Construire un assistant IA local avec recherche web : configuration MCP + Ollama
Comment combiner des modèles de langage locaux avec des capacités de recherche web tout en préservant la confidentialité de vos données
La mise en place d’outils IA pour un usage professionnel implique souvent de choisir entre facilité d’utilisation et confidentialité. Les solutions cloud sont faciles à utiliser mais envoient vos données ailleurs. Les solutions locales gardent tout sur votre machine mais peuvent être difficiles à configurer et à étendre avec des capacités supplémentaires.
Nous allons mettre en place une configuration IA pratique qui réunit ces deux avantages : un modèle de langage local capable de rechercher sur le web en cas de besoin, tout en gardant vos conversations et le traitement sur votre propre matériel. Cette approche correspond à notre philosophie de solutions auto-hébergées, comme lorsque nous avons montré comment exécuter votre propre plateforme d’automatisation n8n pour maîtriser entièrement vos flux de travail.
Les outils que nous utilisons
Commençons par comprendre le rôle de chaque composant :
Ollama : votre moteur IA local
Ollama est un logiciel qui exécute de grands modèles de langage sur votre propre ordinateur. Il permet de disposer de capacités similaires à celles de ChatGPT sans rien envoyer à OpenAI ou à d’autres fournisseurs cloud. Il télécharge les modèles, gère la mémoire et les rend accessibles par une API simple.
L’avantage principal ? Avec des modèles locaux, tout reste local. Vos questions, les réponses de l’IA et tout le traitement se font entièrement sur votre machine. C’est important pour les discussions professionnelles sensibles, les informations propriétaires, ou simplement quand vous souhaitez éviter les frais d’abonnement IA mensuels.
Model Context Protocol (MCP) : ajouter des capacités
Les modèles de langage sont excellents pour la conversation et le raisonnement, mais ils ne peuvent pas naviguer sur le web, lire des fichiers ou interagir avec d’autres systèmes par eux-mêmes. Model Context Protocol (MCP) résout ce problème en fournissant une méthode normalisée pour donner aux modèles IA accès à des outils externes.
Considérez MCP comme un traducteur universel entre votre modèle IA et d’autres logiciels. Vous voulez que votre IA cherche sur le web ? Il existe un serveur MCP pour cela. Besoin de lire des bases de données ? Un autre serveur MCP. L’intérêt est qu’une fois le protocole configuré, l’ajout de nouvelles capacités devient beaucoup plus simple.
mcphost : la connexion fiable
Passons à la mise en œuvre. MCP définit le standard, mais vous avez besoin d’un logiciel pour connecter réellement votre modèle IA local aux serveurs MCP. mcphost fait exactement cela, et il le fait bien.
Nous avons d’abord essayé d’autres options (comme ollmcp), mais nous avons rencontré des expirations de connexion à répétition et des difficultés de configuration. mcphost utilise des fichiers de configuration explicites plutôt que de tenter une découverte entièrement automatique, ce qui lui permet de fonctionner de façon fiable en conditions réelles. En octobre 2026, le dépôt mcphost est archivé et ses responsables désignent Kit comme son successeur ; les commandes ci-dessous concernent toujours mcphost.
Serveur MCP DuckDuckGo : recherche web privée
Pour les capacités de recherche web, nous utilisons un serveur MCP DuckDuckGo. Celui-ci permet à votre IA locale de rechercher sur le web via DuckDuckGo (le serveur interroge le point de terminaison de recherche HTML de DuckDuckGo plutôt qu’une API officielle). La politique de confidentialité de DuckDuckGo indique que le service ne suit pas les utilisateurs et n’enregistre pas les historiques de recherche. C’est le complément parfait d’une configuration locale axée sur la confidentialité.
uv : gestion de l’environnement Python
uv est un gestionnaire de paquets Python rapide qui crée des environnements isolés et gère les dépendances. Nous l’utilisons pour exécuter proprement le serveur MCP DuckDuckGo sans interférer avec d’autres projets Python sur votre système.
