Ollama tutoriel : le guide complet d’installation et d’utilisation en 2026

Avec 170 000 étoiles sur GitHub et 52 millions de téléchargements de modèles par mois au premier trimestre 2026, Ollama est devenu le standard incontesté pour faire tourner des LLM en local sur son propre ordinateur. Là où LM Studio vise les utilisateurs qui préfèrent une interface graphique et GPT4All cible les débutants absolus, Ollama s’impose comme la solution privilégiée des développeurs et des power users : ligne de commande puissante, API REST native compatible OpenAI, intégration Docker, support Linux/macOS/Windows, et une bibliothèque de plus de 100 modèles téléchargeables en une seule commande (Llama 4, Mistral 3, DeepSeek R1, Qwen 3.5, Gemma 4, Phi-4). Mieux : selon Red Hat, l’écart entre modèles open-source et propriétaires n’est plus que de 3 mois en moyenne en 2026, contre plus d’un an il y a deux ans. Autrement dit, Ollama vous permet d’avoir votre propre ChatGPT privé, gratuit, hors ligne, et sans aucune fuite de données. Ce Ollama tutoriel vous emmène pas à pas, de l’installation aux configurations avancées, en passant par les meilleurs modèles 2026 et l’intégration VS Code.

Qu’est-ce qu’Ollama et pourquoi l’utiliser ?

Ollama est un outil open source gratuit qui permet de télécharger, gérer et exécuter des grands modèles de langage (LLM) directement sur votre machine, sans envoyer aucune donnée à un serveur externe. C’est en quelque sorte le « Docker des LLM » : vous tapez ollama run llama3.3 et le modèle se télécharge, se charge en mémoire et s’ouvre en chat — le tout en quelques secondes.

L’analogie la plus parlante : pensez à Ollama comme un lecteur de musique local (type VLC) par opposition à un service de streaming (comme ChatGPT en ligne). Avec un lecteur local, vous possédez les fichiers (ici, les modèles IA), vous n’avez pas besoin d’internet pour les utiliser, et personne ne sait ce que vous écoutez (vos conversations restent privées).

Quatre raisons principales d’utiliser Ollama plutôt qu’une API cloud :

• Confidentialité totale : vos données ne quittent jamais votre machine. C’est rédhibitoire pour les usages sensibles (juridique, médical, RH, données entreprise).
• 0 € par mois : pas d’abonnement, pas de facturation à l’usage, pas de surprise sur la facture en fin de mois.
• Disponible hors ligne : ça marche dans le train, dans l’avion, en zone blanche, en panne d’internet.
• Personnalisable : vous contrôlez le modèle, les paramètres, le system prompt, tout.

Le seul vrai bémol est le hardware nécessaire. Mais vous serez probablement surpris par ce que votre machine actuelle peut déjà faire — même sans GPU dédié.

Si vous découvrez le concept de LLM ou d’IA locale, lisez d’abord notre guide complet sur les LLM et notre guide installer une IA en local.

Configuration matérielle recommandée

Avant d’installer Ollama, assurez-vous que votre machine peut faire tourner les modèles que vous visez. Voici les configurations recommandées en 2026.

Configuration minimale (modèles 3-4B)

Pour faire tourner des modèles légers comme Phi-4 Mini, Gemma 4 E4B, Llama 3.2 3B :

• RAM : 8 Go minimum (16 Go recommandé)
• VRAM : 4 Go (ou CPU only en mode lent)
• Stockage : 10 Go d’espace libre
• CPU : processeur moderne des 5 dernières années

Configuration confortable (modèles 7-8B)

Pour Mistral 3 8B, Llama 3.3 8B, Qwen 3 Coder 7B — la zone idéale en 2026 :

• RAM : 16 Go
• VRAM : 8 Go (RTX 3060, RTX 4060, M1/M2/M3 Mac)
• Stockage : 20 Go

Configuration puissante (modèles 13-30B)

Pour Mistral Small 24B, Gemma 4 26B MoE, DeepSeek R1 32B :

• RAM : 32 Go
• VRAM : 16-24 Go (RTX 4080, RTX 4090, M3 Pro/Max)
• Stockage : 40 Go

Configuration extrême (modèles 70B+)

Pour Llama 3.3 70B, DeepSeek V3 distillé :

• RAM : 64 Go minimum
• VRAM : 40+ Go (RTX 4090 + offload, A6000, ou Mac Studio M3 Max 64 Go+)

Astuce importante : ne confondez pas la taille du fichier téléchargé avec la VRAM nécessaire. Un modèle de 4,7 Go sur disque nécessite environ 6 Go de VRAM car les métadonnées et le cache KV occupent de l’espace supplémentaire en mémoire. Si votre GPU manque de VRAM, Ollama bascule automatiquement certaines couches sur le CPU, ce qui ralentit considérablement l’inférence.

