目次
- Part 1: ローカルAIワークフローの紹介
- Part 2: 使用する主要技術について
- Part 3: ステップバイステップの実装
- Part 4: 高度な設定とユースケース
- Part 5: まとめと次のステップ
- 最終まとめとクイズ
Part 1: ローカルAIワークフローの紹介
Chapter 1: ローカルAIスタックの概要
ローカルAI環境の重要性と可能性 🌟
最近のAI技術の進化により、大規模言語モデル(LLM)やAIエージェントをローカル環境で実行できるようになりました。これにより、クラウドサービスに依存せず、自分のコンピュータ上で完全に制御された環境でAIワークフローを構築・実行できるようになりました。
今回紹介するローカルAIスタックの構成要素 📚
今回構築するローカルAI環境は、以下の主要コンポーネントで構成されています：
- Docker - コンテナ化技術を使用して、一貫した環境を提供
- N8N (Nathan) - オープンソースのワークフロー自動化ツール
- MCP (Model Context Protocol) - Anthropicが開発したオープン標準で、AIモデルと外部ツールを連携
- AIエージェント - タスクを実行し、外部ツールやサービスとやり取りする自律型AI
これらのコンポーネントを組み合わせることで、RAG（Retrieval-Augmented Generation）パイプラインの構築やカスタムAIエージェントの作成など、高度なAIワークフローをローカルで実現できます。
Chapter 2: AIワークフローをローカルで実行する利点
プライバシーとセキュリティの向上 🔒
ローカル環境でAIワークフローを実行することの最大の利点の一つは、データの管理とプライバシーです。すべてのデータと処理が自分のマシン上で行われるため、センシティブな情報を外部サービスに送信する必要がありません。
コスト削減 💰
クラウドベースのAIサービスは、使用量に応じた課金モデルを採用していることが多く、大量のリクエストを行うとコストが急速に増加する可能性があります。ローカル環境では、初期セットアップ後は追加コストなしで運用できます。
柔軟性と制御性 🛠️
ローカル環境では、モデルの選択、パラメータの調整、ワークフローの設計など、すべての側面を完全に制御できます。これにより、特定のニーズに合わせてAIシステムを最適化することが可能になります。
外部依存の削減 🔄
インターネット接続や外部サービスの可用性に依存せず、オフラインでも完全に機能するAIワークフローを構築できます。これにより、信頼性と一貫性が向上します。
学習と実験の促進 🧪
ローカル環境では、失敗を恐れずに実験でき、AIシステムの仕組みについて深く学ぶことができます。これは特に学習目的や新しいアイデアのプロトタイピングに最適です。
Part 2: 使用する主要技術について
Chapter 1: Dockerとコンテナ化
Dockerの基本概念 📦
Docker はコンテナ化技術を提供するプラットフォームで、アプリケーションとその依存関係を「コンテナ」と呼ばれる軽量な実行環境にパッケージ化します。これにより、どのような環境でも同じように動作することが保証されます。
コンテナとは？ 🧩
コンテナは、アプリケーションの実行に必要なすべてのもの（コード、ランタイム、システムツール、ライブラリなど）を含む独立した単位です。仮想マシンと異なり、コンテナは基盤となるOSのカーネルを共有するため、非常に軽量で高速に起動します。
なぜAIワークフローにDockerが必要なのか？ 🔄
AIワークフローにおけるDockerの主な利点は以下の通りです：
- 環境の一貫性 - 開発環境と本番環境の差異によるトラブルを排除
- 依存関係の管理 - 複雑なAIフレームワークや異なるバージョンのライブラリを分離
- リソース効率 - コンテナは必要なリソースだけを使用し、オーバーヘッドが少ない
- 移植性 - 異なるマシンやクラウド環境に簡単に移行可能
- スケーラビリティ - 需要に応じて容易にスケールアップ/ダウン可能
Docker Desktopの役割 🖥️
Docker Desktop は、macOS、Windows、Linux向けに設計されたアプリケーションで、Dockerエンジンを簡単に使用できるようにするGUIツールです。Docker Desktopにより、コンテナの管理、イメージのプル/ビルド、ネットワークの設定などが視覚的に行えます。
Chapter 2: N8N (Nathan) - ワークフロー自動化ツール
N8Nとは何か？ 🔁
N8N（Nathan）は、オープンソースのノードベースのワークフロー自動化ツールです。様々なサービスやAPIを接続し、タスクを自動化するためのビジュアルインターフェースを提供します。コードを書かずに複雑な自動化ワークフローを設計できるため、技術的な知識が少ないユーザーでも利用できます。
N8Nの主な特徴 🌟
