n8n + Ollama：100％AIで自動化 locale

#n8nとOllamaを組み合わせる理由は？

n8n はビジュアルオーケストレーターです。コードを書かずにノード（トリガー、HTTP、データベース、LLM など）を接続すると、ワークフローが cron、Webhook、またはメールボックスをきっかけにバックグラウンドで実行されます。一般向けの競合サービス（Zapier、Make、Power Automate）はいずれも利用量に応じて課金し、データが各社のサーバーを経由することを必須としています。

一方、Ollamaは、互換性のあるHTTP APIを通じて、http://localhost:11434 でローカルLLMを提供します。n8nは2023年末からOllamaのネイティブノードを搭載しており、OpenAI互換ノードも利用できます。その結果、顧客のPDFを要約したり、人事関連のメールを分類したりするワークフローでも、インフラの外にデータが1バイトも出ることはありません。

#前提条件

Ollama インストール済み

デーモンがポート11434で稼働していること。curl http://localhost:11434 で確認してください。初めて導入する場合は、まず当サイトのOllamaインストールガイドに従ってください。

ダウンロード済みのモデル

ollama pull qwen3.5:9b pour la polyvalence, ou qwen3.5:4b si vous voulez plus léger. Pour les workflows de classification, granite4.2:8b est solide et très sobre en tokens.

Docker + Docker Compose

n8n は Docker で数秒で展開できます。Windows/macOS では Docker Desktop、Linux では Docker Engine を使用します。

RAMの空き容量8GB

n8n は約500MBを消費し、Ollama はモデルをVRAMに読み込みます（9B Q4の場合、約6.6GB）。複数のワークフローを同時に実行したい場合は、十分な余裕を確保してください。

ノーコードでの使用には少しの忍耐が必要です

n8nは視覚的に操作できますが、魔法の道具ではありません。JSONや{{ $json.field }}のような式を理解しておくことは、やはり役に立ちます。

#1. Dockerでn8nをセルフホスト環境にインストールする

公式で最も簡単な方法は、n8nチームが保守しているDockerイメージを使うことです。専用フォルダとdocker-compose.ymlファイルを作成してください：

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"

鍵となるのは extra_hosts の行です。n8n コンテナから Ollama を呼び出すときは、localhost ではなく http://host.docker.internal:11434 を使います。localhost はコンテナ自身を指してしまうためです。この方法で host-gateway ディレクティブが必要になるのは Linux の場合だけです。

docker compose up -d
docker compose logs -f n8n

http://localhost:5678 を開いてください。初回アクセス時に、n8nから所有者アカウントの作成を求められます。このアカウントはローカルに留まり、テレメトリーは必須ではありません。ログインすると、空のキャンバスが表示されます。

#2. n8nでOllamaノードを設定する

n8nには、Ollamaを呼び出す方法が2つあります。専用ノード「Ollama Chat Model」（n8nのLangChain系統に統合）と、汎用のHTTP呼び出しです。エージェントやチェーンには専用ノードのほうがすっきりした構成になり、HTTP呼び出しではより細かく制御できます。どちらも動作します。

1. 01
   Ollamaノードを追加する

   キャンバスに "/" を入力し、"Ollama" を検索してください。AI > Language Models の下で "Ollama Chat Model" を選択してください。
2. 02
   認証情報を作成

   Credential欄で「Create new」をクリックしてください。Base URL：http://host.docker.internal:11434（Dockerコンテナから）またはhttp://localhost:11434（n8nがネイティブで実行されている場合）。APIキーは不要です。これはローカル環境です。
3. 03
   接続をテスト

   n8n は自動的にモデルの有無をテストし、利用可能なモデルをリストアップします。リストが空の場合、ホストから `docker exec n8n curl http://host.docker.internal:11434/api/tags` を実行して確認してください。
4. 04
   モデルの選択

   Modelのドロップダウンメニューでqwen3.5:9b（またはダウンロードしたモデル）を選択してください。Temperatureはデフォルトの0.7のままにし、決定論的なタスク（分類、抽出）では0.2に下げてください。

#3. 最初のワークフロー：RSSフィードの要約

典型的な例として、15の技術ブログを定期的に読んでいて、すべての記事を読むことなく、毎日フランス語で要約を受け取りたい場合を考えてみましょう。n8nが新しい記事を取得し、Ollamaが要約します。その結果はメールで送信されるか、Markdownファイルに書き込まれます。

1. 01
   トリガー：Schedule Trigger

   毎日午前7時に実行するよう設定してください。「Cron expression」モードでは、0 7 * * * と指定します。
2. 02
   フィードを取得する：RSS Feed Trigger または RSS Read

   フィードのURL（例：https://blog.lemondeinformatique.fr/feed/）。古い項目を再び要約しないように、「Return only new items」を有効にしてください。
3. 03
   必要に応じて分割する：Split In Batches

   フィードが10件の記事を返す場合、Ollamaの負荷を避けるために5件に制限してください。バッチサイズは1で、記事ごとに処理します。
4. 04
   Ollama を呼び出す

   Ollama Chat Model ノードに、このシステムプロンプトと、ユーザーメッセージとして記事を設定します。

{
  "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
   要約を集約する：MergeまたはCode

   記事ごとの出力を1つのメール本文に結合します。items.map(i => `**${i.json.title}**\n${i.json.response}`).join('\n\n')を含むCodeノード（JavaScript）で十分です。
2. 02
   送信する：Send Emailまたはファイルへの書き込み

   Email（SMTP）ノードで自分のアドレスに送信するか、Write Binary Fileノードで /home/node/.n8n/daily-digest.md に書き込みます（ファイルはDockerボリュームに永続保存されます）。

