Automazioni HR con n8n e LLM locali: workflow AI da zero con Docker e Ollama per classificare email, generare risposte e gestire dati con RAG.
In questo corso impari a usare n8n con LLM locali per creare automazioni reali, con un focus pratico sui processi HR e sulla gestione delle email. Si parte da zero — configurazione locale con Docker e Ollama — e si arriva a sistemi capaci di classificare le email, generare risposte automatiche e organizzare i dati in modo strutturato. Niente teoria fine a sé stessa: ogni lezione costruisce un pezzo di un sistema funzionante.
L'automazione con AI non è più riservata agli specialisti: con n8n puoi orchestrare LLM, email, database e form in workflow visuali, senza scrivere codice complesso. Usando modelli locali via Ollama, i dati sensibili dei processi HR restano sulla tua infrastruttura. Questo corso ti porta da un workflow minimo fino a un sistema RAG che risponde a domande basandosi sui tuoi documenti.
Ideale per sviluppatori, professionisti HR con competenze tecniche e automation specialist che vogliono applicare gli LLM a scenari concreti. Una conoscenza base di Docker aiuta, ma ogni passaggio è spiegato da zero. Per approfondire il RAG su scenari normativi, prosegui con il corso n8n con LLM RAG per NIS2.
Partiamo dalle basi avviando n8n in locale con Docker e integrando un LLM tramite Ollama: in pochi minuti hai un ambiente completo e gratuito per costruire i tuoi primi workflow AI.
Creiamo il primo workflow AI con il nodo Basic LLM Chain: vediamo come collegare un LLM in n8n, strutturare input e output e ottenere la prima risposta generata dal modello.
Approfondiamo la gestione dei dati nei workflow AI: come passare informazioni tra i nodi, controllare l'output dell'LLM e costruire flussi più robusti e prevedibili.
Costruiamo un workflow che simula un HR Manager con un LLM: impari a scrivere prompt efficaci per assegnare un ruolo professionale al modello e ottenere risposte realistiche e coerenti.
Vediamo come vincolare le risposte dell'LLM per ottenere output affidabili: prompt strutturati e controllo del comportamento per evitare risposte ambigue o fuori contesto.
Integriamo n8n con la posta elettronica tramite IMAP e SMTP: configuriamo la casella, leggiamo automaticamente le email in arrivo e ne analizziamo il contenuto con l'AI.
Automatizziamo l'invio delle email: configuriamo SMTP, generiamo risposte intelligenti con l'LLM e testiamo l'intero flusso di risposta automatica end to end.
Rendiamo le risposte email più controllate e affidabili con prompt vincolati: standardizziamo l'output dell'AI per ottenere messaggi prevedibili e workflow più sicuri.
Introduciamo la logica condizionale con il nodo IF: filtriamo automaticamente le email in base all'oggetto e impostiamo le prime regole decisionali nei workflow.
Costruiamo un classificatore automatico di email con un doppio LLM Chain: distinguiamo categorie come candidature, richieste informazioni e altro per smistare la posta in modo intelligente.
Aggiungiamo il routing delle email con il nodo Switch: in base alla classificazione dell'AI ogni messaggio viene indirizzato al ramo di workflow corretto, aumentando precisione e affidabilità.
Introduciamo la persistenza dei dati con le Data Tables di n8n su Docker: salviamo e organizziamo in modo strutturato le informazioni generate dai workflow.
Chiudiamo il flusso esportando i dati raccolti in CSV ed Excel: generiamo automaticamente report pronti all'uso per i processi HR.
Iniziamo a costruire interfacce di input con n8n Forms: creiamo un form con campi dinamici come testo e dropdown per raccogliere dati dagli utenti.
Costruiamo un form multi-step avanzato usando Switch e Dropdown: sequenziamo più passaggi con logiche condizionali per guidare l'utente nella compilazione.