- ノードベースのビジュアルワークフロー - 直感的なドラッグ&ドロップインターフェース
- 豊富な統合オプション - 200以上のサービスとの接続が可能
- コミュニティノード - サードパーティ製のノードを追加して機能を拡張
- 自己ホスティング - 完全にオンプレミスで実行可能
- エラーハンドリング - 堅牢なエラー処理とリトライメカニズム
- 複雑なロジック - 条件分岐、ループ、並列処理などをサポート
AIワークフローにおけるN8Nの役割 🧠
N8Nは、AIワークフローにおいて以下のような役割を果たします：
- AIモデルのトリガーと結果の処理
- データの前処理と後処理
- 複数のAIサービスやツールの連携
- スケジュールされたAIタスクの実行
- エラーハンドリングとリトライロジックの実装
- 結果の保存や通知の送信
Chapter 3: MCP (Model Context Protocol) - AIとツールの連携
MCPの概念と目的 🔌
MCP（Model Context Protocol）は、Anthropicが開発したオープン標準で、AIモデルが外部データソース、サービス、ローカルファイルシステムなどと連携するための仕組みを提供します。MCPにより、大規模言語モデルは適切なコンテキストで外部ツールを検出し実行できるようになります。
MCPの仕組み ⚙️
MCPは以下のコンポーネントで構成されています：
- MCPサーバー - AIモデルからのリクエストを処理し、適切なツールにルーティング
- ツールレジストリ - 利用可能なツールとその機能を登録・管理
- クライアントライブラリ - AIアプリケーションがMCPと連携するためのインターフェース
- ツール実装 - 特定の機能（検索、ファイルアクセスなど）を提供するコンポーネント
MCPのワークフローは通常、以下のステップで進行します：
- AIモデルが特定のタスクを実行する必要があると判断
- MCPクライアントを通じてツールレジストリに利用可能なツールを照会
- 適切なツールを選択し、必要なパラメータを設定
- ツールを実行し、結果を取得
- 結果をAIモデルに返し、モデルが適切な応答を生成
MCPの利点 🚀
MCPを使用する主な利点は以下の通りです：
- 拡張性 - AIモデルの機能を外部ツールで簡単に拡張可能
- コンテキスト認識 - AIモデルは状況に応じて適切なツールを選択可能
- 標準化 - 統一されたインターフェースでさまざまなツールを接続
- セキュリティ - ツールへのアクセスを制御し、安全な実行環境を提供
- 開発者フレンドリー - 新しいツールやサービスの統合が容易
Part 3: ステップバイステップの実装
Chapter 1: Docker Desktopのセットアップ
Docker Desktopのインストール 💾
まずは、お使いのオペレーティングシステム用のDocker Desktopをダウンロードしてインストールします。
- Docker Desktop公式サイトにアクセス
- お使いのOS（Windows、macOS、Linux）に適したバージョンをダウンロード
- ダウンロードしたインストーラーを実行し、画面の指示に従ってインストール
Windowsユーザーの場合、WSL 2（Windows Subsystem for Linux 2）のインストールが必要になる場合があります。インストーラーが自動的に必要な設定を行いますが、詳細はDocker公式ドキュメントを参照してください。
Docker Desktopの基本設定 ⚙️
インストール後、Docker Desktopを起動して以下の基本設定を確認しましょう：
- リソース設定：Docker用にCPU、メモリ、ディスク容量を割り当てる
- 共有ドライブ：ローカルファイルシステムへのアクセスを許可する
- ネットワーク設定：必要に応じてプロキシを設定する
これらの設定は、Docker Desktopの「設定」メニューから行うことができます。
動作確認 🔍
Docker Desktopが正しくインストールされたことを確認するために、簡単なテストコンテナを実行しましょう。
- ターミナル（コマンドプロンプト）を開く
- 以下のコマンドを実行：
docker run hello-world
このコマンドが正常に実行され、"Hello from Docker!"というメッセージが表示されれば、Docker Desktopは正しく設定されています。
Chapter 2: DockerでのN8Nデプロイ
N8N Dockerイメージのプル 📥
Docker DesktopのGUIを使用して、N8N公式Dockerイメージをプルします。
- Docker Desktopを開く
- 「Containers」タブに移動
- 検索ボックスに「n8n」と入力
- 公式のN8Nイメージを見つけ、「Pull」ボタンをクリック
これにより、最新のN8N Dockerイメージがローカルマシンにダウンロードされます。