Comment tout fonctionne ensemble
Voici le déroulement lorsque vous demandez à votre IA locale de rechercher quelque chose :
- Vous tapez une question comme « Recherchez les évolutions récentes de la réglementation de l’e-commerce »
- mcphost reçoit votre message et le transmet à votre modèle Ollama local
- Le modèle reconnaît qu’il doit effectuer une recherche et appelle le serveur MCP DuckDuckGo via le protocole MCP
- Le serveur MCP lance la recherche sur DuckDuckGo et retourne les résultats
- Votre modèle local traite les résultats de recherche et vous fournit une réponse complète
- Tout reste sur votre machine à l’exception de la requête de recherche web elle-même
Mise en place : les étapes pratiques
Préparer les fondations
Ollama doit d’abord être lancé avec un modèle prenant en charge les appels d’outils. Nous recommandons qwen3:30b-a3b pour un bon équilibre entre capacité et rapidité :
# Install and start Ollama
ollama pull qwen3:30b-a3b
ollama serve
Installer mcphost
mcphost est écrit en Go ; vous devez donc d’abord installer Go :
# On macOS
brew install go
# On Ubuntu/Debian
sudo apt install golang-go
# Install mcphost
go install github.com/mark3labs/mcphost@latest
# Make sure it's in your PATH
export PATH=$PATH:$(go env GOPATH)/bin
Configurer la recherche DuckDuckGo
Clonez et configurez le serveur MCP DuckDuckGo :
git clone https://github.com/nickclyde/duckduckgo-mcp-server
cd duckduckgo-mcp-server
pip install uv # if you don't have it
uv sync
Une configuration qui fonctionne vraiment
Créez un fichier de configuration à ~/.mcphost.json :
{
"mcpServers": {
"duckduckgo-search": {
"command": "uv",
"args": [
"run",
"--directory",
"/path/to/your/duckduckgo-mcp-server",
"python",
"src/duckduckgo_mcp_server/server.py"
]
}
}
}
Remplacez /path/to/your/duckduckgo-mcp-server par le chemin réel où vous avez cloné le dépôt.
Utiliser votre nouvel assistant IA
Une fois que tout fonctionne, vous pouvez interagir avec votre IA de plusieurs manières :
Conversation interactive
# Start a conversation
mcphost -m ollama:qwen3:30b-a3b
Vous disposez ainsi d’une interface de conversation pour poursuivre les échanges et demander des recherches web au besoin.
Questions ponctuelles
# Get a quick answer
mcphost -m ollama:qwen3:30b-a3b -p "Search for information about EU data privacy laws"
Scripts automatisés
# Save results to a file
mcphost -m ollama:qwen3:30b-a3b -p "Search for competitors in the bowling equipment market" --quiet > research.txt
Ce que vous pouvez réellement faire avec cette configuration
Recherche et vérification des faits
Demandez à votre IA de rechercher des informations actuelles sur des sujets pertinents pour votre activité. Puisqu’elle utilise DuckDuckGo, vous obtenez des résultats web convenables sans suivi des utilisateurs.
Recherche de contenu
« Recherchez les tendances récentes en matière d’emballage durable » vous fournit des informations actuelles que le modèle peut ensuite analyser et résumer en s’appuyant sur son entraînement.
Veille concurrentielle
« Recherchez les actualités sur [nom du concurrent] et résumez ses activités récentes » fournit des informations à jour sans partager votre analyse avec un fournisseur d’IA cloud ; les requêtes de recherche elles-mêmes sont toujours envoyées à DuckDuckGo.
Résolution de problèmes techniques
« Recherchez des solutions aux problèmes de limitation de débit des API » peut vous aider à trouver les meilleures pratiques actuelles et des exemples de code.
L’intégration n8n : quand l’automatisation des flux de travail rencontre l’IA
C’est ici que les choses deviennent vraiment intéressantes. Tout comme nous vous avons montré comment auto-héberger n8n pour l’automatisation des flux de travail, cette configuration IA locale peut être intégrée dans des flux de travail automatisés.
Imaginez déclencher votre IA locale via des flux de travail n8n :
- Recherche automatisée : des flux de travail quotidiens qui recherchent les actualités du secteur et compilent des résumés
- Génération de contenu : création de contenu déclenchée par des événements de calendrier ou des soumissions de formulaires
- Analyse de données : traitement automatisé de documents téléversés avec des analyses issues de l’IA
- Assistance client : traitement IA local des tickets d’assistance avant examen humain
La combinaison de n8n auto-hébergé et d’IA locale crée une puissante pile d’automatisation où vos données restent sur votre infrastructure, à l’exception des requêtes de recherche web envoyées par l’assistant. Vous obtenez la commodité de l’automatisation avec un contrôle bien plus grand sur vos données.
Possibilités d’intégration futures
Nous explorons plusieurs manières de connecter ces systèmes :
- Points de terminaison HTTP exposés par votre IA locale et appelables par n8n
- Intégration par fichiers où n8n déclenche le traitement IA sur des documents
- Flux de travail liés aux bases de données où les résultats de l’IA alimentent des processus métier automatisés
- Automatisation des e-mails où votre IA locale aide à rédiger et personnaliser les réponses
Tout comme nos outils d’automatisation WordPress simplifient la gestion du contenu, combiner l’IA locale avec les flux de travail n8n peut automatiser des processus métier complexes tout en maintenant la souveraineté des données.
Les véritables avantages
Une confidentialité qui compte vraiment
Vos conversations professionnelles, discussions internes et réflexions stratégiques restent sur votre matériel. Seules vos requêtes de recherche web sortent (vers DuckDuckGo, qui privilégie la confidentialité). Elles ne contiennent pas votre conversation complète, mais le texte de la requête peut lui-même révéler sur quoi vous travaillez ; gardez cela à l’esprit pour les sujets sensibles.
