Odysseus vs Ollama : ce qui est vraiment différent (et pourquoi vous avez besoin des deux)

Les gens cherchent « Odysseus vs Ollama » comme s'ils devaient choisir l'un des deux. C'est la mauvaise question, et il est facile de comprendre pourquoi elle est posée. Odysseus est devenu viral après son lancement du May 31, 2026, et une bonne partie de la couverture du lancement l'a présenté comme une « alternative à ChatGPT » en occultant ce qui compte vraiment : sur quelle couche il repose.

Voici la réponse courte. Odysseus est l'espace de travail : l'interface de chat, les agents, les outils de recherche. Ollama est le moteur auquel il parle, ce qui fait tourner le modèle. Ce ne sont pas des produits concurrents. Ce sont deux étages du même immeuble.

J'ai connecté ces deux outils et je les ai fait tourner ensemble, donc la suite explique ce que fait chacun, si vous avez besoin des deux, et ce qu'il faut pour héberger la pile vous-même.

En bref

• Odysseus est un espace de travail IA auto-hébergé ; Ollama est un moteur d'inférence local. Ce ne sont pas des concurrents. Odysseus appelle l'API d'Ollama pour obtenir les réponses du modèle, de la même façon qu'une application appelle une base de données.
• Vous voulez probablement les deux. Odysseus vous donne l'expérience (chat, agents, recherche approfondie, e-mail, notes) ; Ollama fait tourner le modèle de langage lui-même, en local et en privé.
• Ollama est le choix par défaut le plus simple, pas le seul backend. Odysseus peut aussi pointer vers d'autres serveurs d'inférence locaux ou vers des API cloud comme OpenAI, Anthropic et OpenRouter. Le compromis est simple : les backends locaux gardent l'inférence sur votre machine ; les API cloud la déplacent hors de la machine.
• Le modèle décide de votre matériel. Un VPS CPU fait tourner un modèle 7B ; tout ce qui est 13B et au-dessus réclame un GPU. C'est une question de VRAM, pas de RAM système.

Ce qu'est Odysseus

Lancez Odysseus et vous obtenez une fenêtre de chat à localhost:7000, mais le chat en est la plus petite partie. Derrière cette fenêtre se trouve un espace de travail complet : des agents autonomes avec exécution d'outils MCP, accès aux fichiers et au shell, un mode de recherche approfondie qui mène une recherche web en plusieurs étapes et rédige un rapport, un éditeur de documents Markdown avec rédaction assistée par IA, un assistant e-mail qui trie votre boîte IMAP/SMTP, plus des notes, des tâches et un calendrier CalDAV. Il y a un Model Cookbook qui recommande des modèles et des chemins de téléchargement en fonction de votre matériel, et une recherche web intégrée tournant sur un conteneur SearXNG qu'il déploie à côté de lui.

Ce qu'Odysseus pas fait, c'est faire tourner le modèle. Chacune de ces fonctionnalités (l'agent décidant quel outil appeler, l'assistant de recherche résumant une page, le tri e-mail choisissant une étiquette) est une requête envoyée ailleurs, vers un modèle qui produit le texte. Odysseus orchestre. Il n'infère pas.

C'est pourquoi un déploiement typique compte environ quatre conteneurs Docker (ChromaDB pour le stockage vectoriel, SearXNG pour la recherche, ntfy pour les notifications, et l'image principale Odysseus) et aucun d'eux n'est le modèle de langage. Le modèle vit dans un processus séparé vers lequel Odysseus pointe.

Il est sous licence AGPL-3.0-or-later, ce qui compte plus qu'on ne le croirait, et j'y reviendrai. Un point d'attention sur l'usage des outils : les modèles capables d'appels de fonctions sont recommandés pour les fonctionnalités d'agent, alors gardez-le en tête quand vous choisissez ce que vous allez faire tourner.

Ce que fait Ollama, et pourquoi c'est une couche différente

Ollama est le processus qui charge réellement un modèle de langage en mémoire et le fait tourner. C'est un moteur d'inférence local bâti sur le backend llama.cpp, et ce qui le rend utile à Odysseus, c'est qu'il expose une API REST compatible OpenAI. Odysseus parle à cette API exactement comme n'importe quelle application parle à une base de données : envoyer une requête, obtenir une réponse, sans se soucier de la façon dont le travail a été fait en interne.