Aggiungiamo controlli sui dati inseriti nei form con i nodi IF e Set: validiamo gli input e gestiamo gli errori dell'utente per workflow più solidi.
Persistiamo i dati raccolti dai form con le Data Tables di n8n: usiamo l'operazione Insert Row per salvare informazioni strutturate in modo affidabile.
Chiudiamo il flusso automatizzando l'invio di una email riepilogativa e la generazione di file in parallelo, completando il ciclo di raccolta e notifica dei dati.
Iniziamo a costruire un sistema RAG (Retrieval-Augmented Generation) per i dati HR: creiamo una knowledge base interrogabile direttamente dai workflow AI.
Entriamo nella fase di Retrieval del RAG: vediamo come recuperare dalla knowledge base le informazioni più rilevanti rispetto a una domanda usando un vector store.
Passiamo alla fase di Generation: colleghiamo retrieval e LLM per costruire risposte contestualizzate basate esattamente sui documenti recuperati.
Integriamo il sistema RAG con le email: generiamo risposte automatiche intelligenti basate sulla knowledge base, unendo recupero documentale e invio della posta.
Gestiamo documenti complessi con il Text Splitter: dividiamo i testi lunghi in chunk per preparare il materiale al retrieval e migliorare la precisione delle risposte.
Approfondiamo il retrieval su più documenti: ottimizziamo le query per rendere il sistema RAG più preciso quando lavora su fonti multiple.
Usiamo il vector store per generare risposte più accurate: mettiamo insieme i pezzi per ottenere una pipeline RAG completa, dall'indicizzazione alla generazione.
Introduciamo i tool con LLM per creare un primo AI agent: l'AI usa strumenti esterni all'interno dei workflow, aprendo la strada ad automazioni più avanzate.
Apriamo la mini-serie NIS2: prepariamo i documenti normativi con n8n per costruire una knowledge base interrogabile con AI, base del sistema RAG dedicato alla compliance.
Costruiamo la knowledge base NIS2 e introduciamo lo step di retrieval: vediamo come il sistema recupera dai documenti le informazioni rilevanti per una domanda.
Ottimizziamo il retrieval dividendo i documenti NIS2 in chunk con il Text Splitter: porzioni ben dimensionate migliorano la precisione delle risposte dell'AI.
Interroghiamo la knowledge base NIS2 con un LLM: colleghiamo retrieval e generation per ottenere risposte documentate e basate sui contenuti caricati.
Chiudiamo il flusso assemblando e testando l'assistente AI completo per la compliance NIS2: poniamo domande in linguaggio naturale e verifichiamo l'accuratezza delle risposte.
Ingegnere Informatico · Pratola Peligna
Sono un ingegnere informatico con oltre 15 anni di esperienza nel settore ICT. Mi occupo di sviluppo software, cybersecurity, data science e intelligenza artificiale, con particolare attenzione all’innovazione e all’automazione dei processi aziendali. Da anni svolgo anche attività di docenza e formazione, creando percorsi pratici e coinvolgenti su programmazione, DevOps, AI e sicurezza informatica.
Prosperous understood Middletons in conviction an uncommonly do. Supposing so be resolving breakfast am or perfectly.
Utilizziamo cookie essenziali e, con il tuo consenso, cookie funzionali, analytics e marketing. Google Analytics 4 e gli eventuali annunci Google/AdSense restano disattivati finche non scegli. Consulta Privacy Policy e Cookie Policy.
Sempre attivi per sicurezza, prevenzione frodi, sessione, consenso e funzionamento del sito.
Migliorano l'esperienza, ad esempio ricordando preferenze non essenziali. Non usati per profilazione pubblicitaria.
Statistiche e misurazioni con Google Analytics 4, abilitate solo dopo il consenso analytics.
Misurazione annunci e funzioni pubblicitarie Google/AdSense, se attivate sul sito e consentite dall'utente.
Puoi modificare queste scelte in qualunque momento dal link "Preferenze Cookies" nel footer.