#4. ワークフロー：受信メールの翻訳

典型的なケースとして、仕入先から英語、ドイツ語、スペイン語のメールを受け取り、その内容を取り込むGoogle Translateを使わずにフランス語で読みたい場合があります。n8nがIMAPメールボックスを監視し、Ollamaが翻訳します。結果は「翻訳済み」ラベルの付いたメールとして、または返信の下書きとして保存されます。

1. 01
   トリガー：IMAPメール

   IMAP 認証情報を設定してください（Gmail の場合、アプリケーションパスワードが必要です）。フィルター：INBOX のすべての未読メール。10分ごとにポーリング。
2. 02
   言語の検出：Ollama #1

   システムプロンプトを指定した最初のOllama呼び出し：「このテキストの言語を表すISO 639-1コードだけで回答してください（fr, en, de, es...）。文章ではなく、アルファベット2文字だけにしてください。」プロンプト：{{ $json.subject }} {{ $json.textPlain }}。
3. 03
   条件分岐：IFノード

   条件：{{ $json.response }} ≠ "fr"。真の場合 → 翻訳する。偽の場合 → スキップする（すでにフランス語）。
4. 04
   翻訳：Ollama #2

   システムプロンプト：「以下のテキストを自然なフランス語に翻訳してください。フォーマット（段落、リストなど）を維持してください。コメントは不要で、直接翻訳してください。」プロンプト：メール本文
5. 05
   最終アクション

   2つのオプションがあります。Gmailの「Add Label」ノードと「Reply Draft」によるメッセージ先頭への翻訳文の書き込み、または、翻訳済みバージョンを含むSlack/Telegram通知の送信です。

#5. ワークフロー：入ってくるリードの分類

典型的な例として、お問い合わせフォームからAirtable／Notion／Postgresのデータベースに情報を登録するケースがあります。各リードをHot／Warm／Cold、業種、緊急度で自動分類したいとします。n8nがデータベースを監視し、Ollamaが自由記述のメッセージを読み取って、構造化されたタグを書き込みます。

このワークフローは、出力をスキーマに従わせるOllamaのJSONモードを活用しています。構造化データを扱うなら不可欠です。

{
  "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
   トリガー：Airtable/Postgres Trigger

   「New row in table Leads」をトリガーにします。5分間隔でポーリングするか、データソースが対応していれば webhook を使います（より迅速に反応します）。
2. 02
   JSONモードで Ollama を呼び出す

   HTTP Requestノードで、上記のボディを指定して http://host.docker.internal:11434/api/generate にPOSTリクエストを送信します。レスポンスは $json.response に入ります（JSON文字列）。
3. 03
   パース：CodeノードまたはSetノード

   JSON.parse($input.first().json.response) で temperature、secteur、urgence を抽出します。パースに失敗した場合（モデルがハルシネーションを起こした場合）は、温度を0に設定して再試行します。
4. 04
   CRMに記録する

   3つのフィールドを指定したAirtable Update / Postgres Updateノード。任意：temperature = Hot かつ urgence ≥ 4 の場合、通知を送るSlackノードを起動する。通知先： [email protected].

#ヒントとトラブルシューティング

n8nからOllamaに接続できない

localhost:11434でECONNREFUSEDエラーが出ますか？Docker内から接続しているので、host.docker.internalを使用してください。Linuxでは、composeファイルにextra_hostsが設定されていることと、Ollamaが0.0.0.0で接続を待ち受けていること（OLLAMA_HOST=0.0.0.0:11434）を確認してください。

ワークフローが遅い

Ollamaは、モデルがまだメモリに読み込まれていない状態からロードします（初回は5～15秒）。読み込んだ状態を保つには、並行して/api/generateに4分ごとにpingするcronジョブを実行するか、OLLAMA_KEEP_ALIVE=30mに設定して保持時間を延ばしてください。

分類時にモデルがハルシネーションを起こす

常に format: "json" と、許可される値を列挙したシステムプロンプトを併用すること。Q4の9Bモデルでも出力が曖昧なままなら、qwen3.5:9b-q8_0 に切り替えると、JSON出力の堅牢性が大幅に向上します。

Dockerのボリュームが失われた

ワークフローと認証情報は./n8n_dataに保存されています。バックアップなしで、このフォルダーを削除することは絶対に避けてください。Gitでバージョン管理するために、メニュー（Settings > Workflows > Download）からワークフローをJSON形式でエクスポートしてください。

呼び出しの件数が多すぎると、VRAMが飽和します

ワークフローがOllamaへの呼び出しを20件並列で実行すると、GPUが処理能力の限界に達します。Split In Batchesでbatch sizeを1にするか、OLLAMA_NUM_PARALLEL=1を追加して、逐次処理にしてください。

n8n バージョン

n8nは約10日ごとにメジャーリリースを公開します。docker compose pull && docker compose up -dで更新できます。Ollamaノードはバージョン1.18以降、安定しています。

#さらに詳しく

これで、n8n + Ollamaを組み合わせたワークフローが動くようになりました。次に取り組むとよいことをいくつか紹介します。

RAGを接続する

当サイトのChromaDBを使ったRAGガイドでは、PDFやメモをインデックス化する方法を紹介しています。このRAGパイプラインは、HTTPエンドポイント経由でn8nから呼び出せます。これにより、ワークフローで自分のナレッジベースの情報をコンテキストとして活用できます。

モデルを最適化する

ワークフローで大量の処理を行う場合は、Q4/Q5/Q8の量子化ガイドをご覧ください。Q4_K_Mまで量子化を進めると、分類タスクで目立った品質低下を生じさせずに、VRAM使用量を半分にできる場合があります。

専用GPUの選定

n8n + Ollama を 1 台のマシンで 24/7 稼働させる場合、サイトの GPU 購入ガイドでは、ターゲットとなるワークフローに応じて 12/16/24 GB の閾値が示されています。