Outils IA testés — retour d'expérience

Voici trois outils IA qu’on a testés dans nos workflows, chacun sur un usage bien différent : un assistant de code en CLI branché sur un LLM local, un générateur de messages de commit, et des assistants Gemini spécialisés à contexte massif. Ce n’est pas une doc exhaustive de chacun — c’est notre retex : ce que ça fait, comment démarrer vite, et si ça vaut le coup.

OpenCode — assistant de code en CLI

Ce que c’est : OpenCode est un assistant de développement IA en ligne de commande, qui peut piloter différents LLM (locaux ou cloud) pour vous assister sur des tâches de dev.

À quoi ça sert chez nous : coder avec un LLM local via Ollama — confidentialité du code, zéro coût API. On définit des agents spécialisés (DevOps, backend…) comme fichiers Markdown, chacun avec son modèle et ses outils.

Démarrer :

# Installer OpenCode
npm install -g @opencode/cli

# Config minimale : pointer sur Ollama en local
mkdir -p ~/.config/opencode
cat > ~/.config/opencode/config.json << 'EOF'
{
  "provider": {
    "ollama": {
      "npm": "@ai-sdk/openai-compatible",
      "options": { "baseURL": "http://127.0.0.1:11434/v1" },
      "models": { "qwen2.5-coder:14b": { "name": "Qwen Coder 14B" } }
    }
  }
}
EOF

# Lancer
opencode

Un agent custom se déclare comme un simple fichier Markdown dans ~/.config/opencode/agent/ (front matter YAML avec model, temperature, tools), puis opencode --agent devops.

Verdict : bon compromis pour du dev assisté en confidentialité totale (Ollama local), avec un système d’agents propre. Limite : les modèles locaux (14B-30B) restent en retrait face à Claude/GPT sur les tâches complexes — on le réserve aux tâches où la confidentialité prime sur la qualité brute.

Fabric — messages de commit générés par LLM

Ce que c’est : Fabric est un framework CLI open-source de patterns réutilisables : chacun transforme une entrée texte via un LLM (résumer, extraire les idées clés, analyser du code…).

À quoi ça sert chez nous : générer des messages de commit conventionnels (type(scope): subject) à partir d’un git diff --staged, via le pattern write_git_commit.

Démarrer :

# Installation
pipx install fabric
fabric --configure   # choisir Ollama (local, gratuit) ou Groq/OpenRouter (cloud)

# Générer un message de commit
git diff --staged | fabric --pattern write_git_commit

Alias git pratique dans ~/.gitconfig :

[alias]
    cm-edit = "!f() { git diff --staged | fabric --pattern write_git_commit > /tmp/commit-msg.txt && git commit -e -F /tmp/commit-msg.txt; }; f"

On peut aussi créer un pattern maison (~/.config/fabric/patterns/commit_gitops/system.md) pour coller à ses propres conventions d’équipe.

Verdict : efficace pour accélérer la rédaction de commits, surtout sur des diffs atomiques (un commit = une feature). À utiliser avec discipline : toujours relire le message avant de commiter — le LLM se trompe sur le scope ou le type quand le diff mélange plusieurs sujets.

Google Gems — assistants Gemini spécialisés

Ce que c’est : les Gems sont des assistants IA persistants dans Gemini, avec un persona, des instructions et une base de connaissances (fichiers, docs Drive) qui survivent d’une session à l’autre — contrairement à une conversation classique qui repart de zéro.

À quoi ça sert chez nous : des assistants spécialisés à contexte massif (jusqu’à 1-2M tokens, ~1500 pages) — un reviewer qui connaît notre stack et nos conventions, un rédacteur qui respecte notre charte éditoriale. Le gros avantage face à une approche RAG classique : le Gem charge tout le document en mémoire, il ne rate rien et peut faire des liens entre le chapitre 1 et l’annexe.

Démarrer : pas de CLI ici — ça se configure dans Google AI Studio. Deux bonnes pratiques qui font vraiment la différence :

• Structurer les instructions en XML (Gemini répond mieux à des balises <role>, <context>, <rules>, <output_format> qu’à du texte libre).
• Utiliser CO-STAR pour cadrer le prompt : Context, Objective, Style, Tone, Audience, Response format.

Séparez toujours les instructions (~15k tokens max, le comportement) de la base de connaissances (les fichiers de référence) — et si vous liez des fichiers Google Drive, sachez que le Gem voit la version à jour à chaque session (dynamique), dans la limite de 10 fichiers.

Verdict : le bon choix si vous êtes déjà sur Google Workspace et que vous devez faire ingérer de gros volumes de docs (specs, rapports) sans découpage RAG. Limite : pas d’exécution autonome d’actions (ce n’est pas un agent), et l’intégration reste propriétaire à l’écosystème Google — pas de portage direct vers Claude Projects ou les GPTs OpenAI.

Pour aller plus loin

Ressources générales sur le prompt engineering, les LLM et les workflows IA : voir /wiki/ressources/.