Au moment de la rédaction, la dernière version d'Ollama est la v0.31.1 (June 30, 2026), elle est sous licence MIT, et elle tire depuis une vaste bibliothèque de modèles à ollama.com/library: Llama 3, Mistral, Phi-3, Gemma, Qwen, et bien d'autres en une seule commande. Pas d'interface, pas d'agents, pas d'espace de travail. Il fait tourner des modèles et répond aux appels d'API. C'est tout le travail.

Une chose qui mérite d'être clarifiée, parce qu'elle piège les gens : le runner local Ollama gratuit et open source (la chose sous licence MIT dont parle tout cet article) est différent des options cloud hébergées d'Ollama. Quand quelqu'un vous cite un prix mensuel pour « Ollama », il parle généralement d'une utilisation cloud hébergée ou d'un palier cloud payant, pas du runner local. Le runner que vous installez sur votre propre machine ne coûte rien. Votre seul coût, c'est la machine sur laquelle il tourne.

Si vous voulez aller plus loin sur Ollama en particulier, et sur la façon dont il se compare à un outil à interface graphique, nous avons un comparatif complet Ollama vs LM Studio qui couvre cette comparaison.

À retenir : Ollama est un serveur, pas une application. Il fait tourner des modèles et répond aux appels d'API ; la couche d'expérience, c'est le travail de quelqu'un d'autre.

Alors avez-vous besoin des deux ?

Alignez les deux outils fonctionnalité par fonctionnalité et vous remarquerez quelque chose : chaque colonne correspond surtout à l'espace vide de l'autre. Ils se recoupent à peine.

Donc la réponse simple : si vous voulez un espace de travail IA complet avec une inférence locale et privée, vous faites tourner les deux. Odysseus pour l'expérience, Ollama pour le modèle. C'est la configuration standard, et c'est celle que les tutoriels de lancement font suivre aux gens.

Ollama est optionnel si vous pointez Odysseus vers un autre backend d'inférence. Cela peut être une API cloud comme OpenAI, Anthropic ou OpenRouter, ou un autre moteur local tel que llama.cpp, LM Studio ou vLLM. Le compromis dépend de l'endroit où se fait l'inférence : les backends locaux gardent les prompts sur votre propre machine, tandis que les API cloud les déplacent hors de la machine et ramènent généralement une tarification par abonnement ou à l'usage dans l'équation.

À retenir : Vous avez besoin d'un backend d'inférence pour l'inférence locale. Ollama est le choix par défaut le plus simple, mais pas la seule option locale.

Comment ils se connectent (la partie sur laquelle les gens bloquent)

La connexion elle-même est triviale : vous indiquez à Odysseus où se trouve l'endpoint compatible OpenAI d'Ollama, et c'est tout. Le piège, et c'est la seule chose sur laquelle les gens bloquent, c'est que « où il se trouve » change selon la façon dont vous faites tourner les choses, parce que le réseau Docker est capricieux.

L'endpoint a besoin du suffixe /v1 (c'est le chemin spécifiquement compatible OpenAI). Où le pointer :

• Installation native, même machine : http://localhost:11434/v1
• Docker sur macOS ou Windows : http://host.docker.internal:11434/v1
• Docker sur Linux : http://172.17.0.1:11434/v1, ou ajoutez extra_hosts: ["host.docker.internal:host-gateway"] à votre fichier compose

Et quand Odysseus atteint Ollama depuis l'intérieur d'un conteneur, Ollama doit être à l'écoute sur toutes les interfaces, pas seulement sur la boucle locale. Définissez OLLAMA_HOST=0.0.0.0:11434 (et OLLAMA_ORIGINS=*) sinon la connexion n'aboutira tout simplement pas.

Astuce de pro : sur macOS, l'accélération GPU Metal ne passe pas à travers Docker. Si vous voulez une inférence accélérée par GPU sur un Mac, faites tourner Odysseus nativement plutôt que dans un conteneur. Sinon vous êtes coincé sur le CPU quel que soit le matériel dont vous disposez.

