Installer n8n et un LLM en local : le guide pas à pas

Vous pouvez faire tourner un agent IA entièrement sur votre ordinateur, sous Mac, Windows ou Linux. Il suffit de deux briques : n8n dans un container Docker, et un modèle de langage installé directement sur votre machine avec LM Studio ou Ollama.

Ce guide détaille chaque étape, de l'installation au premier message échangé avec votre agent.

Pourquoi tout installer en local

Un agent manipule vite des données sensibles : vos mails, votre agenda, vos documents internes, les informations de vos clients. Avant de les confier à OpenAI ou à Anthropic, vous voudrez peut-être savoir si vous pouvez garder la main sur tout.

Une installation locale vous apporte quatre choses :

• vos données restent sur votre machine ;
• aucune facture d'API n'arrive en fin de mois ;
• vous travaillez même sans connexion ;
• vous comprenez enfin ce qui se passe à l'intérieur d'un agent.

Il y a une contrepartie. Un modèle local reste moins puissant qu'un grand modèle hébergé dans le cloud, et il appelle ses outils (le function calling) avec moins de fiabilité. Pour apprendre, pour monter un prototype ou quand la confidentialité passe avant tout, c'est pourtant la bonne approche.

Une architecture en deux briques indépendantes

Les deux briques fonctionnent séparément et communiquent en HTTP. n8n, dans Docker, répond sur localhost:5678. Il envoie ses requêtes au modèle de langage, qui tourne en natif sur localhost:1234 avec LM Studio.

1. n8n tourne dans un container Docker. L'installation est la même sur Mac, Windows et Linux.
2. Le modèle de langage tourne directement sur votre système. LM Studio est recommandé, Ollama est l'autre option.

Cette séparation a deux avantages. Vous mettez n8n à jour sans toucher à votre installation du modèle. Et le modèle va plus vite en natif que dans Docker, car il accède directement au processeur graphique (GPU, Metal ou CUDA).

Ce qu'il vous faut avant de commencer

• Docker Desktop installé et lancé sur Mac ou Windows, ou Docker Engine sur Linux.
• 8 Go de mémoire vive au minimum, 16 Go conseillés. Un modèle de 7 à 8 milliards de paramètres occupe environ 5 Go.
• 10 à 15 Go d'espace disque libre.
• Une connexion internet pour les premiers téléchargements.

Sur un Mac Apple Silicon, vous partez avec un avantage. LM Studio exploite Metal nativement, et les petits modèles tournent bien plus vite qu'on ne le croit.

Étape 1 : installer n8n avec Docker

Le fichier docker-compose.yml

Choisissez un dossier, par exemple ~/n8n-local/. Créez-y un fichier docker-compose.yml avec ce contenu :

volumes:
  n8n_data:

services:
  n8n:
    image: docker.n8n.io/n8nio/n8n
    restart: unless-stopped
    ports:
      - "5678:5678"
    environment:
      - N8N_HOST=localhost
      - N8N_PORT=5678
      - N8N_PROTOCOL=http
      - NODE_ENV=production
      - WEBHOOK_URL=http://localhost:5678/
      - GENERIC_TIMEZONE=Europe/Paris
      - N8N_SECURE_COOKIE=false
    volumes:
      - n8n_data:/home/node/.n8n
    extra_hosts:
      - "host.docker.internal:host-gateway"

Ce que font les lignes importantes

• volumes: n8n_data crée un volume Docker persistant. Vos workflows et vos identifiants survivent aux redémarrages.
• image: docker.n8n.io/n8nio/n8n désigne l'image officielle de n8n, toujours à jour.
• ports: 5678:5678 rend n8n accessible dans votre navigateur, à l'adresse http://localhost:5678.
• WEBHOOK_URL fait pointer les webhooks vers votre nom d'hôte local.
• N8N_SECURE_COOKIE=false est obligatoire pour travailler en HTTP. Sans cette ligne, n8n refuse la connexion tant qu'il n'y a pas de HTTPS.
• extra_hosts: "host.docker.internal:host-gateway" est la ligne essentielle. Elle permet à n8n, enfermé dans Docker, de joindre un service qui tourne sur votre machine. Sans elle, n8n ne peut pas dialoguer avec LM Studio.

