📝 დავალება 4 (Enterprise Setup)

n8n ლოკალური ინსტალაცია და Deep Research ლოგიკა

სულ: 10 ქულა

⏱️ სავარაუდო დრო: 60-90 წუთი

🏠 მთავარი 📊 სლაიდები 📚 შეჯამება 💪 სავარჯიშოები ⚡ ცნობარი 📚 გზამკვლევი 🤖 Executive Agents

🎯 დავალების მიზანი

ამ დავალების შესრულებით თქვენ:

  • გამოცდით Self-hosted ავტომატიზაციას და გაუშვებთ n8n-ს ლოკალურად.
  • ისწავლით Zero Data Leakage პრინციპების პრაქტიკაში გამოყენებას ლოკალური მოდელის (Ollama) მიერთებით.
  • ააწყობთ ციკლურ ლოგიკას (Looping) რთული კვლევითი ამოცანების ავტომატიზაციისთვის ან დანერგავთ ავტონომიურ Executive Briefing Agent-ს OS-ის დაგეგმარებით.
⚠️ ტექნიკური მოთხოვნები: ამ დავალებისთვის დაგჭირდებათ Docker Desktop-ის ინსტალაცია (და თუ Ollama-ს იყენებთ, კომპიუტერს უნდა ჰქონდეს მინიმუმ 8GB/16GB RAM). თუ თქვენი კომპიუტერი სუსტია, გააკეთეთ მხოლოდ ნაწილი 1 და ნაწილი 3 (ღრუბლოვანი AI-თ ან Python/LiteLLM სკრიპტით).

📋 დავალებები

შეასრულეთ ნაწილი 1 (სავალდებულო) და აირჩიეთ ერთ-ერთი არჩევითი (ნაწილი 2 ან 3) სრული 10 ქულის მისაღებად.

ნაწილი 1: n8n ლოკალური გაშვება (სავალდებულო) 🐳 5 ქულა

მოთხოვნა: დააყენეთ n8n თქვენს კომპიუტერზე Docker-ის გამოყენებით.

  • გადმოწერეთ და დააინსტალირეთ Docker Desktop (Windows/Mac).
  • გახსენით Terminal / Command Prompt და გაუშვით შემდეგი ბრძანება:
    docker run -it --rm --name n8n -p 5678:5678 -v n8n_data:/home/node/.n8n docker.n8n.io/n8nio/n8n
  • ბრაუზერში შედით მისამართზე http://localhost:5678 და გაიარეთ რეგისტრაცია (ლოკალურად).
  • შექმენით ახალი Workflow და დაამატეთ 1 მარტივი Webhook Trigger-ი და Set ნოდი.
ნაწილი 2: Zero Data Leakage - Ollama-ს ინტეგრაცია (არჩევითი) 🔒 5 ქულა

მოთხოვნა: დააკავშირეთ ლოკალური n8n ლოკალურ AI მოდელთან უსაფრთხო გარემოს შესაქმნელად.

  • გადმოწერეთ Ollama და გაუშვით მოდელი ტერმინალიდან: ollama run llama4, deepseek-v4.1 ან deepseek-r1:1.5b (ალტერნატივა: qwen2.5:7b).
  • n8n-ში დაამატეთ **Basic LLM Chain** და **Ollama Chat Model** ნოდები.
  • დააკონფიგურირეთ Ollama-ს Base URL (ჩვეულებრივ http://host.docker.internal:11434).
  • გაუშვით ტესტი, სადაც n8n დაამუშავებს ტექსტს ლოკალური მოდელის დახმარებით, ინტერნეტის გარეშე.
ნაწილი 3: Deep Research ლოგიკა ან Morning Briefing (არჩევითი) 🔄 5 ქულა

მოთხოვნა (აირჩიეთ ა ან ბ):

ვარიანტი ა (n8n Deep Research): შექმენით ვორქფლოუ Schedule Trigger-ით და Loop ნოდით (3 იტერაცია), სადაც HTTP Search API + AI აგენტი აანალიზებს მიღებულ შედეგს და ხარვეზების აღმოჩენისას აკეთებს მეორე, უფრო დაკონკრეტებულ ძიებას.

ვარიანტი ბ (Executive Morning Briefing Agent): გაუშვით პერსონალური ბრიფინგის აგენტი (Python + LiteLLM + Telegram), რომელიც კითხულობს Open-Meteo ამინდსა და სიახლეებს, ხოლო ოპერაციულ სისტემაში დააკონფიგურირეთ Windows Task Scheduler ან cron ყოველ დილას ავტომატური გაშვებისთვის.

📤 რა უნდა ჩააბაროთ

შექმენით 1 PDF დოკუმენტი შუალედური ანგარიშისთვის:

  1. n8n-ის ეკრანის ანაბეჭდი (ნაწილი 1): სურათი, სადაც ნათლად ჩანს ბრაუზერის მისამართი (localhost:5678) და თქვენი პირველი workflow.
  2. არჩევითი ნაწილის (2 ან 3) სურათი: Ollama-ს წარმატებული პასუხის ლოგი n8n-დან, Loop ნოდის არქიტექტურა, ან Morning Briefing-ის Telegram შეტყობინება Task Scheduler-ის ლოგით.
  3. ანალიტიკური პასუხი (2-3 წინადადება): რა განსხვავებას ხედავთ Make.com-სა და ლოკალურ n8n-ს შორის? რომელს აირჩევდით ბანკისთვის და რატომ?
📧 სად უნდა ჩააბაროთ: Google Classroom

📅 ვადა: მე-5 ლექციამდე

📎 ფაილის სახელი: HW4_თქვენი_სახელი_გვარი.pdf

⭐ შეფასების კრიტერიუმები

კომპონენტი ქულა შეფასების დეტალები
Docker & n8n Setup 5 ქულა n8n წარმატებით არის გაშვებული ლოკალურად. დასტურდება screenshot-ით (localhost).
ლოკალური AI / Deep Research / Briefing 4 ქულა წარმატებით არის დანერგილი Ollama-ს კავშირი, Loop ლოგიკა n8n-ში ან Executive Briefing აგენტის ავტონომიური დაგეგმარება.
თეორიული ანალიზი 1 ქულა დასაბუთებული პასუხი Make.com-ისა და n8n-ის განსხვავებების შესახებ (Zero-Leakage & ენთერფრაიზ კონტექსტში).