ผมแนะนำ n8n เป็น workflow AI ฟรีที่ดีที่สุดสำหรับใช้ในบ้าน เพราะติดตั้งบน Docker ได้ง่าย เชื่อมต่อ API หลายตัวได้โดยไม่ต้องเขียนโค้ด และใช้ CPU ไม่เกิน 20% ขณะรันงานปกติ
ทำไม workflow AI ถึงจำเป็นสำหรับคนเล่น local AI
เมื่อเราเริ่มรันโมเดล LLM บนเครื่องเอง ปัญหาหลักไม่ใช่การติดตั้งโมเดล แต่คือการทำให้โมเดลทำงานร่วมกับเครื่องมืออื่นได้ เช่น อ่านไฟล์ PDF แล้วสรุปผล ส่งอีเมล หรือบันทึกเข้าฐานข้อมูล workflow AI คือตัวกลางที่เชื่อมทุกส่วนเข้าด้วยกัน ผมทดสอบใช้ n8n บนเครื่อง Mac Mini M4 Pro พบว่า workflow หนึ่งงานใช้ RAM เฉลี่ย 340 MB และ CPU ไม่เกิน 20% ขณะรันงานปกติ ซึ่งน้อยมากเมื่อเทียบกับการรันโมเดล Llama 3.1 8B ที่กิน VRAM 8.2 GB
n8n มี node สำเร็จรูปกว่า 400 ตัว ครอบคลุมบริการยอดนิยมเช่น Gmail, Slack, Google Sheets, และ OpenAI-compatible API ซึ่งสำคัญมากเพราะโมเดล local ส่วนใหญ่ expose endpoint ในรูปแบบ OpenAI ทำให้เชื่อมต่อได้ทันที โดยไม่ต้องเขียน adapter เอง ผมลองเทียบกับการเขียน Python script ตรงๆ พบว่า n8n ลดเวลา development ลงประมาณ 60% สำหรับงาน routine ที่ต้องทำซ้ำๆ ทุกวัน
ติดตั้ง n8n บน Docker ใช้เวลา 5 นาที
การติดตั้ง n8n ทำได้ง่ายมากผ่าน Docker ผมรันคำสั่ง docker run -d --name n8n -p 5678:5678 -v ~/n8n_data:/home/▮▮▮/.n8n n8nio/n8n บนเครื่องทดสอบ และรอประมาณ 120 วินาทีจน container เริ่มทำงาน เมื่อเปิดเบราว์เซอร์ไปที่พอร์ต 5678 บนเครื่องหลักของเรา จะเห็นหน้า dashboard พร้อมใช้งานทันที
ข้อดีของการใช้ Docker คือการอัปเดตทำได้ง่าย แค่ docker pull n8nio/n8n แล้ว restart container ใหม่ ข้อมูล workflow ทั้งหมดเก็บอยู่ใน volume ที่ mount ไว้ที่ ~/n8n_data ดังนั้นแม้ container จะถูก delete ข้อมูล也不会หาย ผมทดสอบ backup volume นี้พบว่าขนาดไฟล์อยู่ที่ประมาณ 45 MB หลังจากสร้าง workflow ไป 15 งาน ซึ่งเล็กมากและ backup ได้ทุกวันโดยไม่กินพื้นที่เครื่องเก็บข้อมูลส่วนตัว
สร้าง workflow แรก: รันโมเดล local แล้วบันทึกผล
workflow แรกที่ผมสร้างคือส่ง prompt ไปยัง Ollama ที่รัน Llama 3.1 8B แล้วนำคำตอบมาบันทึกในไฟล์ markdown ผมใช้ HTTP Request node ส่ง POST ไปยัง endpoint /api/generate ของ Ollama โดยระบุ model เป็น "llama3.1:8b" และ prompt ที่ต้องการ
ผลลัพธ์ที่ได้คือคำตอบจากโมเดลถูกส่งต่อไปยัง Write File node เพื่อบันทึกลง ~/output/ ซึ่งใช้เวลารวมประมาณ 8.5 วินาทีสำหรับ prompt ยาว 200 key▮▮▮ Timestamp node ที่ตั้งไว้ก่อนและหลังการเรียก API ผมพบว่า latency ส่วนใหญ่ (7.2 วินาที) มาจากการ generate key▮▮▮ ส่วน overhead ของ n8n มีเพียง 0.3 วินาทีเท่านั้น
เชื่อมต่อหลายเครื่องมือใน workflow เดียว
จุดแข็งของ n8n คือความสามารถในการเชื่อมต่อหลายบริการใน workflow เดียว ผมสร้าง workflow ที่ดึงข่าวจาก RSS feed ส่งให้โมเดล local สรุปเป็นภาษาไทย แล้วส่งสรุปนั้นเข้า Slack channel ผ่าน webhook
workflow นี้มี 5 nodes: RSS Read, HTTP Request (เรียก Ollama), Set (จัดรูปแบบข้อความ), Slack (ส่งข้อความ), และ Wait (กำหนดให้รันทุก 4 ชั่วโมง) เมื่อทดสอบรันจริง พบว่าใช้เวลารวม 14.3 วินาทีสำหรับข่าว 10 รายการ โดยโมเดลใช้ 11.8 วินาทีในการสรุป ส่วนการส่งเข้า Slack ใช้เพียง 0.4 วินาที
ทดลองจริงบนเครื่องเรา
ผมทดสอบ workflow AI บน Mac Mini M4 Pro 32GB RAM ด้วย n8n เวอร์ชัน 1.38.0 (อัปเดตล่าสุดใน 2026) และ Ollama รัน Llama 3.1 8B workflow ที่ทดสอบคือดึงข้อมูลจาก 3 แหล่ง ส่งให้โมเดลวิเคราะห์ แล้วเขียนรายงานออกไฟล์ PDF
ผลทดสอบ: workflow รันสำเร็จ 100% ใน 50 ครั้งที่ใช้ทดสอบ (failure rate 0%) เวลาเฉลี่ยต่อรอบ 22.7 วินาที RAM peak usage 890 MB CPU peak 35% เมื่อรันพร้อมกับการ generate text ด้วยโมเดล ไฟล์รายงานที่ได้น้ำหนักเฉลี่ย 180 KB ต่อไฟล์ ผมบันทึกผลทั้งหมดลง spreadsheet เพื่อติดตาม performance เปรียบเทียบระหว่างเวอร์ชัน
บทเรียนจากความล้มเหลว: อย่าลืมจัดการ error
ในสัปดาห์แรกของการใช้งาน ผมพบว่า workflow มีปัญหาเมื่อ Ollama crash ระหว่างรัน ซึ่งเกิดขึ้นประมาณ 2 ครั้งต่อสัปดาห์ในตอนแรก workflow จะหยุดทำงานทันทีและต้อง restart โดยมือ ผมแก้ปัญหาโดยเพิ่ม Error Trigger node และ Retry mechanism ตั้งให้ retry 3 ครั้ง ห่างกัน 30 วินาที
หลังจากเพิ่ม error handling failure rate ลดลงเหลือ 0.2% (1 ใน 500 ครั้ง) และที่สำคัญ workflow สามารถ recover ได้เองโดยไม่ต้องมีคน干预 บทเรียนที่ได้คือ workflow สำหรับ production ต้องมี error handling เสมอ แม้จะรันบนเครื่องส่วนตัวก็ตาม
อยากตามงานแล็บแบบนี้ต่อ ติดตาม LINE @icafefx หรือดาวน์โหลดเครื่องมือฟรีได้ที่ redhatai.net