Depuis décembre 2025, fixez votre version de n8n. L'outil est passé à la branche 2.x : le canvas a changé, et l'enregistrement est désormais séparé de la publication. L'image par défaut installe toujours la dernière version, donc l'interface peut bouger d'une séance de travail à l'autre. Pour un environnement stable, indiquez une version précise, par exemple image: docker.n8n.io/n8nio/n8n:2.35.0. Ne la changez que le jour où vous décidez de mettre à jour.

Lancer n8n

Ouvrez un terminal dans le dossier qui contient docker-compose.yml, puis tapez :

docker compose up -d

Au premier lancement, Docker télécharge l'image de n8n, soit environ 500 Mo. Comptez une à deux minutes.

Vérifier que n8n tourne

docker compose ps

Un container n8n doit apparaître avec le statut running.

Ouvrez ensuite http://localhost:5678 dans votre navigateur. À la première visite, n8n vous fait créer un compte Owner local, avec un e-mail et un mot de passe. Ce compte sert uniquement à votre instance locale et n'a aucun lien avec n8n Cloud.

Les commandes à garder sous la main

docker compose up -d        # Démarrer n8n en arrière-plan
docker compose stop         # Arrêter n8n (les données restent)
docker compose down         # Arrêter et supprimer le container (les données restent dans le volume)
docker compose logs -f      # Suivre les logs en direct
docker compose pull         # Mettre à jour l'image n8n

Étape 2 : installer un modèle local avec LM Studio

LM Studio est une application de bureau. Ses atouts :

• elle existe pour Mac, Windows et Linux ;
• son interface claire permet de télécharger et de lancer des modèles ;
• elle expose une API compatible avec celle d'OpenAI, donc vous gardez le même nœud n8n en local comme dans le cloud ;
• elle utilise les accélérateurs natifs : Metal sur Mac, CUDA sur les cartes NVIDIA, DirectML sous Windows avec une carte AMD ;
• elle est gratuite pour un usage personnel et pour les PME.

L'installer

1. Rendez-vous sur lmstudio.ai.
2. Téléchargez la version de votre système : .dmg pour Mac, .exe pour Windows, AppImage pour Linux.
3. Installez-la comme n'importe quelle application, puis lancez-la.

Choisir et télécharger un modèle

Tout se joue ici, et c'est aussi ce qui change le plus vite. Le bon critère n'est pas la taille du modèle, mais sa capacité à appeler des outils (le function calling). Un modèle qui écrit bien mais ne sait pas formuler un appel d'outil propre ne servira à rien pour un agent.

Une méthode reste valable même quand cette liste sera dépassée. Sur ollama.com, filtrez le catalogue sur la capacité tools. Dans LM Studio, onglet Discover, cherchez le badge tool use sur la fiche du modèle. Sans ce marqueur, passez au suivant.

Les options légères au 31 août 2026, d'après le catalogue Ollama :

Ne recopiez pas ces noms tels quels quand vous lirez cette page : vérifiez la liste. Les petits modèles se renouvellent tous les deux mois environ.

Côté quantization, Q4_K_M offre le plus souvent le meilleur compromis entre taille et qualité, soit 4 à 5 Go environ pour un modèle de 7 à 8 milliards de paramètres. Cliquez sur Download et prévoyez 5 à 10 minutes selon votre connexion.

Charger le modèle et démarrer le serveur

1. Dans l'onglet Chat, choisissez en haut le modèle téléchargé et attendez qu'il se charge en mémoire, entre 10 et 30 secondes.
2. Posez-lui une question simple pour vérifier qu'il répond.
3. Ouvrez l'onglet Developer, l'icône >_ à gauche.
4. Activez Start Server : le serveur démarre sur http://localhost:1234.
5. Notez le model_id affiché, n8n en aura besoin.

Vérifier que l'API répond

Dans un terminal :

curl http://localhost:1234/v1/models

La réponse, au format JSON, liste le modèle chargé. Copiez son id exact : c'est lui que vous renseignerez dans n8n. C'est d'ailleurs pour cela que le nom précis du modèle conseillé plus haut importe peu. Vous utilisez toujours l'identifiant que cette commande vous renvoie.

