当你把客户合同、商业邮件、服务器日志全都扔给云端API处理的时候，有没有想过这些数据被发到了哪里？本文记录我用n8n和Ollama在本地搭建AI Agent工作流的完整过程——零成本、数据不出本机、断网可用。

本地AI Agent工作流示意

背景：为什么我要把AI搬回本地

做技术的人都有一个习惯：遇到问题先找API。邮件分类调OpenAI，合同摘要调GPT-4，日志分析调Claude。方便是真方便，但直到上个月处理一批含有报价条款的客户合同时，我才认真想了一下——这些合同的全文都被发到了第三方服务器。

对于个人项目来说，这或许不是问题。但当你处理的是商业敏感信息、客户数据、内部日志，云端API就变成了一个合规风险点。

于是我决定搭一套完全本地的AI自动化系统。要求很简单：

• 数据不出本机
• 不要花太多钱
• 能跑真实的自动化工作流，不是demo

最终选型是 n8n + Ollama。跑了一个月，把整个过程和踩过的坑记录下来。

技术选型：为什么是这两个工具

n8n：开源自托管，代码在你的服务器上。遇到拖拽搞不定的逻辑，直接写JavaScript或Python。内置AI Agent节点，可以接入本地模型。400+集成，GitHub 89.9k star。

Ollama：一行命令就能在本地跑大语言模型。不需要你懂PyTorch，不需要配CUDA。它提供的API接口兼容OpenAI格式，n8n可以直接对接。

简单说：n8n负责"做什么"，Ollama负责"怎么想"。

n8n工作流编排 + Ollama本地推理

硬件配置：你的电脑够不够

8B级别的模型完全够用。我用Llama 3.1 8B在32GB Mac上跑，响应速度大概3-5秒。不要一上来就追求最大模型——先用小模型跑通工作流，确认流程没问题后再升级。

安装部署：从零到跑通

Ollama安装一行命令：brew install ollama（Mac）或 curl -fsSL https://ollama.com/install.sh | sh（Linux）。n8n推荐Docker：docker run -d -p 5678:5678 n8nio/n8n。

连接时注意：Docker环境里Ollama地址填 host.docker.internal:11434，不是localhost。

实战效果

邮件分类准确率约85%，和GPT-4o-mini的92%相比有差距，但考虑到零成本和完全隐私，这个trade-off值得。

本地方案 vs 云端方案：成本与隐私对比

总结

本地部署AI Agent的门槛在2026年已经很低了。先跑起来，再谈优雅。先用小模型，再考虑升级。先做一个最简单的邮件分类，再想扩展。

本文基于2026年7月实际测试。软件版本更新可能导致部分步骤变化。