Installation d’Ollama : Windows, macOS, Linux

L’installation est volontairement simple sur les trois OS principaux. Voici comment procéder.

Installation sur macOS

Deux méthodes au choix.

Méthode 1 : installateur graphique (recommandé pour les débutants)

1. Rendez-vous sur ollama.com
2. Cliquez sur Download for Mac (compatible macOS 14 Sonoma ou ultérieur)
3. Ouvrez le fichier .dmg téléchargé et déplacez Ollama dans Applications
4. Lancez Ollama. Une icône apparaît dans la barre de menu

Méthode 2 : Homebrew (pour les habitués du terminal)

bash

brew install ollama
brew services start ollama

Vérifiez l’installation :

bash

ollama --version

Installation sur Windows

1. Rendez-vous sur ollama.com et téléchargez l’installeur Windows
2. Lancez l’exécutable et suivez l’assistant
3. Ollama démarre automatiquement et affiche une icône dans la zone de notification
4. Ouvrez PowerShell et tapez :

powershell

ollama --version

L’installeur ajoute Ollama au PATH système. Attention : si vous avez un pare-feu strict, autorisez le port 11434 sur lequel Ollama écoute en local.

Installation sur Linux

Une seule commande suffit grâce au script officiel :

bash

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

Le script détecte votre distribution, installe Ollama, et configure un service systemd qui démarre automatiquement au boot.

Vérifications :

bash

ollama --version
sudo systemctl status ollama

Pour activer le démarrage automatique :

bash

sudo systemctl enable ollama

Vérifier qu’Ollama tourne bien

Sur les 3 OS, ouvrez votre navigateur et allez à http://localhost:11434. Vous devriez voir le message « Ollama is running ». Si oui, l’installation est réussie.

Lancer son premier modèle avec Ollama

L’utilisation est simplissime. Une seule commande lance le téléchargement et démarre une conversation.

Premier modèle : Llama 3.3 8B (recommandé pour débuter)

Ouvrez votre terminal et tapez :

bash

ollama run llama3.3

Ollama télécharge le modèle (environ 4,7 Go) puis ouvre directement un chat dans votre terminal. Vous pouvez taper votre première question :

>>> Bonjour, peux-tu te présenter en français ?

Le modèle répond en quelques secondes. Pour quitter le chat, tapez /bye ou Ctrl + D.

Question unique sans session interactive

Vous n’êtes pas obligé d’ouvrir une session. Pour une question rapide :

bash

ollama run llama3.3 "Explique la photosynthèse en 3 phrases"

La réponse s’affiche, puis vous revenez au terminal. Pratique pour des scripts ou des automatisations.

Travailler avec un fichier

Vous pouvez piper le contenu d’un fichier vers Ollama :

bash

cat mon_fichier.py | ollama run codellama "Explique ce code et suggère des améliorations"

Ou enregistrer la réponse :

bash

ollama run mistral "Résume Cyrano de Bergerac en 100 mots" > resume.txt

Générer un message de commit Git

Cas d’usage très populaire chez les développeurs :

bash

git diff --staged | ollama run mistral "Génère un message de commit conventionnel pour ces changements"

Pour aller plus loin sur l’utilisation des prompts, consultez notre guide complet sur l’écriture de prompts.

Les commandes essentielles d’Ollama

Voici les commandes que vous utiliserez tous les jours. Apprenez-les par cœur.

