Tu suis la course aux modèles IA ?
Chaque sortie (GPT, Claude, Gemini, Mistral…) décryptée le soir même, en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Transformer un ancien ordinateur portable en agent IA
Avec les avancées des outils open-source, il est désormais possible de faire fonctionner des modèles d'IA performants sur des machines modestes. Le modèle Qwen3.5, en combinaison avec Ollama et OpenCode, permet de transformer un ancien ordinateur portable en un environnement IA local. Cette solution offre une alternative accessible pour le codage et l'expérimentation sans nécessiter de matériel coûteux.
Exécuter un modèle d'IA performant localement ne nécessite plus une station de travail haut de gamme ou une configuration cloud coûteuse. Grâce à des outils légers et des modèles open-source plus petits, même un ancien ordinateur portable peut devenir un environnement IA pratique pour le codage, l'expérimentation et les flux de travail de type agent.
Installation d'Ollama
Pour exécuter Qwen3.5, la première étape consiste à installer Ollama, un outil qui facilite l'exécution locale de grands modèles de langage. Les utilisateurs de Windows peuvent installer Ollama via PowerShell avec la commande suivante :
irm https://ollama.com/install.ps1 | iex
La page de téléchargement d'Ollama inclut également des instructions d'installation pour Linux et macOS, donc vous pouvez suivre les étapes là-bas si vous utilisez un système d'exploitation différent. Une fois l'installation terminée, vous serez prêt à démarrer Ollama et à télécharger votre premier modèle local.
Démarrage d'Ollama
Après l'installation, Ollama démarre automatiquement, surtout lors de la première utilisation. Cela signifie que vous n'aurez peut-être rien à faire d'autre avant d'exécuter un modèle localement. Si le serveur Ollama n'est pas déjà en cours d'exécution, vous pouvez le démarrer manuellement avec la commande suivante.
Exécution de Qwen3.5
Avec Ollama en cours d'exécution, vous pouvez télécharger et exécuter le modèle Qwen3.5. Pour ce tutoriel, la version 4B est recommandée, car elle offre un bon compromis entre performance et exigences matérielles, nécessitant environ 3,5 Go de RAM. Pour lancer le modèle, utilisez la commande :
ollama run qwen3.5:4b
La première fois que vous exécutez cette commande, Ollama téléchargera les fichiers du modèle sur votre machine. Selon votre vitesse Internet, cela peut prendre quelques minutes. Après la fin du téléchargement, Ollama peut prendre un moment pour charger le modèle et préparer tout ce qui est nécessaire pour l'exécuter localement. Une fois prêt, vous verrez une interface de chat terminal interactive où vous pourrez commencer à interroger le modèle directement.
À ce stade, vous pouvez déjà utiliser Qwen3.5 dans le terminal pour des conversations locales simples, des tests rapides et de l'aide au codage léger avant de le connecter à OpenCode pour un flux de travail plus agentique.
Installation d'OpenCode
Une fois que vous avez configuré Ollama et Qwen3.5, l'étape suivante consiste à installer OpenCode, un agent de codage local qui peut travailler avec des modèles exécutés sur votre propre machine. Vous pouvez visiter le site Web d'OpenCode pour explorer les options d'installation disponibles et en apprendre davantage sur son fonctionnement. Pour ce tutoriel, nous utiliserons la méthode d'installation rapide car c'est la façon la plus simple de commencer.
Exécutez la commande suivante dans votre terminal :
curl -fsSL https://opencode.ai/install | bash
Cet installateur gère le processus de configuration pour vous et installe les dépendances requises, y compris Node.js si nécessaire, afin que vous n'ayez pas à tout configurer manuellement.
Lancement d'OpenCode avec Qwen3.5
Maintenant que Ollama et OpenCode sont installés, vous pouvez connecter OpenCode à votre modèle Qwen3.5 local et commencer à l'utiliser comme un agent de codage léger. Si vous regardez la page de Qwen3.5 dans Ollama, vous remarquerez qu'Ollama prend désormais en charge des intégrations simples avec des outils d'IA externes et des agents de codage. Cela facilite beaucoup l'utilisation de modèles locaux dans un flux de travail plus pratique au lieu de simplement discuter avec eux dans le terminal.
Pour lancer OpenCode avec le modèle Qwen3.5 4B, exécutez la commande suivante :
ollama launch opencode --model qwen3.5:4b
Cette commande indique à Ollama de démarrer OpenCode en utilisant votre modèle Qwen3.5 localement disponible. Après son exécution, vous serez dirigé vers l'interface OpenCode avec Qwen3.5 4B déjà connecté et prêt à l'emploi.
Création d'un projet Python
Avec OpenCode et Qwen3.5, vous pouvez commencer à lui donner des invites simples pour créer des logiciels directement depuis votre terminal. Pour ce tutoriel, nous lui avons demandé de créer un petit projet de jeu Python à partir de zéro en utilisant l'invite suivante :
Créez un nouveau projet Python et construisez un jeu moderne "Devinez le mot" avec un code propre, un gameplay simple, un suivi des scores et une interface terminal facile à utiliser.
Après quelques minutes, OpenCode a généré la structure du projet, écrit le code et géré la configuration nécessaire pour faire fonctionner le jeu. Nous lui avons également demandé d'installer toutes les dépendances requises et de tester le projet, ce qui a rendu le flux de travail beaucoup plus proche de celui d'un agent de codage local léger que d'un simple chatbot.
Le résultat final était un jeu Python entièrement fonctionnel qui s'exécutait sans problème dans le terminal. Le gameplay était simple, la structure du code était propre, et le suivi des scores fonctionnait comme prévu. Par exemple, lorsque vous entrez un caractère correct, le jeu révèle immédiatement la lettre correspondante dans le mot caché, montrant que la logique fonctionne correctement dès le départ.
Limites et réflexions
Bien que cette solution soit pratique pour des projets simples, elle présente des limites pour des tâches plus complexes. Parce que cette configuration repose sur un modèle plus petit et quantifié, les résultats ne sont pas toujours suffisamment solides pour des tâches de codage plus complexes. D'après mon expérience, il peut gérer des projets simples, des scripts de base, de l'aide à la recherche et des tâches générales assez bien, mais il commence à rencontrer des difficultés lorsque le travail d'ingénierie logicielle devient plus exigeant ou multi-étapes.
Un problème que j'ai rencontré à plusieurs reprises était que le modèle s'arrêtait parfois en cours de tâche. Lorsque cela se produisait, je devais taper manuellement "continuer" pour qu'il poursuive et termine le travail. Cela est gérable pour l'expérimentation, mais cela rend le flux de travail moins fiable lorsque vous souhaitez un résultat cohérent pour des tâches de codage plus importantes.