N8Nコンテナの設定と実行 🚀
イメージがダウンロードされたら、次のステップはN8Nコンテナを設定して実行することです。
- 「Images」タブでN8Nイメージを見つけ、「Run」ボタンをクリック
- 「Optional Settings」をクリックして詳細設定を表示
以下の設定を行います：
-
Container Name: 「n8n」など識別しやすい名前を設定
-
Ports: ホストマシンのポート5678をコンテナのポート5678にマッピング
-
Volumes: ホスト上のデータ保存場所とコンテナ内のパスをマッピング
- ホストパス:
/your/documents/directory/n8n - コンテナパス:
/home/node/.n8n
- ホストパス:
-
Environment Variables: 以下の環境変数を設定
-
N8N_BASIC_AUTH_ACTIVE=true（任意） -
N8N_COMMUNITY_NODES_ENABLED=true（重要: MCPクライアントをインストールするために必要）
-
- すべての設定が完了したら、「Run」ボタンをクリックしてコンテナを起動
N8Nへのアクセスとアカウント作成 👤
コンテナが起動したら、Webブラウザで以下のURLにアクセスしてN8Nを開きます：
http://localhost:5678
初回アクセス時にアカウントを作成するよう求められますので、以下の手順に従ってください：
- サインアップフォームに必要情報を入力
- アカウントを作成（これはローカルでのみ使用され、外部に送信されません）
- N8Nダッシュボードにログイン
これでN8Nが正常に動作し、次のステップに進む準備が整いました。
Chapter 3: N8NをMCP連携のために設定
コミュニティノードの有効化 🔌
MCPクライアントノードをインストールする前に、N8Nでコミュニティノードが有効になっていることを確認する必要があります。これは既に環境変数N8N_COMMUNITY_NODES_ENABLED=trueで設定していますが、N8N内でも確認しましょう。
- N8Nダッシュボードの右上にある三点メニュー（⋮）をクリック
- 「Settings」を選択
- 「Community nodes」セクションに移動
- コミュニティノードが有効になっていることを確認
MCPクライアントノードのインストール 📦
次に、MCPクライアントノードをインストールします：
- 「Community nodes」画面で「Install a community node」をクリック
- 検索ボックスに「nodes-mcp」と入力
- 「I understand the risks of installing unverified nodes」にチェックを入れる
- 「Install」ボタンをクリック
コミュニティノードは第三者によって開発されています。信頼できるソースからのノードのみをインストールし、セキュリティリスクを理解した上で使用してください。
インストールが完了すると、MCPクライアントノードがN8Nのノードパレットに追加され、ワークフローで使用できるようになります。
Dockerコンテナの再起動 🔄
新しくインストールしたノードを有効にするために、Dockerコンテナを再起動することをお勧めします：
- Docker Desktopの「Containers」タブに移動
- N8Nコンテナを見つける
- 再起動ボタンをクリック
コンテナが再起動したら、N8Nに再度アクセスし、新しいノードが使用可能になっていることを確認します。
Chapter 4: MCPクライアントのインストールと設定
MCPサーバーの選択 🌐
MCPを使用するには、様々なツールやサービスを提供するMCPサーバーを選択する必要があります。以下は、一般的に利用可能なMCPサーバーの例です：
- Brave Search API
- GitHub
- ローカルファイルシステム
- データベースアクセス
- ウェブスクレイピング
今回は例として、Brave Search APIを使用したウェブ検索MCPサーバーをセットアップします。
MCP資格情報の設定 🔑
N8Nでワークフローを作成するときに、MCPクライアントノードでMCP資格情報を設定します：
-
新しいワークフローを作成
-
MCPクライアントノードを追加
-
「Credentials」セクションで「Create New Credential」をクリック
-
以下の情報を入力：
- Name: 「Brave Search MCP」など
-
MCP Server Install Command: MCPサーバーのインストールコマンド
npx @anthropic-ai/mcp-cli@latest -y brave-search -
Environment Variables: 必要なAPIキーを設定
BRAVE_SEARCH_API_KEY=your_api_key_here
