem exigir uma API key na nuvem para começar
- Você tem uma GPU (Nvidia ou AMD no Linux) e quer um perfil Compose já configurado que a aproveite para inferência local
Espere, ou procure outra opção, se
- Você já roda n8n, Ollama ou um banco de dados vetorial de forma independente e não quer que as versões incluídas do starter kit dupliquem ou entrem em conflito com sua configuração existente
- Você precisa de um framework RAG dedicado com recursos de processamento de documentos mais avançados do que uma ferramenta de automação de workflows oferece — veja a análise do RAGFlow ou a análise do Haystack como alternativas dedicadas
- Você gostaria que os termos de licença self-hosted do n8n (uma Sustainable Use License de código disponível, não aprovada pela OSI) fossem uma licença de código aberto permissiva comum para cada componente incluído — leia diretamente a licença própria do n8n se essa distinção importar para a sua organização
- Você precisa de suporte empresarial ou de uma implantação de nível produção — o canal de suporte é o fórum do n8n, e a documentação da n8n classifica o kit como «apenas para testes»
Starter Kit vs. outras ferramentas de workflow de IA local
O Self-hosted AI Starter Kit está no espaço de automação de workflows e frameworks RAG, ao lado de várias outras opções que podem ser self-hosted. Veja como ele se compara a ferramentas próximas — consulte o Local LLM Software Directory para o catálogo completo, e a comparação dedicada Starter Kit vs. n8n puro acima para o confronto mais direto.
- n8n — a plataforma de automação de workflows sobre a qual este kit é construído; veja a seção de comparação dedicada acima e a análise completa do n8n para seus próprios detalhes de instalação e licenciamento.
- LangChain-Chatchat — uma aplicação de RAG e base de conhecimento self-hosted com interface própria integrada, em vez de uma tela de automação de workflows de propósito geral; veja a análise do LangChain-Chatchat se um app dedicado de chat com documentos servir melhor do que um construtor de workflows.
- RAGFlow — um motor RAG de compreensão profunda de documentos, focado em analisar documentos complexos (tabelas, layouts) de forma mais completa do que uma ferramenta de workflow genérica; veja a análise do RAGFlow.
- Haystack — um framework RAG voltado a Python para desenvolvedores que preferem escrever o código do pipeline diretamente em vez de usar um construtor visual de workflows; veja a análise do Haystack.
Erros comuns ao avaliar o Starter Kit
A maior parte da confusão sobre o Self-hosted AI Starter Kit vem de tratá-lo como uma aplicação independente, entender errado o que ele realmente reúne, ou escolher o perfil Compose errado.
Erro 1: tratá-lo como um app independente separado do n8n
O starter kit não é um produto próprio — é um template de Docker Compose que instala e conecta o n8n junto com Ollama, Qdrant e PostgreSQL. Qualquer análise do n8n em si (recursos, licenciamento, ritmo de lançamentos) se aplica à instância do n8n rodando dentro deste kit; veja a análise do n8n para esse detalhe.
Erro 2: presumir que ele inclui um provedor de LLM na nuvem
O provedor de modelo padrão e incluído no starter kit é o Ollama, que roda modelos inteiramente em local. Ele não inclui nem exige nenhuma API key de LLM na nuvem — se você quiser adicionar um provedor na nuvem, configura isso separadamente dentro de um workflow do n8n.
Erro 3: rodar o perfil cpu padrão em uma máquina com uma GPU capaz
O arquivo Compose traz três perfis — cpu, gpu-nvidia e gpu-amd — e não ativa nenhum por padrão se você não indicar um na linha de comando. Rodar docker compose --profile cpu up em uma máquina com GPU Nvidia ou AMD desperdiça a aceleração disponível; use o perfil de GPU correspondente. Em um Mac com Apple Silicon, nenhum perfil dá acesso à GPU ao Docker; o README sugere rodar o Ollama no próprio Mac.
Erro 4: esperar que o starter kit tenha seu próprio ritmo de lançamentos independente
Por ser um template de configuração e não uma aplicação com código próprio, ele não publica releases nem tags. Não espere uma stack fixa: n8nio/n8n, ollama/ollama e qdrant/qdrant são baixados com latest, então as versões mudam conforme o dia do pull; só o PostgreSQL é fixado (postgres:16-alpine).
