Configurer son Espace de Travail

Vue d’ensemble

Cette page vous guide dans l’installation et la configuration d’Ollama pour exécuter des modèles LLM en local. Vous apprendrez à installer Ollama sur votre système d’exploitation et configurer les modèles recommandés pour différents cas d’usage.

Avant de commencer

• Système d’exploitation : Linux, macOS ou Windows 10/11
• RAM : Minimum 8 GB (16 GB recommandé pour les modèles 7B+)
• Espace disque : 10-50 GB selon les modèles téléchargés
• GPU (optionnel mais recommandé) : NVIDIA (CUDA), AMD (ROCm) ou Intel Arc

Installation d’Ollama

Ollama permet d’exécuter des modèles LLM localement sur votre machine, garantissant confidentialité et performances.

Linux

# Installation via script officiel
curl -fsSL https://ollama.com/install.sh | sh

# Vérifier l'installation
ollama --version

# Démarrer le service Ollama
systemctl start ollama
systemctl enable ollama

macOS

# Télécharger depuis le site officiel
# https://ollama.com/download/mac

# Ou via Homebrew
brew install ollama

# Vérifier l'installation
ollama --version

Windows

# Télécharger l'installeur depuis
# https://ollama.com/download/windows

# Ou via winget
winget install Ollama.Ollama

# Vérifier l'installation
ollama --version

Vérification de l’installation

Après l’installation, vous pouvez tester Ollama en exécutant ollama list pour voir les modèles installés (vide au début).

Configuration des Modèles Recommandés

Voici les configurations optimisées pour différents modèles selon vos besoins :

Qwen3-Coder 30B (Modèle Principal - Code)

Excellent pour la génération de code, le refactoring et l’analyse de syntaxe.

# Télécharger et configurer le modèle
ollama run qwen3-coder:30b

# Dans le prompt interactif Ollama :
>>> /set parameter num_ctx 65536
Set parameter 'num_ctx' to '65536'
>>> /set parameter num_gpu 99
Set parameter 'num_gpu' to '99'
>>> /set parameter temperature 0.1
Set parameter 'temperature' to '0.1'
>>> /save qwen3-coder:30b
Created new model 'qwen3-coder:30b'
>>> /bye

Explication des paramètres :

• num_ctx 65536 : Contexte de 64K tokens (fichiers de code volumineux)
• num_gpu 99 : Utiliser tous les GPU disponibles
• temperature 0.1 : Réponses déterministes et précises

Utilisation :

• Génération de code Python, JavaScript, TypeScript
• Refactoring et optimisation de code existant
• Complétion de code intelligente
• Analyse de bugs et suggestions de corrections

Devstral 22B (Agent Spécialisé DevOps)

Optimisé pour Docker, Kubernetes, CI/CD et infrastructure.

ollama run devstral

>>> /set parameter num_ctx 131072
>>> /set parameter num_gpu 99
>>> /set parameter temperature 0.1
>>> /save devstral
>>> /bye

Cas d’usage :

• Génération de Dockerfiles optimisés
• Configuration Kubernetes/Helm
• Scripts CI/CD (GitLab, GitHub Actions)
• Infrastructure as Code (Terraform/Ansible)
• Déploiement et automatisation

GPT-OSS 30B (Usage Général)

Modèle polyvalent pour des tâches variées.

ollama run gpt-oss:30b

>>> /set parameter num_ctx 32768
>>> /set parameter num_gpu 99
>>> /set parameter temperature 0.1
>>> /save gpt-oss:30b-32k
>>> /bye

Cas d’usage :

• Rédaction de documentation technique
• Explications de concepts complexes
• Génération de messages de commit Git
• Assistance générale au développement
• Revue de code et suggestions

GPT-OSS 120B (Tâches Critiques)

Modèle puissant pour les tâches complexes nécessitant une compréhension approfondie.

ollama run gpt-oss:120b

>>> /set parameter num_ctx 16384
>>> /set parameter num_gpu 99
>>> /set parameter temperature 0.05
>>> /save gpt-oss:120b-16k
>>> /bye

Cas d’usage :

• Architecture logicielle complexe
• Revue de code approfondie et refactoring majeur
• Analyse de sécurité et détection de vulnérabilités
• Optimisation de performances critiques
• Debugging de problèmes complexes

Ressources nécessaires

Le modèle GPT-OSS 120B nécessite au minimum 80GB de RAM et un GPU avec au moins 24GB de VRAM pour des performances optimales.

Conseils d’optimisation

Pour améliorer les performances

1. Fermer les applications inutiles : Libérez de la RAM pour le LLM
2. Utiliser le GPU : Assurez-vous qu’Ollama utilise bien votre GPU
3. Ajuster num_ctx : Réduisez le contexte si vous avez peu de RAM
4. Charger un seul modèle à la fois : Évitez de surcharger la mémoire

Dépannage

Ollama ne démarre pas

# Vérifier le statut du service (Linux)
systemctl status ollama

# Redémarrer le service
systemctl restart ollama

# Voir les logs
journalctl -u ollama -f

Le modèle est trop lent

• Vérifiez que le GPU est bien utilisé : nvidia-smi (NVIDIA) ou intel_gpu_top (Intel)
• Réduisez num_ctx pour économiser la RAM
• Utilisez une version quantizée (q4_K_M) au lieu de FP16
• Consultez le Glossaire pour comprendre les paramètres

Prochaines Étapes

Maintenant que votre environnement est configuré :

• Prompt Engineering — Techniques pour de meilleures réponses
• OpenCode — Assistant IA en CLI
• Fabric — Automatiser les commits avec un LLM
• Glossaire IA — Concepts et métriques de performance