-
「Save」をクリックして資格情報を保存
MCPクライアントの操作設定 ⚙️
MCPクライアントノードで以下の操作を設定します：
-
List Tools: 利用可能なツールを一覧表示
- この操作で、MCPサーバーが提供するツールを確認できます
-
Execute Tool: 特定のツールを実行
-
Tool Name: 使用するツールの名前（例：
brave-search.web-search） - Tool Parameters: ツールに渡すパラメータ（例：検索クエリ）
-
Tool Name: 使用するツールの名前（例：
設定が完了したら、「Test Step」ボタンをクリックして正しく動作することを確認します。「List Tools」操作が成功すれば、利用可能なツールのリストが表示されます。
Chapter 5: MCPを活用した初めてのAIワークフロー構築
基本的なワークフローの作成 🔄
ここでは、チャットメッセージを受け取り、AIモデルとMCPを使用して応答するシンプルなワークフローを作成します。
-
新しいワークフローを作成し、名前を付ける（例：「AI Search Assistant」）
-
Chat Triggerノードを追加
- このノードは、チャットメッセージを受け取ったときにワークフローを開始します
-
Chat Modalノードを追加して設定
- モデル: お好みのAIモデル（OpenAI、Gemini、Ollama、Deepseekなど）
- APIキー: 選択したAIモデルのAPIキー
- システムメッセージ: AIの振る舞いを定義する指示を設定
-
Memoryノードを追加
- チャット履歴を保持するためのメモリを設定
MCPクライアントの統合 🔌
次に、MCPクライアントをワークフローに統合します：
-
First MCP Clientノードを追加（ツール一覧表示用）
- 操作: List Tools
- 前の手順で作成した資格情報を選択
-
Second MCP Clientノードを追加（ツール実行用）
- 操作: Execute Tool
- ツール名:
brave-search.web-search - ツールパラメータ: 空欄（自動的に設定される）
-
ノード間の接続を設定
- Chat Trigger → Chat Model
- Chat Model → Memory
- Chat Model → MCP Client (List Tools)
- MCP Client (List Tools) → MCP Client (Execute Tool)
- MCP Client (Execute Tool) → Chat Model
AIシステムメッセージの設定 📝
Chat Modelノードのシステムメッセージを以下のように設定します：
あなたは知識豊富なアシスタントです。ユーザーの質問に答えるために、必要に応じてウェブ検索ツールを使用できます。情報が古いか不確かな場合は、最新の情報を検索してから回答してください。常に礼儀正しく、役立つ回答を提供してください。
これにより、AIモデルは質問に答えるためにウェブ検索ツールを適切に活用できるようになります。
ワークフローのテストと実行 🧪
設定が完了したら、ワークフローをテストします：
- 「Save」ボタンをクリックしてワークフローを保存
- チャットウィンドウを開き、質問を入力（例：「World of AIとは何ですか？」）
- AIが必要に応じてMCPウェブ検索ツールを使用し、最新の情報を含む回答を提供することを確認
うまく動作すれば、AIはウェブ検索ツールを使用して質問に関する最新情報を検索し、正確な回答を提供します。
Part 4: 高度な設定とユースケース
Chapter 1: 複数のMCPサービスの統合
複数のMCPサービスを活用する利点 🌐
単一のMCPサービスだけでなく、複数のMCPサービスを組み合わせることで、AIエージェントの機能を大幅に拡張できます。これにより、エージェントは次のようなことが可能になります：
- 情報の多角的収集 - 複数のソースから情報を収集して比較
- タスクの連鎖実行 - あるサービスの出力を別のサービスの入力として使用
- 専門性の組み合わせ - 各サービスの得意分野を活かした総合的な処理
追加MCPサービスのセットアップ 🛠️
前のセクションではBrave Search MCPをセットアップしましたが、ここでは追加のMCPサービスを統合する方法を説明します。例として、ローカルファイルシステムアクセス用のMCPをセットアップします：
- N8Nで新しいMCP資格情報を作成
- 以下のインストールコマンドを設定：
npx @anthropic-ai/mcp-cli@latest -y local-file-system - 必要な環境変数を設定（このMCPではAPIキーは不要）
- 「Save」をクリックして資格情報を保存
複数MCPサービスを利用するワークフロー例 🔄