Étape 3 : relier n8n à LM Studio

Dans votre workflow, accrochez un nœud OpenAI Chat Model au nœud AI Agent. Oui, même pour parler à LM Studio : c'est tout l'intérêt d'une API compatible.

Créer l'identifiant OpenAI personnalisé

1. Dans le nœud OpenAI Chat Model, section Credentials, choisissez Create New.
2. Remplissez deux champs. API Key : lm-studio, ou n'importe quelle chaîne, car LM Studio ne la vérifie pas. Base URL : http://host.docker.internal:1234/v1.
3. Enregistrez l'identifiant.

Pourquoi host.docker.internal et pas localhost ? n8n tourne dans un container Docker. Pour lui, localhost désigne le container lui-même, pas votre ordinateur. Pour atteindre LM Studio sur la machine hôte, il faut passer par host.docker.internal, que la ligne extra_hosts du docker-compose a configuré. C'est le premier piège du local, et tout le monde y perd une heure.

Régler le modèle

Toujours dans le même nœud :

• Model : si la liste déroulante affiche des modèles OpenAI, passez en mode expression et saisissez le model_id obtenu avec /v1/models.
• Temperature : entre 0,2 et 0,3 pour un agent, car on cherche des réponses stables.
• Max tokens : 4096 par défaut, ce qui suffit dans la plupart des cas.

Étape 4 : tester avec un workflow minimal

1. Créez un nouveau workflow dans n8n.
2. Ajoutez le déclencheur When chat message received.
3. Ajoutez un nœud AI Agent (Tools Agent) et reliez-le au déclencheur.
4. Accrochez-y le Chat Model configuré à l'étape précédente.
5. Cliquez sur Open Chat et envoyez : « Bonjour, présente-toi en 2 phrases. »
6. L'agent répond, en 3 à 10 secondes selon votre machine.

Si tout fonctionne, votre agent tourne intégralement sur votre ordinateur. Vous pouvez maintenant lui ajouter des outils et un prompt système.

Le second piège ne se corrige pas avec une ligne de configuration. Un modèle local de 7 ou 8 milliards de paramètres appelle ses outils bien moins sûrement qu'un grand modèle du cloud. Votre agent choisira parfois le mauvais outil, ou formatera mal ses arguments. Votre installation n'y est pour rien. Inutile de retravailler le prompt sans fin : simplifiez plutôt l'agent quand il passe en local. Moins d'outils, des descriptions d'outils plus explicites, un déroulé plus guidé et, si possible, une sortie plus encadrée. Un agent à deux outils tourne très correctement en local. Le même avec six outils déraille.

L'alternative : Ollama à la place de LM Studio

Si vous préférez l'open source, ou si vous travaillez surtout en ligne de commande, Ollama est l'alternative habituelle.

Installer Ollama

• Mac : brew install ollama, ou l'installeur disponible sur ollama.com.
• Linux : curl -fsSL https://ollama.com/install.sh | sh
• Windows : l'installeur disponible sur ollama.com.

Lancer Ollama et télécharger un modèle

ollama serve                       # Lance le serveur sur localhost:11434
ollama pull granite4.1:8b          # Télécharge le modèle (environ 5 Go)
ollama list                        # Affiche les modèles disponibles

Relier n8n à Ollama

Deux possibilités dans n8n :

1. Le nœud Ollama Chat Model, prévu pour cela. Base URL : http://host.docker.internal:11434. Choisissez ensuite le modèle dans la liste.
2. Le nœud OpenAI Chat Model, car Ollama expose lui aussi une API compatible avec celle d'OpenAI. Base URL : http://host.docker.internal:11434/v1. API Key : n'importe quelle chaîne. Model : le nom exact du modèle, par exemple granite4.1:8b.

LM Studio ou Ollama : comment choisir

Notre conseil : démarrez avec LM Studio pour apprendre. L'interface est claire et un modèle se télécharge en deux clics. Passez à Ollama si vous déployez sur un serveur ou si vous tenez au 100 % open source.

Pour découvrir l'outil, lisez n8n, c'est quoi ? et notre page n8n, Make, Zapier. Pour un avis sur votre propre projet d'agent, réservez un pré-audit gratuit.