Blog / Article #200
OpenJarvis et Ollama : L'IA personnelle enfin chez vous, sans les mouchards

star

16 Novembre 2026
Illustration technique : Illustration of a person interacting with a holographic AI assistant in a cozy homelab setting, surrounded by servers and computers, digital brain connections, privacy, self-hosting, tech, no text.

L'intelligence artificielle est partout, et c'est tant mieux. Des assistants qui nous aident à écrire, coder, organiser nos journées… Le rêve, non ? Sauf que ce rêve a un prix : la confidentialité. Envoyer nos données, nos requêtes, nos idées les plus folles à des serveurs dont on ne maîtrise rien, ça me gratte un peu. C'est là que l'idée d'une IA vraiment personnelle, auto-hébergée, prend tout son sens. Et bonne nouvelle, j'ai repéré un duo qui pourrait bien nous offrir cette liberté : OpenJarvis et Ollama.

Sur mon homelab, j'ai toujours cherché à reprendre le contrôle de mes outils. Mail, stockage, services divers… pourquoi l'IA ferait exception ? La promesse d'avoir des agents intelligents, capables de raisonner, d'utiliser des outils, et tout ça, sans que mes données ne quittent ma maison, c'est juste… excitant. Dans cet article, on va explorer comment ces deux projets, OpenJarvis et Ollama, s'associent pour faire de cette vision une réalité. Prêt à construire votre majordome numérique privé ?

OpenJarvis et Ollama : Le duo de choc pour une IA locale

Quand on parle d'IA personnelle auto-hébergée, il faut deux choses : un moteur pour faire tourner les modèles de langage, et un cerveau pour orchestrer des agents intelligents. C'est exactement ce que proposent Ollama et OpenJarvis.

Commençons par Ollama. Si vous suivez un peu l'actualité de l'IA locale, vous le connaissez sûrement. Pour faire simple, Ollama, c'est un peu le « Docker pour les LLM locaux ». Il vous permet de télécharger, de faire tourner et d'interagir avec une multitude de modèles de langage open source (comme Gemma, Llama ou Qwen) directement sur votre machine. Il gère l'inférence, les poids des modèles, et expose une API REST compatible OpenAI, ce qui est super pratique. Le gros avantage ? Vos données ne quittent pas votre machine, et vous choisissez le modèle qui correspond à vos besoins et à vos ressources.

Ensuite, il y a OpenJarvis. C'est le petit nouveau que j'ai découvert récemment, et il est très prometteur. OpenJarvis est un framework de recherche pour des systèmes d'IA personnels composables et embarqués. Développé par Hazy Research et le Scaling Intelligence Lab de Stanford SAIL, il vise à permettre la construction d'une IA qui s'exécute localement par défaut, n'appelant le cloud que si c'est absolument nécessaire. Pensez-y comme à l'orchestrateur de votre IA. Il est structuré autour de cinq primitives clés :

  • Intelligence : Le choix de votre modèle (c'est là qu'Ollama intervient !).
  • Engine : Le runtime d'inférence (Ollama est l'un des nombreux backends supportés).
  • Agents : Le raisonnement multi-étapes, avec la capacité d'utiliser des outils.
  • Tools & Memory : Des capacités comme la recherche web, une calculatrice, l'accès aux fichiers, un interpréteur de code, et une mémoire persistante.
  • Learning : Une boucle d'apprentissage pour améliorer les modèles avec vos données locales.

L'intérêt d'OpenJarvis, c'est qu'il transforme un simple LLM en un véritable agent autonome, capable de planifier des actions, d'interagir avec le monde extérieur (localement ou via des API) et d'apprendre de vos interactions. Et comme il est conçu pour être « offline d'abord », la confidentialité est au cœur de sa philosophie. C'est un projet jeune, mais sa vision est parfaitement alignée avec l'idée de reprendre le contrôle de son IA.

Installation sur votre homelab : Mettre les mains dans le cambouis

Passons à la partie amusante : l'installation. L'objectif est de rendre ça le plus simple possible pour que vous puissiez tester le concept rapidement. Les deux outils ont des scripts d'installation plutôt efficaces.

Installer Ollama

Si vous n'avez pas encore Ollama, c'est la première étape. Sur Linux (ou WSL2) et macOS, c'est une simple commande curl :

curl -fsSL https://ollama.com/install.sh | sh

Pour Windows, c'est du PowerShell :

irm https://ollama.com/install.ps1 | iex

Une fois installé, lancez le service et téléchargez un modèle. Je vous conseille un modèle léger pour commencer, comme qwen3.5:4b, qui est souvent cité en exemple avec OpenJarvis :

ollama serve &ollama pull qwen3.5:4b

Ça va télécharger le modèle (quelques gigas, soyez patient) et lancer le serveur Ollama en arrière-plan.

