Pour faire tourner un stack d’automatisation IA en local (n8n, Ollama, Qdrant, Postgres), il faut d’abord installer trois briques dans l’ordre : Docker, Ollama, puis n8n lancé dans un conteneur. Voici comment procéder sans erreur, avec les prérequis matériels réels pour 2026.
Étape 1 : installer Docker, le socle de tout
Docker va faire tourner n8n, Qdrant et Postgres dans des conteneurs isolés. Selon la documentation officielle relayée par plusieurs guides techniques, Docker Desktop réclame un processeur 64 bits avec virtualisation matérielle activée (Intel VT-x ou AMD-V), 4 Go de RAM minimum (8 Go recommandés, 16 Go si plusieurs conteneurs tournent en même temps) et environ 6 Go d’espace disque libre. Côté systèmes supportés : Windows 10/11 (21H2 ou plus récent) avec le backend WSL2, macOS de Ventura à Sequoia, et les distributions Linux courantes (Ubuntu 22.04+, Debian 11+, Fedora 39+).

Ce qu’il faut faire :
- Se rendre sur le site officiel de Docker et télécharger Docker Desktop pour son système (Windows, macOS ou Linux).
- Lancer l’installeur et suivre les étapes par défaut.
- Ouvrir Docker Desktop et vérifier que l’icône de la baleine passe au vert, signe que le moteur tourne.
Sur un VPS Linux sans interface graphique, l’installation se fait en ligne de commande plutôt qu’avec Docker Desktop. C’est d’ailleurs l’option à privilégier si l’objectif final est d’héberger le stack en continu plutôt que de le faire tourner sur son poste personnel : on retrouve la procédure complète dans ce guide pour installer Docker sur un VPS Ubuntu.
Étape 2 : installer Ollama, le moteur d’IA local
Ollama sert les modèles de langage en local : Llama, Mistral, Qwen, Phi ou Gemma, selon les besoins. L’installation sur macOS et Linux se fait via une seule commande dans le terminal :
curl -fsSL https://ollama.com/install.sh | sh
Sur Windows, l’équivalent PowerShell est irm https://ollama.com/install.ps1 | iex, ou le téléchargement de l’installeur depuis le site d’Ollama.
Une fois Ollama installé, il faut télécharger et lancer un modèle pour vérifier que tout fonctionne. La commande ollama run llama3.2 ou ollama run llama3.3 télécharge le modèle puis ouvre une session de chat dans le terminal. Le choix du modèle dépend de la machine :
- llama3.2:3b (environ 2 Go) : rapide, suffisant pour tester sur n’importe quel ordinateur récent.
- llama3.1:8b ou llama3.3:8b (environ 4,7 Go) : le compromis courant pour un usage quotidien, fonctionne sur la plupart des laptops avec 16 Go de RAM.
- qwen2.5-coder:7b : orienté génération de code.
- llama3.3:70b : qualité supérieure mais demande environ 43 Go de VRAM, donc réservé à un serveur équipé d’une carte graphique dédiée.
Dès que le modèle répond dans le terminal, Ollama est opérationnel et prêt à être appelé par d’autres outils, notamment n8n.
Étape 3 : lancer n8n dans Docker
n8n est l’orchestrateur qui va relier Ollama, les bases de données et les services externes sous forme de workflows visuels. Le lancer dans un conteneur Docker évite d’installer Node.js et ses dépendances directement sur la machine, et permet de tout arrêter ou déplacer d’un bloc.

La commande de base pour un test en local :
docker run -it --rm -p 5678:5678 -v ~/.n8n:/home/node/.n8n n8nio/n8n
Le volume ~/.n8n conserve les workflows et les identifiants même si le conteneur est supprimé. Une fois la commande lancée, l’interface de n8n est accessible dans le navigateur à l’adresse http://localhost:5678.
Passer d’un test local à un hébergement permanent
Ce lancement en docker run direct convient pour essayer l’outil, mais il s’arrête dès que le terminal se ferme. Pour un usage réel, la bonne pratique consiste à écrire un fichier Docker Compose qui démarre n8n, Postgres et Qdrant ensemble, avec redémarrage automatique. Les principes pour structurer ce fichier sont détaillés dans cet article sur l’organisation d’un Docker Compose, et la procédure complète pour faire tourner n8n en continu sur un serveur distant est expliquée dans ce guide d’auto-hébergement de n8n sur un VPS avec Docker.
Ajouter Qdrant et Postgres au stack
Une fois Docker, Ollama et n8n opérationnels, l’étape suivante consiste à ajouter une base vectorielle (Qdrant, pour stocker des embeddings et faire de la recherche sémantique) et une base relationnelle (Postgres, pour stocker les données de n8n ou de l’application). Ces deux services se lancent eux aussi comme des conteneurs Docker, idéalement déclarés dans le même fichier Compose que n8n pour que tout démarre et s’arrête ensemble.
Un prestataire à trouver ?
Dites quelle famille d’entreprise vous cherchez et dans quelle commune : la demande est enregistrée, jamais envoyée automatiquement à une entreprise.
Gérer le stack une fois en place
Avec plusieurs conteneurs qui tournent en parallèle, une interface de gestion devient vite utile pour voir l’état de chaque service, consulter les logs et redémarrer un conteneur sans repasser par la ligne de commande. Deux outils reviennent souvent pour ce rôle, comparés dans cet article sur le choix entre Portainer et Coolify.
Les erreurs à éviter
- Oublier la virtualisation matérielle : si Docker Desktop refuse de démarrer sur Windows, c’est souvent parce que VT-x/AMD-V n’est pas activé dans le BIOS.
- Sous-dimensionner la RAM : avec 4 Go seulement, Docker, Ollama et n8n qui tournent ensemble saturent vite la machine. 16 Go est confortable pour un stack complet avec un modèle 7-8B.
- Lancer n8n sans volume persistant : sans l’option
-v, tous les workflows créés disparaissent à l’arrêt du conteneur. - Choisir un modèle trop lourd : un llama3.3:70b sur un laptop sans GPU dédié ne tournera simplement pas ; mieux vaut commencer par un modèle 3B ou 8B et monter en puissance si besoin.
Une fois ces trois briques installées et vérifiées, le reste du travail consiste à construire les workflows dans n8n en connectant Ollama comme moteur de langage et Qdrant comme mémoire vectorielle, sans dépendre d’un service cloud tiers.

