OpenJarvis veut installer ton assistant IA sur ton ordinateur

Tu peux déjà faire tourner un assistant IA chez toi, mais l'installation ressemble souvent à un meuble monté sans notice. Il faut choisir un modèle, un moteur d'inférence, une mémoire, des outils et parfois un agent capable d'enchaîner plusieurs actions. OpenJarvis veut réunir ces morceaux dans une seule pile, pensée pour fonctionner d'abord sur ton ordinateur.

Le projet vient de chercheurs de Stanford et se présente comme un framework open source pour l'IA personnelle sur appareil. Dit autrement, ce n'est pas seulement une fenêtre de discussion : c'est une base pour construire un assistant local qui peut lire tes fichiers, utiliser des outils, conserver un contexte et lancer des tâches planifiées. Le cloud reste possible, mais il n'est plus le point de départ.

La nuance compte. OpenJarvis est encore un projet jeune, avec une version de commande indiquée à 0.1.0 dans sa documentation. Les fonctions sont prometteuses, mais il faut accepter de mettre les mains dans l'installation et de disposer d'un moteur local comme Ollama.

Cinq briques pour éviter la pile de dominos

Le schéma officiel du projet sépare cinq briques. Cette séparation est son idée la plus intéressante : tu peux changer le modèle sans refaire les outils, ou tester un autre moteur sans réécrire tout l'agent.

Source : diagramme officiel OpenJarvis , publié par la Scaling Intelligence Lab de Stanford.

La première brique, Intelligence, désigne le modèle de langage qui produit les réponses. La deuxième, Engine, correspond au logiciel qui fait tourner ce modèle, par exemple Ollama, llama.cpp ou vLLM. Un moteur d'inférence, c'est simplement la pièce qui transforme ta demande en réponse en utilisant le processeur ou la carte graphique.

Viennent ensuite les Agents, qui savent découper une demande en plusieurs étapes, puis Tools & Memory, les outils et la mémoire persistante. La dernière brique, Learning, cherche à améliorer le comportement du système à partir des traces locales, c'est-à-dire des informations produites pendant les utilisations précédentes. Le projet veut donc mesurer autre chose que la qualité brute : la latence, l'énergie consommée et le coût.

Un assistant local qui ne se contente pas de discuter

L'intérêt concret apparaît quand tu dépasses la question-réponse. OpenJarvis documente des usages comme un résumé du matin, une recherche dans tes documents, un assistant de code, une veille planifiée ou un agent capable d'appeler un calculateur et une recherche web. Les tâches peuvent rester sur la machine si les modèles et les outils utilisés sont locaux.

Le projet accepte aussi des serveurs compatibles avec l'API OpenAI et des serveurs MCP. MCP signifie Model Context Protocol, un format qui permet à un agent de découvrir des outils externes de manière standardisée. Pour un utilisateur, cela veut surtout dire que l'assistant peut sortir de la conversation et accéder à des fonctions précises, au lieu d'inventer une réponse à partir de rien.

Source : démonstration officielle OpenJarvis , publiée dans le dépôt GitHub du projet.

La documentation propose une commande jarvis ask pour poser une question, jarvis doctor pour contrôler l'installation et jarvis serve pour lancer un serveur compatible avec des clients OpenAI. Elle propose aussi une interface dans le navigateur et une application de bureau. Ce sont des chemins différents vers le même backend local, pas trois assistants séparés.

Notre article sur Open WebUI montre déjà une autre façon de fournir une interface à des modèles locaux. OpenJarvis se distingue en ajoutant une couche d’agents, d’outils et d’évaluation autour de cette conversation.

L'installation demande un peu de patience

Le chemin rapide officiel commence par le dépôt GitHub et un script qui installe les dépendances, lance Ollama, récupère un petit modèle puis démarre le backend et l'interface. La documentation demande Python 3.10 à 3.13, Node.js 18 ou plus, Git et un moteur d'inférence. Pour la version complète, une extension Rust doit aussi être compilée.

La séquence documentée est la suivante : récupérer le dépôt OpenJarvis, entrer dans son dossier, lancer le script quickstart, puis ouvrir l'interface locale sur le port 5173. Si tu préfères comprendre chaque étape, la documentation propose une installation manuelle avec uv, un gestionnaire de projets Python, puis le démarrage d'Ollama et du serveur Jarvis.

Ollama reste le choix recommandé pour commencer, surtout sur un ordinateur grand public. La documentation cite aussi vLLM pour les cartes graphiques de centre de données et llama.cpp pour les modèles au format GGUF. OpenJarvis peut appeler des services cloud, mais ces options ajoutent leurs propres coûts et ne rendent pas l'usage local magique : les clés d'API et les données envoyées restent sous ta responsabilité.

Ce que le projet promet vraiment

Le papier associé au projet donne une ambition plus précise que la simple promesse d'un chatbot privé. OpenJarvis décrit une pile où chaque brique peut être mesurée et optimisée séparément. Les auteurs rapportent que leur recherche guidée par un modèle cloud produit ensuite une configuration capable de fonctionner sur l'appareil, avec des résultats proches de leurs références cloud sur plusieurs évaluations.

Ces chiffres viennent du papier des auteurs, pas d'un test indépendant de NumeriBrain. Ils sont intéressants pour comprendre la direction du projet, mais ils ne garantissent pas la même expérience sur ton ordinateur. Le modèle choisi, la mémoire disponible, le moteur et la carte graphique changeront complètement le résultat.

La partie la plus utile pour le grand public est peut-être le suivi de la consommation. OpenJarvis veut afficher la latence, l'énergie et le coût marginal d'une requête. Un assistant local n'est pas gratuit au sens absolu : il consomme ton électricité, ta mémoire et ton matériel. Au moins, le projet essaie de rendre cette facture visible au lieu de la cacher derrière un abonnement.

Les limites à connaître avant de l'installer

OpenJarvis ne transforme pas un vieux portable en supercalculateur. Les petits modèles peuvent convenir pour des tâches simples, mais les demandes complexes réclament davantage de mémoire et de puissance. Le projet propose des recommandations selon le matériel, toutefois le choix final demande encore des essais.

L'autre limite est la maturité. Le dépôt est très actif et compte déjà plusieurs milliers d'étoiles, mais l'interface, les canaux et les moteurs évoluent encore. Une commande montrée dans une vidéo peut changer, une dépendance peut refuser de s'installer et certaines fonctions restent plus proches de la recherche que d'un produit fini.

Mon verdict est simple : OpenJarvis mérite un brouillon dans ta liste si tu veux comprendre où va l'IA locale. Il ne remplace pas encore un assistant prêt à l'emploi pour tout le monde. En revanche, il propose une architecture lisible pour relier modèle, mémoire, outils et agents sans reconstruire la maison à chaque changement de moteur.

OpenJarvis ne promet pas de supprimer les contraintes de l'IA locale. Il fait quelque chose de plus honnête : il essaie de les mesurer, puis de donner à chaque pièce une place claire. Pour une fois, le bazar est livré avec un plan de montage.

Sources

Dépôt GitHub OpenJarvis , code source, licence Apache-2.0, nombre d’étoiles et état du projet.

Documentation officielle OpenJarvis , installation, interfaces, moteurs et commandes disponibles.

Article de la Scaling Intelligence Lab , présentation de l’architecture et des objectifs de l’équipe Stanford.

Article scientifique sur arXiv , description de la pile et résultats rapportés par les auteurs.

—

Recherche, relecture et illustration assistées par IA. Le contenu reflète le travail éditorial de la rédaction.