Si vous préférez Docker, Ollama propose aussi une image officielle, ce qui est parfait pour un homelab :

docker pull ollama/ollama docker run -d -v ollama:/root/.ollama -p 11434:11434 --name ollama ollama/ollama

Installer OpenJarvis

OpenJarvis a également un script d'installation unique pour macOS, Linux et WSL2. C'est le plus simple pour démarrer, car il gère les dépendances Python, uv et même une petite installation d'Ollama si elle n'est pas présente :

curl -fsSL https://open-jarvis.github.io/OpenJarvis/install.sh | bash

Pour Windows, il y a un script PowerShell similaire :

irm https://open-jarvis.github.io/OpenJarvis/install.ps1 | iex

Ce script va créer un environnement Python virtuel, installer les dépendances et vous préparer à l'utilisation. Une fois l'installation terminée, vous pouvez configurer OpenJarvis via un fichier ~/.openjarvis/config.toml. Voici un exemple pour une configuration de chat simple, utilisant Ollama comme moteur et le modèle qwen3.5:4b :

# Copiez ceci dans ~/.openjarvis/config.toml
[engine]default = "ollama"
[intelligence]default_model = "qwen3.5:4b"
[agent]default_agent = "simple"
[server]host = "127.0.0.1"port = 8000

Ensuite, vous pouvez démarrer le backend d'OpenJarvis avec :

uv run jarvis serve --port 8000

Et si vous voulez l'interface web (qui est un frontend Node.js), il faut se rendre dans le répertoire OpenJarvis/frontend et lancer npm run dev après avoir installé les dépendances (npm install). Vous accéderez alors au tableau de bord via http://localhost:5173.

Au-delà du chat : Créer et étendre vos agents personnels

Maintenant que tout est en place, le vrai plaisir commence : créer et personnaliser vos agents. Avec OpenJarvis, vous ne vous contentez pas de discuter avec un modèle ; vous construisez un agent qui peut réellement agir.

Le fichier de configuration config.toml est votre terrain de jeu. En modifiant les sections [agent] et [intelligence], vous pouvez définir le comportement et la « personnalité » de votre agent. Par défaut, l'agent « simple » est un chatbot basique. Mais OpenJarvis brille par sa capacité à intégrer des « outils ».

Imaginez un agent capable de :

  • Gérer vos tâches : Il pourrait interagir avec une API de gestion de projet (Jira, Trello, ou même une simple base de données locale) pour ajouter, modifier ou lister des tâches.
  • Assistance contextuelle : En lui donnant accès à vos fichiers locaux (via des outils de lecture de fichiers) ou à une base de connaissances que vous lui indexez (mémoire), il pourrait répondre à des questions très spécifiques sur vos projets ou vos documents personnels.
  • Recherche web intelligente : Au lieu d'ouvrir votre navigateur, demandez à votre agent de faire une recherche et de synthétiser les résultats pour vous. OpenJarvis intègre déjà des outils pour cela.
  • Interprétation de code : Besoin d'exécuter un petit script Python ou de faire un calcul complexe ? L'agent peut le faire pour vous, de manière isolée et sécurisée.

L'intégration d'outils externes est la clé. OpenJarvis est conçu pour être extensible. Vous pouvez écrire vos propres outils en Python pour interagir avec n'importe quel service ou API sur votre réseau local ou sur Internet. C'est là que la personnalisation devient vraiment puissante : vous ne dépendez plus des fonctionnalités d'un service cloud, vous construisez les vôtres.

L'avantage majeur de cette approche est évident : la confidentialité. Vos données restent chez vous. De plus, vous avez un contrôle total sur les modèles utilisés et leur configuration. Vous pouvez expérimenter avec différents modèles, ajuster leurs paramètres, et même envisager des boucles d'apprentissage locales pour améliorer les performances de vos agents au fil du temps, sans jamais exposer vos interactions. C'est la promesse d'une IA qui travaille pour vous, et non l'inverse.

Le mot de la fin : Libération ou simple bidouille ?

Alors, OpenJarvis avec Ollama, est-ce la libération tant attendue ou juste une bidouille de plus pour les geeks du homelab ? Je penche clairement pour la première option, même si le chemin est encore long. Le concept est solide : reprendre le contrôle de son IA, la faire tourner sur son propre matériel, et la rendre vraiment personnelle. Les avantages en termes de confidentialité, de coût (fini les abonnements aux API cloud qui peuvent vite chiffrer) et de personnalisation sont indéniables.

Bien sûr, il y a des limites. L'auto-hébergement demande des ressources (un bon CPU, de la RAM, et idéalement un GPU pour les modèles plus gros), et la complexité d'installation peut encore être un frein pour les moins techniques. OpenJarvis, en tant que projet de recherche, est en constante évolution, et certaines fonctionnalités sont encore jeunes ou demandent un peu de bricolage. Mais l'écosystème autour de l'IA locale grandit à une vitesse folle. La synergie entre des runtimes comme Ollama et des frameworks d'agents comme OpenJarvis est la preuve que l'avenir de l'IA n'est pas forcément dans les géants du cloud, mais aussi dans nos serveurs personnels. C'est un domaine à explorer absolument pour tout développeur ou passionné de tech qui souhaite une IA à son image, et surtout, sous son contrôle.

Publié le 16/11/2026 · 8 min de lecture Partager X LinkedIn

← Précédent Agecms et mcp : le cms php s'auto-héberge et se met à penser, le rêve du sysadmin flemmard ? Suivant → Purificateur d'air connecté : quand le cloud prend l'air