Gestion des modèles

bash

# Lister les modèles installés
ollama list
# ou son alias plus court :
ollama ls

# Afficher les détails d'un modèle (paramètres, taille, etc.)
ollama show llama3.3

# Télécharger un modèle sans le lancer
ollama pull mistral

# Télécharger une variante spécifique (taille, quantification)
ollama pull llama3.3:70b
ollama pull qwen3:7b-instruct-q4_K_M

# Supprimer un modèle pour libérer de l'espace
ollama rm codellama:7b

Inspection et maintenance

bash

# Voir les modèles actuellement chargés en mémoire
ollama ps

# Lancer le serveur Ollama manuellement
ollama serve

# Mettre à jour Ollama
# (méthode varie selon l'OS, voir documentation officielle)

Gestion avancée

bash

# Authentification au registre Ollama
ollama signin

# Publier un modèle personnalisé
ollama push mon-modele

# Créer un modèle personnalisé depuis un Modelfile
ollama create mon-modele-custom -f ./Modelfile

Les meilleurs modèles Ollama en 2026

La bibliothèque Ollama compte plus de 100 modèles pré-quantifiés en avril 2026. Voici la sélection à connaître selon votre usage.

Pour un usage généraliste : Mistral 3 8B

Mistral 3 8B est le couteau suisse en 2026 — excellent en français, bon en anglais, raisonnement solide, conversation naturelle. 8 Go de VRAM suffisent.

bash

ollama run mistral3

Pour le code : Qwen 3 Coder 7B et Devstral 2

Qwen 3 Coder 7B atteint 76,0 sur HumanEval, le meilleur score pour un modèle sous 8B paramètres. C’est l’excellent choix pour l’assistance au code en local sur une machine modeste.

bash

ollama run qwen3-coder:7b

Devstral 2 Small (24B) de Mistral AI atteint 68,0 % sur SWE-bench Verified — il rivalise avec des modèles 5 fois plus gros. Nécessite 16 Go de VRAM minimum.

bash

ollama run devstral2-small

Pour le raisonnement : DeepSeek R1 distillé

Si vous voulez du raisonnement profond en local, DeepSeek R1 32B distillé offre des performances proches des modèles propriétaires sur les mathématiques et la logique. Voir notre guide complet sur DeepSeek pour comprendre le modèle en détail.

bash

ollama run deepseek-r1:32b

Pour le multimodal : Llama 4 Scout

Llama 4 Scout offre 10 millions de tokens de contexte et un support multimodal natif (texte + images). Le choix pour analyser des PDF longs ou des codebases entières en local.

bash

ollama run llama4-scout

Pour l’agentic et le tool calling : Gemma 4

Gemma 4 de Google (avril 2026) apporte le function calling natif — essentiel pour construire des agents autonomes en local. Voir notre guide pour créer un agent IA.

bash

ollama run gemma4

Tableau comparatif des meilleurs modèles 2026

Astuce : ollama pull télécharge automatiquement la version quantifiée Q4_K_M adaptée à votre matériel — un excellent compromis entre qualité et taille.

Configurer une interface graphique avec Open WebUI

Le terminal c’est puissant, mais une interface web est plus pratique au quotidien. Open WebUI est l’interface graphique de référence pour Ollama : style ChatGPT, support multi-utilisateurs, capacités RAG, gestion de fichiers, et bien plus.

Installation rapide via Docker

Si vous avez Docker installé :

bash

docker run -d -p 3000:8080 \
  -v open-webui:/app/backend/data \
  -e OLLAMA_BASE_URL=http://host.docker.internal:11434 \
  --name open-webui \
  ghcr.io/open-webui/open-webui:main

Puis ouvrez http://localhost:3000 dans votre navigateur. Créez un compte (le premier compte créé a les droits admin), et vous voilà avec une interface ChatGPT-like qui tourne 100 % en local.

Sans Docker

Open WebUI s’installe aussi via Python :

bash

pip install open-webui
open-webui serve

Open WebUI inclut nativement :

• Sélection du modèle Ollama
• RAG sur vos documents (uploadez des PDF et discutez avec)
• Gestion des prompts système
• Historique des conversations
• Mode sombre / clair
• API compatible OpenAI

Pour comprendre comment fonctionne le RAG, voir notre guide complet sur le RAG.

Utiliser Ollama avec Python : l’API REST locale

Ollama expose nativement une API REST sur le port 11434, compatible avec le SDK OpenAI. Voici comment l’utiliser dans vos scripts Python.

