DevOps Intelligenza Artificiale Strumenti e Tooling

n8n con LLM: Automazioni HR con AI (Guida Completa)

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.

Descrizione del corso

n8n con LLM: costruisci automazioni HR basate su AI

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.

Cosa imparerai

  • Configurare un ambiente locale con n8n, Docker e Ollama e creare i primi workflow AI
  • Costruire prompt vincolati per ottenere output affidabili e strutturati dall'LLM
  • Leggere e inviare email via IMAP e SMTP, con classificazione e risposte automatiche
  • Salvare ed esportare dati con Data Tables, CSV ed Excel per report HR automatici
  • Implementare un sistema RAG completo con knowledge base, text splitting e vector store
  • Integrare tool esterni e costruire un primo AI agent nei workflow

Automazione AI applicata a casi reali

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.

Per chi è questo corso

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.

Elenco delle lezioni

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.

Guarda lezione

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.

Guarda lezione

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.

Guarda lezione

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.

Guarda lezione

Vediamo come vincolare le risposte dell'LLM per ottenere output affidabili: prompt strutturati e controllo del comportamento per evitare risposte ambigue o fuori contesto.

Guarda lezione

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.

Guarda lezione

Automatizziamo l'invio delle email: configuriamo SMTP, generiamo risposte intelligenti con l'LLM e testiamo l'intero flusso di risposta automatica end to end.

Guarda lezione

Rendiamo le risposte email più controllate e affidabili con prompt vincolati: standardizziamo l'output dell'AI per ottenere messaggi prevedibili e workflow più sicuri.

Guarda lezione

Introduciamo la logica condizionale con il nodo IF: filtriamo automaticamente le email in base all'oggetto e impostiamo le prime regole decisionali nei workflow.

Guarda lezione

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.

Guarda lezione

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.

Guarda lezione

Introduciamo la persistenza dei dati con le Data Tables di n8n su Docker: salviamo e organizziamo in modo strutturato le informazioni generate dai workflow.

Guarda lezione

Chiudiamo il flusso esportando i dati raccolti in CSV ed Excel: generiamo automaticamente report pronti all'uso per i processi HR.

Guarda lezione

Iniziamo a costruire interfacce di input con n8n Forms: creiamo un form con campi dinamici come testo e dropdown per raccogliere dati dagli utenti.

Guarda lezione

Costruiamo un form multi-step avanzato usando Switch e Dropdown: sequenziamo più passaggi con logiche condizionali per guidare l'utente nella compilazione.

Guarda lezione

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.

Guarda lezione

Persistiamo i dati raccolti dai form con le Data Tables di n8n: usiamo l'operazione Insert Row per salvare informazioni strutturate in modo affidabile.

Guarda lezione

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.

Guarda lezione

Iniziamo a costruire un sistema RAG (Retrieval-Augmented Generation) per i dati HR: creiamo una knowledge base interrogabile direttamente dai workflow AI.

Guarda lezione

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.

Guarda lezione

Passiamo alla fase di Generation: colleghiamo retrieval e LLM per costruire risposte contestualizzate basate esattamente sui documenti recuperati.

Guarda lezione

Integriamo il sistema RAG con le email: generiamo risposte automatiche intelligenti basate sulla knowledge base, unendo recupero documentale e invio della posta.

Guarda lezione

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.

Guarda lezione

Approfondiamo il retrieval su più documenti: ottimizziamo le query per rendere il sistema RAG più preciso quando lavora su fonti multiple.

Guarda lezione

Usiamo il vector store per generare risposte più accurate: mettiamo insieme i pezzi per ottenere una pipeline RAG completa, dall'indicizzazione alla generazione.

Guarda lezione

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.

Guarda lezione

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.

Guarda lezione

Costruiamo la knowledge base NIS2 e introduciamo lo step di retrieval: vediamo come il sistema recupera dai documenti le informazioni rilevanti per una domanda.

Guarda lezione

Ottimizziamo il retrieval dividendo i documenti NIS2 in chunk con il Text Splitter: porzioni ben dimensionate migliorano la precisione delle risposte dell'AI.

Guarda lezione

Interroghiamo la knowledge base NIS2 con un LLM: colleghiamo retrieval e generation per ottenere risposte documentate e basate sui contenuti caricati.

Guarda lezione

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.

Guarda lezione
Giovanni Pace

Giovanni Pace

Ingegnere Informatico · Pratola Peligna

  • 107 Corsi
Mi presento brevemente

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.

Questo corso include

  • Lezioni 31
  • Durata 5h 30m
  • Difficoltà advanced
  • Lingua it
  • Certificato No

Visti di recente