Voilà la forme générale. Ce n'est pas le guide de déploiement complet étape par étape ; le but ici est de comprendre pourquoi la connexion dépend de l'hôte et où chercher quand ça ne marche pas du premier coup.

Est-il prêt ? Décrypter un projet viral vieux de cinq semaines

Odysseus compte à peu près 800 tickets ouverts et 785 PR ouvertes face à environ 80 800 étoiles. Lisez cela correctement : ce n'est pas un projet cassé, c'est un projet devenu viral plus vite que ses mainteneurs ne pouvaient absorber le flot de contributions. Quand quelque chose atteint plus de 30 000 étoiles dans ses deux premiers jours et 80k en cinq semaines, le suivi des tickets va ressembler à ça quelle que soit la qualité du code. C'est un signal de viralité, pas un signal de pourrissement.

Cela dit, il a cinq semaines et ça se voit par endroits. Des utilisateurs ont signalé un court timeout codé en dur qui peut annuler les appels d'outils MCP stdio lents au démarrage. Il y a des bugs d'encodage non-ASCII qui traînent. Et il n'y a pas encore eu d'audit de sécurité communautaire à grande échelle, ce qui, pour un outil avec une telle portée, mérite d'être su avant de s'appuyer dessus.

L'objection la plus tranchante dans ce fil HN, ce ne sont pas les aspérités. C'est « qu'est-ce que ça fait que Open WebUI, LibreChat ou AnythingLLM ne font pas déjà ? » Cette question est revenue à plusieurs reprises dans un fil Hacker News sur le lancement, aux côtés d'un scepticisme sur la qualité du code assisté par IA et de quelques grognements sur un projet de célébrité qui attire des étoiles que l'outil équivalent d'un développeur inconnu n'obtiendrait jamais.

La question de la différenciation mérite une réponse directe, pas des encouragements. Deux choses distinguent Odysseus. Premièrement, la licence : Odysseus est en AGPL-3.0-or-later, tandis qu'Open WebUI, aussi ouvert soit-il, a des restrictions de marque et de branding qui vous empêchent de retirer ou de modifier son branding, un point qui est revenu dans ce même fil HN. Si une licence FOSS véritablement sans restriction compte pour vous, c'est une vraie distinction. Deuxièmement, la portée : par-dessus le chat, Odysseus regroupe un e-mail, des notes et un calendrier intégrés, plus le Model Cookbook conscient du matériel, là où les alternatives s'arrêtent surtout au chat plus les documents. Que ce paquet en vaille la peine dépend de si vous utiliserez ces morceaux. Open WebUI, LibreChat et AnythingLLM sont tous des choix légitimes ; ce n'est pas un KO.

Encore une chose à peser honnêtement : la surface d'attaque est vaste. Odysseus peut naviguer sur le web, exécuter des commandes shell via ses agents, invoquer des outils MCP et accéder à votre e-mail via IMAP. Greffez cela sur une base de code jeune, en partie générée par IA, avec une préoccupation d'injection de prompt signalée par la communauté, et vous obtenez un outil capable de beaucoup, y compris de choses que vous n'aviez pas prévues si quelqu'un lui fournit la mauvaise entrée. Ce n'est pas une raison de l'éviter. C'est une raison de le mettre en bac à sable, de le tenir à l'écart de tout ce qui est sensible jusqu'à ce qu'il soit plus éprouvé, et de savoir ce que vous faites tourner.

Faire tourner la pile sur un VPS

Essayez d'abord Odysseus et Ollama sur votre ordinateur portable ; c'est bien pour tâter le terrain. Mais dès que vous voulez compter sur la chose, un ordinateur portable cesse d'être la réponse. Des agents qui vérifient votre e-mail, un assistant de recherche que vous voulez joignable, un espace de travail de chat que vous ouvrez depuis votre téléphone : tout cela a besoin d'une machine toujours allumée et toujours joignable. C'est un VPS Linux.