Installation du SDK

bash

pip install ollama

Premier script Python

python

import ollama

response = ollama.chat(model='llama3.3', messages=[
    {'role': 'user', 'content': 'Pourquoi le ciel est-il bleu ?'},
])

print(response['message']['content'])

Streaming des réponses (recommandé)

Pour afficher la réponse au fur et à mesure :

python

import ollama

stream = ollama.chat(
    model='mistral3',
    messages=[{'role': 'user', 'content': 'Raconte une histoire courte'}],
    stream=True,
)

for chunk in stream:
    print(chunk['message']['content'], end='', flush=True)

Utilisation directe de l’API REST

Si vous préférez curl ou un autre langage :

bash

curl -X POST http://localhost:11434/api/generate -d '{
  "model": "llama3.3",
  "prompt": "Explique la blockchain en 50 mots"
}'

Compatibilité OpenAI

Ollama expose aussi une API compatible avec le SDK OpenAI sur http://localhost:11434/v1. Vous pouvez réutiliser vos scripts existants en changeant juste l’URL de base :

python

from openai import OpenAI

client = OpenAI(
    base_url='http://localhost:11434/v1',
    api_key='ollama',  # peut être n'importe quoi, non vérifié en local
)

response = client.chat.completions.create(
    model='llama3.3',
    messages=[{'role': 'user', 'content': 'Hello!'}],
)

print(response.choices[0].message.content)

C’est l’un des grands atouts d’Ollama : tous vos scripts conçus pour OpenAI fonctionnent immédiatement avec Ollama en changeant juste l’URL.

Intégrer Ollama avec VS Code via Continue

L’une des intégrations les plus puissantes : utiliser Ollama comme assistant de code dans VS Code, gratuitement, à la place de GitHub Copilot.

Installation

1. Ouvrez VS Code
2. Marketplace → recherchez Continue → installez l’extension
3. Une fois installé, cliquez sur l’icône Continue dans la barre latérale

Configuration pour Ollama

Dans le fichier ~/.continue/config.json (créé automatiquement) :

json

{
  "models": [
    {
      "title": "Qwen 3 Coder",
      "provider": "ollama",
      "model": "qwen3-coder:7b"
    }
  ],
  "tabAutocompleteModel": {
    "title": "Qwen Coder",
    "provider": "ollama",
    "model": "qwen3-coder:7b"
  }
}

Vous obtenez alors :

• Tab completion dans VS Code (style Copilot)
• Chat IDE pour poser des questions sur votre code
• Édition multi-fichiers via l’agent Continue

Tout en local, gratuit, sans aucune fuite de code vers OpenAI ou Anthropic. Pour aller plus loin sur les outils de code IA, consultez notre guide sur Cursor et notre comparatif des outils de vibe coding.

Créer un modèle personnalisé avec un Modelfile

L’une des fonctionnalités avancées les plus utiles d’Ollama : créer vos propres versions de modèles avec un system prompt fixe et des paramètres custom.

Exemple : créer un assistant juridique en français

Créez un fichier nommé Modelfile :

FROM mistral3

SYSTEM """
Tu es un assistant juridique français spécialisé en droit du travail. 
Tu réponds toujours en français avec un ton professionnel.
Tu cites les articles du Code du travail quand c'est pertinent.
Tu rappelles systématiquement que tes réponses ne remplacent pas un avocat.
"""

PARAMETER temperature 0.3
PARAMETER num_ctx 8192

Créez le modèle :

bash

ollama create juriste-fr -f ./Modelfile

Lancez-le :

bash

ollama run juriste-fr "Quels sont les délais de préavis en CDI ?"

Vous avez maintenant un assistant spécialisé qui démarre directement avec son rôle et ses règles, sans avoir à les répéter à chaque conversation. Ce système est particulièrement puissant pour les workflows métier répétitifs.

Les pièges courants et leurs solutions

Voici les problèmes les plus fréquents rencontrés en utilisation d’Ollama, et comment les résoudre.

1. « Error: model not found »

Vérifiez le nom exact avec ollama list. Les noms sont sensibles à la casse et incluent parfois un tag (llama3.3:70b vs llama3.3:latest).

2. Réponse extrêmement lente

Le modèle est probablement en mode CPU offloading parce qu’il dépasse votre VRAM. Vérifiez avec ollama ps et choisissez un modèle plus petit, ou utilisez une version plus quantifiée (q4_K_M au lieu de q8_0).