ウェブ検索と結果のローカル保存を組み合わせたワークフロー例：
- Chat Triggerでユーザーの質問を受信
- Chat Modelが質問を処理
- Brave Search MCPを使用してウェブ検索を実行
- 検索結果をChat Modelに返す
- Chat Modelが回答を生成
- File System MCPを使用して回答をローカルファイルに保存
- 保存確認をユーザーに返す
このようなマルチサービスの連携により、単一のサービスでは実現できない複雑なタスクを自動化できます。
Chapter 2: 複雑なAIエージェントワークフローの作成
高度なワークフロー設計パターン 📊
より高度なAIエージェントワークフローを設計する際に役立つパターンをいくつか紹介します：
- 分岐処理 - ユーザーの意図に基づいて異なるMCPツールを選択
- 段階的処理 - 複数のステップに分けて複雑なタスクを処理
- 並列処理 - 複数のMCPサービスを同時に実行して効率化
- エラーハンドリング - 失敗した場合の代替アクションを定義
- フィードバックループ - 結果を評価し、必要に応じて処理を繰り返す
RAG（Retrieval-Augmented Generation）パイプラインの構築 📚
MCPを使用したRAGパイプラインの例を紹介します：
この例では、ユーザーの質問に対して、ウェブ、ローカルドキュメント、データベースから情報を収集し、それらを統合してAIモデルに与えることで、より正確で包括的な回答を生成します。
タスク自動化エージェントの構築 🤖
特定のタスクを自動化するAIエージェントの例：
- スケジュールされたトリガーでワークフローを開始
- GitHub MCPを使用してリポジトリの最新情報を取得
- File System MCPを使用してローカルプロジェクトのファイルを読み取る
- Web検索MCPを使用して関連する最新情報を検索
- 収集した情報を基にコード改善提案を生成
- File System MCPを使用して提案をファイルに保存
- 結果を通知（メール、Slack、Discordなど）
このようなエージェントは、定期的なコードレビュー、トレンド分析、ドキュメント更新などのタスクを自動化するのに役立ちます。
Chapter 3: 一般的な問題のトラブルシューティング
環境変数の問題 🔧
症状: MCPクライアントがAPIキーエラーを報告する、またはサービスに接続できない
解決策:
- 環境変数が正しく設定されていることを確認
- Docker再起動後にも環境変数が保持されるよう永続化されていることを確認
- 機密情報が正しく管理されていることを確認
Docker関連の問題 🐳
症状: N8Nコンテナが起動しない、または不安定
解決策:
- Docker Desktopのリソース設定を確認（CPU、メモリが十分か）
- コンテナログを確認して具体的なエラーを特定
- ボリュームのマウントが正しく設定されているか確認
- 最新のN8Nイメージを使用しているか確認
MCPサーバー接続の問題 🌐
症状: MCPツールが見つからない、または実行できない
解決策:
- MCPサーバーのインストールコマンドが正しいか確認
- インターネット接続を確認
- MCPサーバーが最新バージョンか確認
- 必要なアクセス権限がAPIキーに付与されているか確認
パフォーマンスの最適化 ⚡
ローカルAIワークフローのパフォーマンスを向上させるためのヒント：
- リソース割り当ての調整 - Docker Desktopの設定でCPUとメモリの割り当てを増やす
- ワークフローの効率化 - 不要なステップを削除し、データ処理を最適化
- キャッシュの活用 - 繰り返し使用するデータをキャッシュ
- 並列処理の活用 - 時間のかかるタスクを並列実行
- 軽量なAIモデルの検討 - ローカル実行に適した軽量モデルを選択
Part 5: まとめと次のステップ
Chapter 1: 利点のまとめ
技術スタックの利点 🌟
今回構築したDocker、N8N、MCPを組み合わせたローカルAI環境の主な利点を振り返ります：
1. Dockerの利点
- コンテナ化による一貫した実行環境
- 依存関係の分離と管理の簡素化
- ポータビリティと再現性の向上
- スケーラビリティとリソース効率の最適化
2. N8Nの利点
- ビジュアルワークフロー設計による開発の迅速化
- 豊富な統合オプションによる拡張性
- コードなしでの複雑な自動化の実現
- セルフホスティングによるデータ管理
3. MCPの利点
- AIモデルと外部ツールの標準化された連携
- コンテキスト認識型のツール選択と実行
- 開発者フレンドリーなプラグイン構造
- オープン標準による将来性と互換性
ユースケース別の利点 🎯
開発・テスト環境
- 迅速なプロトタイピングと実験
- クラウドコスト削減
- プライベートデータでの安全なテスト
自動化とワークフロー
- 繰り返しタスクの効率化