Ensuite le modèle décide de la taille, et c'est la seule spécification que les gens prennent à l'envers, alors je serai direct là-dessus : la RAM système ne fait pas bien tourner les gros modèles. La VRAM, oui. Un VPS CPU-only avec 8–16 GB de RAM système peut faire tourner Ollama plus un petit modèle 7B–8B, lent mais utilisable pour un usage personnel à faible concurrence. Dès que vous passez aux modèles 13B–34B, un GPU commence à avoir bien plus de sens, et une carte de 24 GB de VRAM est la zone de confort pratique pour beaucoup de modèles quantifiés de taille moyenne. Un modèle 70B en Q4 est d'une autre catégorie : attendez-vous à environ 48 GB+ de VRAM, ou à une carte de 80 GB si vous voulez une marge plus nette pour le contexte et moins de compromis. Charger un 70B dans 16 GB de RAM système n'est pas seulement lent, pour une configuration utile, c'est viser la mauvaise cible.

Si vous faites tourner Ollama sur un VPS, la façon la plus rapide de sauter l'installation manuelle, c'est l'application marketplace Ollama en un clic de Cloudzy: elle met le moteur en place pour vous, si bien que vous passez directement au téléchargement d'un modèle, et vous dimensionnez le VPS selon la catégorie de modèle dont vous avez besoin (un VPS Linux standard pour un 7B, une instance GPU pour 13B et au-dessus). À noter côté GPU : la disponibilité est contrainte par la géographie, donc la gamme GPU complète n'est pas dans chaque datacenter. Vérifiez quel emplacement dispose de la carte que vous voulez avant de vous engager. Odysseus, vous l'installerez quand même à la main avec Docker ; c'est la taxe de configuration unique pour la moitié « espace de travail » de la pile.

À retenir : La couche espace de travail est légère ; la couche modèle décide de la taille de votre VPS. CPU pour un 7B, GPU pour 13B et au-dessus.

Foire aux questions

Odysseus a-t-il besoin d'Ollama ?

Pas strictement. Odysseus peut faire tourner son inférence via des backends d'API cloud (OpenAI, Anthropic, OpenRouter) ou d'autres moteurs locaux comme llama.cpp, LM Studio ou vLLM. Ollama est le choix standard quand vous voulez une inférence gratuite, locale et privée, mais c'est un choix par défaut, pas une obligation.

Odysseus est-il une alternative à Ollama ?

Non, ce sont des couches différentes de la pile. Odysseus est l'espace de travail et l'application (chat, agents, recherche, e-mail) ; Ollama est le serveur de modèle qu'il appelle pour faire tourner un modèle de langage. Odysseus parle à Ollama via une API, donc ils travaillent ensemble plutôt que de se concurrencer.

Comment connecter Odysseus à Ollama ?

Pointez Odysseus vers l'endpoint compatible OpenAI d'Ollama, qui a besoin du suffixe /v1 . L'hôte exact dépend de votre configuration : http://localhost:11434/v1 pour une installation native, http://host.docker.internal:11434/v1 pour Docker sur macOS/Windows, et une adresse host-gateway pour Docker sur Linux. Ollama a aussi besoin de OLLAMA_HOST=0.0.0.0:11434 quand il est atteint depuis un conteneur.

Ollama est-il gratuit ?

Oui, le runner local open source est gratuit et sous licence MIT. Ollama propose aussi des options cloud hébergées, dont des paliers payants Pro et Max, mais c'est distinct du runner local dont parle principalement cet article. Le runner que vous installez sur votre propre machine ou VPS ne coûte rien ; votre seul coût, c'est le matériel sur lequel il tourne.

Odysseus peut-il être exécuté en toute sécurité ?

Il a une vaste surface d'attaque (exécution de shell et d'agents, invocation d'outils MCP, et accès e-mail IMAP) et c'est une base de code jeune, en partie générée par IA, sans audit de sécurité à grande échelle pour l'instant. Il est exécutable, mais traitez-le en conséquence : mettez-le en bac à sable, tenez-le à l'écart des comptes sensibles jusqu'à ce qu'il mûrisse, et surveillez le risque d'injection de prompt.

En bref

Le modèle mental est tout l'enjeu : Odysseus et Ollama ne sont pas un « versus », ce sont une pile. L'espace de travail se pose au-dessus, le moteur d'inférence tourne en dessous, et l'espace de travail appelle le moteur via une API. Le modèle que vous choisissez est ce qui dimensionne votre matériel, alors décidez ce que vous voulez faire tourner avant de décider sur quoi le faire tourner.