Agents locaux : 11 frameworks open source passés au crible

Les agents d’IA ne se résument pas au modèle : le harness, ou couche d’exécution, gère les outils, l’état, les permissions et le retour de contexte. Dans un article daté du 18 septembre 2026, un comparatif passe au crible 11 projets open source pour voir lesquels documentent le mieux l’inférence locale. Le sujet compte, car les petits contextes et l’appel d’outils imparfait exposent vite les faiblesses de conception. Et, très concrètement, un agent qui oublie ses consignes devient surtout un collègue distrait.

Pourquoi le local change la hiérarchie

Avec un modèle hébergé sur sa propre machine, le harness prend plus de poids que dans un déploiement distant. La limite de contexte, la mémoire disponible et la qualité du tool calling deviennent des critères décisifs. Les sources rappellent d’abord trois règles transverses : monter le contexte avant de blâmer l’agent, choisir un modèle qui sait appeler des outils, puis dimensionner la RAM sans optimisme excessif.

Ollama indique ainsi des valeurs de contexte dépendant de la VRAM : 4k sous 24 Gio, 32k entre 24 et 48 Gio, puis 256k au-delà de 48 Gio, avec un minimum de 64 000 tokens recommandé pour les agents et outils de code. Cline, de son côté, associe 16 à 32 Go de RAM à des petits modèles quantifiés, 32 à 64 Go à des modèles de code intermédiaires, et 64 Go ou plus à des modèles plus lourds. Le message est clair : le local pardonne moins les approximations que le cloud.

OpenCode, Pi et Goose occupent trois niches différentes

OpenCode est présenté comme le plus large en documentation locale pour les développeurs. Sa documentation mentionne trois chemins locaux — Ollama, LM Studio et llama.cpp via llama-server — et annonce plus de 75 fournisseurs au total. Le projet arrive avec deux agents intégrés : build, qui a un accès complet, et plan, en lecture seule avec validation avant les commandes bash. Les sources citent aussi une astuce pratique : si les appels d’outils échouent, il faut relever num_ctx autour de 16k à 32k.

Pi joue une autre carte. Son README se contente de quatre outils — read, write, edit et bash — et écarte volontairement MCP, les sous-agents, le mode plan et les fenêtres d’autorisation. Ce minimalisme laisse plus de contexte aux petits modèles, mais il impose une discipline externe, car Pi n’a pas de système de permissions intégré. Le projet recommande Docker, une micro-VM ou un sandboxing de politique pour isoler l’exécution.

Goose, enfin, mise sur l’amplitude. Ses docs listent Ollama, LM Studio, Docker Model Runner, Ramalama et Atomic Chat, avec vLLM et KServe via un fournisseur compatible OpenAI. La gouvernance compte aussi : la Linux Foundation a formé l’Agentic AI Foundation le 9 décembre 2025, avec Block parmi les contributeurs de Goose. Le projet vit désormais sous aaif-goose/goose et revendique plus de 70 extensions MCP.

Les outils éditoriaux se montrent plus prudents que les agents généralistes

Cline reste la référence côté IDE, surtout pour les utilisateurs de VS Code. Son guide local recommande d’activer Use Compact Prompt, de fractionner les tâches et d’ouvrir une session neuve lorsque le contexte gonfle. Par défaut, chaque modification de fichier et chaque commande exigent une validation, tandis que les modes Plan et Act séparent stratégie et exécution. Un détail de licence mérite l’attention : le dépôt Apache-2.0 couvre l’extension VS Code, la CLI et le SDK, mais les plugins JetBrains ne sont pas open source selon le README.

OpenHands va plus loin dans la précision matérielle. Sa documentation locale conseille d’essayer d’abord Qwen3.6-35B-A3B, avec au moins 24 Go de VRAM pour les variantes quantifiées, ou un Mac Apple Silicon doté de 64 Go de mémoire unifiée. La page recommande un contexte d’au moins 22 000 tokens, avec 32 768 comme cible, et prévient qu’un défaut Ollama à 4 096 tokens ne suffit même pas pour le prompt système. Sur Linux, un piège fréquent subsiste : LM Studio écoute sur 127.0.0.1 par défaut, ce qui bloque un OpenHands conteneurisé tant que l’option Serve on Local Network n’est pas activée.

Aider, lui, traite les limites du tool calling par le format d’édition. Le modèle renvoie des changements en texte, soit en fichiers complets, soit en blocs diff, et le système ajoute une carte du dépôt avec les symboles clés. Son guide Ollama avertit aussi d’un comportement trompeur : le serveur coupe silencieusement le contexte au-delà de la fenêtre. Pour contourner cela, Aider dimensionne la fenêtre à la requête, puis ajoute 8k tokens pour la réponse. La maintenance reste toutefois plus fluctuante, avec une version 0.86.2 publiée le 12 février 2026 après une sortie précédente le 13 août 2025.

Codex CLI, Qwen Code et Kilo Code misent sur des intégrations plus cadrées

Codex CLI, sous licence Apache-2.0, embarque deux fournisseurs locaux, Ollama sur le port 11434 et LM Studio sur le port 1234. Selon la page Ollama dédiée à Codex, la commande codex --oss part par défaut sur gpt-oss:20b, avec possibilité de choisir un autre modèle via -m. Mais la contrainte est stricte : Codex ne parle plus que l’API Responses en /v1/responses. Un serveur local doit donc exposer cet endpoint. Le projet inclut en plus des crates de sandbox dédiées à Linux et Windows.

Qwen Code affiche un positionnement plus étroit. Son README cite les protocoles OpenAI, Anthropic, Gemini et Qwen, et mentionne Ollama ainsi que vLLM pour les modèles locaux. Le projet vient d’un fork de Google Gemini CLI v0.8.2, a cessé de synchroniser l’amont à partir de la version 0.1 et exige Node.js 22 ou plus lors de l’installation npm. Kilo Code, pour sa part, se présente comme un dérivé maintenu d’OpenCode. Son README précise que le Kilo CLI est un fork d’OpenCode, issu lui-même d’un fork de Roo en 2025, avec une extension VS Code reconstruite et publiée le 2 avril 2026.

Les sources signalent enfin deux projets plus atypiques. Hermes Agent, issu de Nous Research, n’est pas un outil de code mais un agent généraliste pensé autour d’une boucle d’apprentissage qui transforme l’expérience en compétences. Ollama lui attribue plus de 70 skills, une mémoire inter-session et des passerelles vers Telegram, Discord, Slack, WhatsApp, Signal et l’e-mail. OpenClaw, de son côté, sert d’assistant personnel centré sur la messagerie. Ollama le décrit comme un pont entre services de messagerie et agents IA via une passerelle centrale, avec un avertissement de sécurité dès le premier lancement sur les risques liés à l’accès aux outils. Le message n’a rien d’exotique : dès qu’un agent touche à vos comptes, le sandboxing cesse d’être un luxe.