3. Ollama ne répond pas

• Sur Windows : vérifiez que l’icône Ollama est dans la zone de notification
• Sur macOS : cliquez sur l’icône dans la barre de menu, vérifiez « Running »
• Sur Linux : sudo systemctl status ollama

4. Conflit de port

Si un autre service utilise le port 11434 :

bash

export OLLAMA_HOST=0.0.0.0:11435

5. Modèle qui crashe avec « out of memory »

Votre RAM ou VRAM est saturée. Solutions :

• Choisir un modèle plus petit
• Fermer les applications gourmandes
• Utiliser une version plus quantifiée
• Sur Linux : ajuster les paramètres OLLAMA_NUM_PARALLEL et OLLAMA_MAX_LOADED_MODELS

6. Premier prompt très lent

C’est normal — le modèle doit être chargé en mémoire. Les requêtes suivantes sont rapides. Compter 10-30 secondes pour le premier prompt après le lancement.

7. Support GPU non détecté (Linux)

Pour NVIDIA, installez le NVIDIA Container Toolkit :

bash

sudo apt install nvidia-container-toolkit
sudo systemctl restart docker

Vérifiez avec :

bash

docker run --rm --gpus all nvidia/cuda:12.0-base nvidia-smi

Ollama vs LM Studio vs GPT4All : lequel choisir ?

Trois solutions dominent l’IA locale en 2026, chacune avec son positionnement.

Ollama : pour les développeurs et power users

Forces : ligne de commande puissante, API REST native, scriptable, intégrations Docker/Python/VS Code, communauté GitHub massive (170 000 étoiles), bibliothèque de modèles la plus à jour.

Faiblesses : pas d’interface graphique native (nécessite Open WebUI), courbe d’apprentissage légère pour les non-tech.

Pour qui ? Développeurs, data scientists, DevOps, power users qui veulent automatiser, scripter et intégrer dans leurs workflows.

LM Studio : pour ceux qui préfèrent les interfaces graphiques

Forces : interface graphique soignée, gestion visuelle des modèles, paramétrage GUI des hyperparamètres, comparaison facile entre modèles. Notre tutoriel LM Studio détaille son utilisation.

Faiblesses : moins scriptable, moins de modèles disponibles, pas de service système natif.

Pour qui ? Utilisateurs qui veulent une expérience desktop polie sans toucher au terminal.

GPT4All : pour les débutants absolus

Forces : installation ultra-simple, interface familière, modèles pré-sélectionnés, focus sur la productivité immédiate. Voir notre guide GPT4All.

Faiblesses : moins flexible, moins de modèles, performances un peu en retrait.

Pour qui ? Personnes qui découvrent l’IA locale et veulent juste avoir un ChatGPT privé sans configuration complexe.

Verdict : la stack idéale en 2026

Pour un développeur sérieux : Ollama + Open WebUI + intégration VS Code via Continue. C’est la combinaison la plus puissante et la plus flexible.

Pour un utilisateur non-tech : LM Studio seul.

Pour démarrer absolument simplement : GPT4All.

Pour explorer toutes les alternatives, notre annuaire d’outils IA référence l’ensemble du marché.

FAQ : vos questions sur Ollama

Ollama est-il gratuit ?

Oui, totalement et pour toujours. Ollama est un projet open source sous licence MIT. Aucun abonnement, aucune limite, aucune télémétrie commerciale. Les modèles téléchargés sont également gratuits (sauf les modèles cloud premium, optionnels).

Quelle configuration faut-il pour utiliser Ollama ?

Le minimum confortable : 16 Go de RAM, 8 Go de VRAM (ou Mac M1/M2/M3 avec 16 Go de RAM unifiée). Avec ça, vous faites tourner Mistral 3 8B, Qwen 3 Coder 7B, Llama 3.3 8B sans problème. Pour les gros modèles (30B+), prévoyez 32-64 Go de RAM et 24 Go+ de VRAM.

Ollama fonctionne-t-il sans GPU ?

Oui, mais c’est lent. Sur CPU only, comptez 1-5 tokens par seconde pour un modèle 7B (vs 30-60 tokens/s sur GPU). Acceptable pour des réponses courtes, frustrant pour des longs textes. Si vous n’avez pas de GPU, privilégiez les modèles 3-4B (Phi-4 Mini, Gemma 4 E4B).

Comment mettre à jour Ollama ?

• macOS : relancez l’installeur depuis ollama.com, ou brew upgrade ollama
• Windows : téléchargez le nouvel installeur sur ollama.com
• Linux : curl -fsSL https://ollama.com/install.sh | sh (le script gère la mise à jour)

Puis-je faire tourner ChatGPT avec Ollama ?

