n8n menghubungkan workflow ke model lokal Ollama untuk otomatisasi privat
26 Oktober 2026 · Baca 2 menit
n8n menghubungkan workflow ke model lokal Ollama untuk otomatisasi privat. Contoh workflow menggunakan n8n 2.43.5 dan Ollama 0.40.4. n8n mengirimkan POST ke endpoint Ollama dengan model, teks, dan parameter generasi. Model menghasilkan output yang kemudian diproses oleh node berikutnya. Teks input hanya dikirim ke model tanpa pengolahan tambahan. Teks teks yang diproses oleh n8n disimpan dalam riwayat eksekusi, log kontainer, dan backup database. Karena data tersebut dapat tersimpan di banyak tempat, perlu dipertimbangkan untuk menghapus atau mengamankan data sensitif sebelum diolah oleh model. Ollama menyediakan dua API berbeda, /api/chat dan /v1/chat/completions, yang memiliki struktur respons yang berbeda. Dalam contoh ini digunakan API /api/chat tanpa streaming untuk menerima respons dalam satu JSON. Untuk menguji konektivitas, node HTTP Request dapat mengakses endpoint /api/tags untuk mendapatkan daftar model yang tersedia.
Kesalahan umum terjadi ketika mencoba mengakses localhost dari dalam container n8n, karena localhost mengarah ke container n8n sendiri, bukan ke layanan Ollama. Ollama dihubungkan ke jaringan inference dengan flag internal, sehingga tidak dapat diakses dari internet dan port-nya tidak terpapar di luar jaringan. Untuk menghubungkan n8n ke Ollama, diperlukan alamat internal yang dapat diidentifikasi melalui layanan Docker Compose, biasanya bernama ollama. Jaringan n8n beroperasi pada dua jaringan berbeda, satu untuk antarmuka frontend yang mendengar pada 127.0.0.1 dan yang lain untuk komunikasi internal. Data yang dikirim ke model tidak boleh dimasukkan ke dalam URL, teks input, atau kode node, karena hal ini dapat mengungkapkan kredensial. Kredensial API disimpan di dalam sistem kredensial n8n yang dienkripsi, sehingga penguncian kunci enkripsi dapat membuat semua data sensitif tidak terbaca. Penggunaan API OpenAI-compatible memerlukan penambahan field API Key meskipun server tidak memeriksa validitas kredensial.
Export workflow berisiko mengungkapkan kredensial jika header dengan kuncinya disimpan dalam parameter node, sehingga diperlukan langkah pembersihan sebelum pembagian. Workflow minimal yang diperlukan hanya melibatkan empat node: Manual Trigger, persiapan data, HTTP Request, dan pemeriksaan respons. Parameter HTTP Request harus disetel menjadi POST dengan body JSON dan header Content-Type: application/json. Penggunaan model lokal seperti qwen2.5:1.5b memerlukan sumber daya memori yang lebih besar daripada ukuran file model karena penggunaan memori untuk konteks dan buffer kerja. Kecepatan respons bergantung pada jumlah inti prosesor dan panjang input. Karakteristik model kecil menghasilkan kualitas ringkasan yang terbatas, yang perlu diverifikasi pada aplikasi nyata.