- 複数システム間の連携簡素化
- カスタム統合の柔軟な実装
教育・学習環境
- AIシステムの仕組みを体験的に学習
- コストを気にせず実験可能
- 実際のAIプロジェクトに近い環境で練習
小規模プロダクション
- コントロールとカスタマイズを重視する小規模システム
- プライバシー要件の厳しい業界での活用
- クラウドに依存しない独立システム
Chapter 2: 将来の可能性と拡張
ローカルAI環境の将来展望 🔮
ローカルAI環境は今後も進化を続け、以下のような発展が期待されます：
-
より軽量で高性能なローカルAIモデル
- 消費リソースを抑えながら高品質な結果を提供するモデルの登場
- ドメイン特化型の小型モデルの増加
-
エッジコンピューティングとの融合
- IoTデバイスとの連携強化
- リアルタイムデータ処理能力の向上
-
ハイブリッドアプローチの一般化
- ローカルとクラウドのAIを状況に応じて使い分ける柔軟なアーキテクチャ
- プライバシーとパフォーマンスのバランスの最適化
システム拡張の方向性 🚀
今回構築したシステムを拡張する方向性としては、以下のようなアプローチが考えられます：
1. 機能拡張
- 複数の言語モデルの統合と使い分け
- 画像認識、音声処理などのマルチモーダル機能の追加
- ドメイン特化型のMCPサービスの開発と統合
2. 自動化の高度化
- 継続的学習と自己改善機能の実装
- メタワークフロー（ワークフローを管理するワークフロー）の構築
- 予測的自動化（将来のニーズを予測して自動的に処理）
3. ユーザビリティの向上
- よりシンプルなセットアッププロセス
- ワンクリックデプロイメントオプション
- 視覚的なモニタリングとデバッグツール
Chapter 3: 追加リソース
学習リソース 📚
ローカルAI環境の構築と活用についてさらに学ぶためのリソース：
Docker関連
N8N関連
MCP関連
AIエージェント開発
コミュニティとフォーラム 👥
知識の共有や質問のためのコミュニティリソース：
- Docker Community Forums
- N8N Discord Server
- AI & ML Reddit Communities
- Hugging Face Forums
- GitHub Discussions for various MCP servers
最終まとめとクイズ
このチュートリアルでは、Docker、N8N、MCPを組み合わせたローカルAI環境の構築方法を学びました。この組み合わせにより、AIモデルと外部ツールやサービスを連携させ、高度な自動化ワークフローを実現することが可能になります。
ローカルで実行することのメリットとしては、プライバシー保護、コスト削減、完全な制御性などが挙げられます。また、この環境はシンプルなウェブ検索から複雑なRAGパイプライン、自動化エージェントまで、幅広いユースケースに対応できる柔軟性を持っています。
実装の手順としては、Docker Desktopのインストールから始まり、N8Nのデプロイ、MCPクライアントの設定、そして基本的なAIワークフローの構築まで、ステップバイステップで進めました。さらに、複数のMCPサービスの統合や高度なワークフロー設計パターン、トラブルシューティングについても解説しました。
AI技術の進化とともに、ローカルAI環境の可能性もさらに広がっていくでしょう。
学習度確認クイズ
以下のクイズを解いて、理解度を確認してみましょう：
-
DockerとN8Nの連携における主なメリットは何ですか？
- A. クラウドストレージの容量を増やせる
- B. ハードウェアの性能を向上させる
- C. 依存関係の問題なく一貫した環境で実行できる
- D. AIモデルの精度を向上させる
-
MCPの主な目的は何ですか？
- A. AIモデルの学習を高速化する
- B. AIモデルと外部ツール/サービスを連携させる
- C. ハードウェアリソースを最適化する
- D. ユーザーインターフェースを改善する
-
N8Nでコミュニティノードを有効にするために設定する環境変数は？
- A. N8N_ENABLE_COMMUNITY=true
- B. N8N_COMMUNITY_NODES_ENABLED=true
- C. ENABLE_COMMUNITY_NODES=yes
- D. N8N_EXTERNAL_NODES=enabled
-
RAGパイプラインの主な目的は何ですか？
- A. AIモデルのパラメータを自動調整する
- B. 複数のAIモデルを並列実行する
- C. 外部のデータソースからの情報でAIの回答を強化する
- D. エンドユーザー向けのインターフェースを生成する
-
ローカルAI環境の将来的な発展方向として最も可能性の高いものは？
- A. クラウドへの完全移行
- B. ハイブリッドアプローチ（ローカルとクラウドの組み合わせ）
- C. AIモデルのトレーニングに特化
- D. ハードウェア販売への移行