Non, ChatGPT n’est pas open source. Mais Ollama vous permet de faire tourner des alternatives open source de qualité comparable : Llama 4, Mistral 3, DeepSeek R1, Qwen 3.5. Pour comprendre les différences entre LLMs, voir nos comparatifs Claude vs ChatGPT et Mistral vs ChatGPT.

Comment intégrer Ollama dans mon application ?

Trois options principales :

1. API REST native sur http://localhost:11434/api/generate
2. API compatible OpenAI sur http://localhost:11434/v1 (vos scripts OpenAI fonctionnent en changeant juste l’URL)
3. SDK Python officiel : pip install ollama

Ollama est-il sécurisé ?

Très. Tout tourne en local, rien ne sort de votre machine. Le port 11434 n’est ouvert que sur localhost par défaut — pas accessible depuis l’extérieur. Pour exposer Ollama sur votre réseau local (à éviter sauf raison technique précise), utilisez OLLAMA_HOST=0.0.0.0.

Peut-on utiliser Ollama en entreprise ?

Oui, et c’est même un cas d’usage massif en 2026. Beaucoup d’entreprises soumises au RGPD ou à des exigences de confidentialité (juridique, médical, finance, défense) déploient Ollama sur leurs serveurs internes. Pour le déploiement entreprise à grande échelle, vLLM est souvent préféré à Ollama pour ses performances supérieures.

Ollama supporte-t-il le RAG ?

Oui, via Open WebUI qui inclut un système RAG natif. Vous uploadez vos PDF, Word, ou autres documents, et discutez avec dans Open WebUI. Pour des cas d’usage avancés, vous pouvez construire votre propre pipeline RAG avec LangChain ou LlamaIndex + Ollama. Voir notre guide complet sur le RAG.

Quels modèles supportent le tool calling avec Ollama ?

En avril 2026 : Llama 3.3, Llama 4, Mistral Large 3, Qwen 3.5, Gemma 4 (function calling natif). Cela permet de construire des agents IA qui appellent des outils externes (API, bases de données, MCP servers). Voir notre guide MCP et créer un agent IA.

Conclusion : pourquoi adopter Ollama en 2026 ?

Ollama tutoriel : voilà, vous avez désormais toutes les clés pour faire tourner des LLM open source sur votre propre machine, gratuitement, en toute confidentialité. Avec 170 000 étoiles GitHub et 52 millions de téléchargements mensuels, Ollama est devenu le standard de fait pour l’IA locale en 2026 — et c’est mérité.

Les règles d’or à retenir :

• Démarrez avec Mistral 3 8B ou Llama 3.3 8B si vous avez 16 Go de RAM — c’est le sweet spot.
• Utilisez Open WebUI dès que possible pour avoir une vraie interface graphique.
• Intégrez avec VS Code via Continue pour remplacer Copilot gratuitement.
• Apprenez les Modelfiles pour créer vos assistants spécialisés.
• L’API compatible OpenAI vous permet de réutiliser tous vos scripts existants.
• Pour le code en local : Qwen 3 Coder 7B (léger) ou Devstral 2 (puissant).
• Pour le raisonnement : DeepSeek R1 distillé.
• Pour l’agentic : Gemma 4 (function calling natif).

L’IA locale a atteint un niveau de maturité suffisant pour remplacer les API cloud sur la majorité des tâches quotidiennes. Selon Red Hat, l’écart entre modèles open-source et propriétaires n’est plus que de 3 mois en moyenne. Avec Ollama, vous gardez le contrôle total sur vos données, vous économisez les abonnements (potentiellement 40-200 $/mois si vous payiez ChatGPT + Claude), et vous travaillez même hors ligne.

Le mieux est de tester immédiatement : ollama.com → Download, puis dans votre terminal ollama run mistral3, et observez la différence. Vous comprendrez vite pourquoi tant de développeurs ont fait d’Ollama leur outil IA principal au quotidien.

Pour aller plus loin

• Comment installer une IA en local : guide complet 2026
• LM Studio : tutoriel d’installation et utilisation
• GPT4All : intelligence artificielle privée et locale
• Qu’est-ce que DeepSeek ? Guide complet et avis 2026
• Qu’est-ce qu’un LLM ? Définition et fonctionnement 2026
• Qu’est-ce que le RAG (Retrieval-Augmented Generation) ?
• Qu’est-ce que le MCP (Model Context Protocol) ?
• Comment créer un agent IA : guide pratique 2026
• Cursor IA : guide complet de l’IDE de code
• Annuaire et comparateur d’outils IA