Aucun frais d’abonnement IA
Après la configuration initiale, il n’y a aucun coût récurrent d’abonnement IA ni de facturation par token, même si le matériel, l’électricité et un éventuel hébergement restent payants. Vous utilisez votre propre matériel pour tout exécuter — de la même manière que l’auto-hébergement de n8n vous évite les outils de flux de travail SaaS coûteux.
Performances fiables
Avec une configuration adéquate, cette installation est remarquablement stable. Vous évitez les problèmes de type « le service IA est en panne » ou « nous avons atteint notre limite mensuelle ».
Personnalisable et extensible
Vous voulez ajouter la recherche en base de données ? La lecture de fichiers ? Une logique métier personnalisée ? L’écosystème MCP rend l’ajout de nouvelles capacités simple, et l’intégration future avec vos flux de travail n8n ouvre des possibilités d’automatisation infinies.
Problèmes courants et solutions
Erreurs « commande introuvable » (Command Not Found)
Assurez-vous que le répertoire des binaires Go est dans votre PATH :
echo 'export PATH=$PATH:$(go env GOPATH)/bin' >> ~/.zshrc
source ~/.zshrc
Expirations de connexion
Cela signifie généralement que le serveur MCP ne démarre pas correctement. Testez-le manuellement :
cd /path/to/duckduckgo-mcp-server
uv run python src/duckduckgo_mcp_server/server.py
Le modèle ne répond pas aux appels d’outils
Assurez-vous d’utiliser un modèle qui prend en charge les appels de fonctions. Tous les modèles Ollama n’ont pas cette capacité intégrée.
Performances lentes
Envisagez d’utiliser un modèle plus petit (comme qwen3:8b) si votre matériel est limité. Réduire la température donne des réponses plus ciblées, mais ce paramètre contrôle le caractère aléatoire plutôt que la vitesse :
mcphost -m ollama:qwen3:8b --temperature 0.3 -p "your question"
Questions d’infrastructure
Si vous exécutez déjà des services auto-hébergés comme n8n, vous pourriez envisager d’héberger cette solution sur la même infrastructure. La configuration que nous avons décrite pour n8n sur Hetzner Cloud peut facilement accueillir Ollama également — vous aurez simplement besoin de plus de mémoire vive et de ressources processeur pour les modèles de langage.
Une configuration typique pourrait inclure :
- Hetzner CCX42 ou similaire pour les ressources nécessaires aux modèles plus volumineux (qwen3:30b-a3b représente à lui seul un téléchargement de 19 Go ; sans GPU, attendez-vous à des réponses plus lentes)
- Conteneurisation Docker pour une gestion simple aux côtés de n8n
- Proxy inverse Traefik pour un accès sécurisé (si vous souhaitez un accès à distance)
- Stockage partagé pour les modèles et les données de flux de travail
Le temps de configuration en vaut-il la peine ?
Si vous utilisez régulièrement l’IA pour des tâches professionnelles et que vous vous souciez de la confidentialité, absolument. La configuration initiale prend quelques heures, mais vous obtenez un assistant IA performant qui :
- Fonctionne hors ligne (sauf pour les recherches web)
- N’envoie pas vos conversations à des tiers (seules les requêtes de recherche sont envoyées à DuckDuckGo)
- N’entraîne aucun frais d’abonnement IA ni de facturation par token après la configuration (le matériel, l’électricité et l’hébergement restent payants)
- Peut être étendu avec des capacités supplémentaires selon les besoins
- S’intègre à votre infrastructure auto-hébergée existante
Pour les équipes traitant des informations sensibles ou opérant dans des secteurs réglementés, cette configuration garde les conversations à l’écart des fournisseurs d’IA cloud, ce qui peut simplifier la conformité ; vous devez néanmoins évaluer votre propre environnement, y compris les requêtes de recherche sortantes.
La combinaison du traitement local avec un accès web sélectif offre un équilibre pratique entre capacité et confidentialité difficile à atteindre avec des solutions purement cloud ou purement locales. Et lorsque vous ajoutez l’automatisation des flux de travail, vous construisez les bases d’une automatisation métier véritablement sophistiquée qui reste sous votre contrôle.
Et ensuite ?
Nous travaillons activement sur des intégrations plus profondes entre les configurations IA locales et les plateformes d’automatisation de flux de travail. Surveillez nos prochains articles, qui porteront sur :
- Configurations Docker pour des installations combinées n8n + Ollama
- Serveurs MCP personnalisés pour des sources de données spécifiques à l’entreprise
- Modèles de flux de travail exploitant l’IA locale pour les processus métier courants
- Renforcement de la sécurité pour les déploiements en production
L’avenir de l’automatisation métier ne se résume pas à connecter des services existants — il s’agit d’avoir des systèmes intelligents capables de raisonner, de rechercher des informations et d’agir en votre nom tout en gardant le contrôle total.
Si vous rencontrez des problèmes lors de l’installation ou souhaitez étendre cette configuration pour votre cas d’utilisation spécifique, nous serons heureux de vous aider à résoudre les problèmes via nos canaux d’assistance habituels.