Erro 5: tratar a configuração de demonstração como pronta para produção
A documentação da n8n classifica o kit como «apenas para testes», e o README diz que ele não está totalmente otimizado para ambientes de produção. O .env.example incluído usa segredos de exemplo, e o arquivo compose publica as portas 5678, 11434 e 6333 no host; altere os segredos e revise as portas expostas antes de tornar a stack acessível além da sua própria máquina.
Perguntas frequentes
O que é o n8n Self-hosted AI Starter Kit?
É um template Docker Compose de código aberto, mantido pela n8n e publicado em github.com/n8n-io/self-hosted-ai-starter-kit, que reúne n8n, Ollama, Qdrant e PostgreSQL em um único comando para criar workflows de IA locais sem depender da nuvem. Nas buscas, costuma aparecer como «n8n AI starter kit».
O Self-hosted AI Starter Kit é gratuito?
Sim. O template em si é licenciado sob Apache-2.0 e não custa nada para rodar. Seus componentes incluídos (n8n, Ollama, Qdrant, PostgreSQL) são cada um gratuitos para uso self-hosted conforme suas respectivas licenças — veja a tabela de preços acima.
O que o Self-hosted AI Starter Kit realmente reúne?
Quatro projetos de código aberto mantidos separadamente: n8n (automação de workflows, mais de 400 integrações), Ollama (inferência de LLM local), Qdrant (banco de dados vetorial) e PostgreSQL (banco de dados relacional que sustenta os próprios dados do n8n). É uma configuração docker-compose, não um software novo.
O Self-hosted AI Starter Kit exige uma conta na nuvem ou uma API key?
Não. Todos os serviços incluídos rodam localmente por padrão, e o workflow de demonstração usa apenas o modelo do Ollama incluído (llama3.2). Você pode adicionar chaves de API de provedores na nuvem depois, dentro de um workflow do n8n, se quiser.
Como eu instalo o Self-hosted AI Starter Kit?
Clone o repositório (git clone https://github.com/n8n-io/self-hosted-ai-starter-kit.git), copie o arquivo de ambiente (cp .env.example .env) e depois rode docker compose --profile cpu up (ou gpu-nvidia/gpu-amd para aceleração por GPU). Veja a tabela de instalação acima para a sequência completa.
Ele suporta aceleração por GPU?
Sim, por meio de perfis separados de Docker Compose: gpu-nvidia para GPUs Nvidia e gpu-amd para GPUs AMD no Linux, além do perfil padrão cpu para inferência somente com CPU.
É a mesma coisa que o n8n?
Não. O n8n é um dos quatro componentes incluídos. O starter kit é um ambiente pré-configurado que instala o n8n junto com Ollama, Qdrant e PostgreSQL — veja a comparação Self-Hosted AI Starter Kit vs. n8n puro acima para as diferenças exatas.
Qual licença o próprio n8n usa dentro deste kit?
O n8n tem código disponível sob sua própria Sustainable Use License, não aprovada pela OSI, para uso self-hosted — distinta da licença Apache-2.0 que cobre este template de starter kit em si. Veja a análise do n8n para o detalhe completo de licenciamento.
O Self-hosted AI Starter Kit está pronto para produção?
Não, segundo a n8n: a documentação classifica o kit como «apenas para testes», e o README diz que ele não está totalmente otimizado para produção. Trate-o como base de prova de conceito: altere os segredos de exemplo no .env, revise as portas expostas e fixe as versões das imagens antes de qualquer uso em produção.
Quem mantém o Self-hosted AI Starter Kit?
Ele é selecionado e mantido pela n8n, a empresa por trás da plataforma de automação de workflows n8n, como um recurso complementar que mostra workflows de IA local construídos com os nós de IA e LangChain do n8n.
O Self-hosted AI Starter Kit ainda é mantido?
O último commit da branch padrão é de 23 de julho de 2026 e apenas corrigiu um link do README; o arquivo compose foi alterado pela última vez em 6 de janeiro de 2026. O repositório não publica releases nem tags, e a documentação da n8n não menciona descontinuação. Confira o repositório antes de depender dele.
O Self-hosted AI Starter Kit roda em um Mac com Apple Silicon?
Sim, mas o Docker não consegue expor a GPU do Mac. O README oferece duas opções: rodar o kit inteiro na CPU (docker compose --profile cpu up) ou instalar o Ollama no Mac, definir OLLAMA_HOST=host.docker.internal:11434 no .env, apontar a credencial «Local Ollama service» do n8n para http://host.docker.internal:11434/ e executar docker compose up.