[{"data":1,"prerenderedAt":114},["ShallowReactive",2],{"seo-verification":3,"marketplace-app-fr-private-gpt":6},{"google":4,"bing":5},"EycwPY2XMyTkVzas3n1ygeNJFGAH513qrMjfDljzsMQ","",{"key":7,"data":8},"marketplace-app-fr-private-gpt",{"slug":9,"slugs":10,"categorySlugs":11,"name":16,"description":17,"phase":18,"unavailableReason":19,"docsUrl":20,"logo":21,"github":21,"tagline":22,"longDescription":23,"features":24,"useCases":31,"steps":41,"faq":60,"specs":76,"compatibleOs":86,"relatedApps":87,"relatedPosts":108,"category":111},"private-gpt",{"fr":9,"en":9,"ar":9,"es":9},{"fr":12,"en":13,"ar":14,"es":15},"ia","artificial-intelligence","الذكاء-الاصطناعي","inteligencia-artificial","PrivateGPT","Assistant RAG documentaire local : posez des questions à vos PDF, contrats et notes — LLM et embeddings tournent sur votre VPS, zéro donnée sortante.",2,"awaiting_qa","https:\u002F\u002Fservorbit.com\u002Fblog\u002Fheberger-privategpt-vps",null,"Assistant IA documentaire 100 % local — RAG sur vos fichiers, sans cloud, sans fuite de données.","PrivateGPT est une plateforme RAG (Retrieval-Augmented Generation) open source qui vous permet d'interroger vos propres documents — PDF, DOCX, tableurs et e-mails — à l'aide d'un grand modèle de langage local. Contrairement aux assistants IA hébergés dans le cloud, PrivateGPT n'envoie jamais vos données hors du serveur : l'ingestion, la vectorisation, le stockage et l'inférence se déroulent entièrement sur votre VPS ServOrbit. Alimenté par un magasin de vecteurs intégré et connecté à tout serveur d'inférence compatible OpenAI (Ollama, llama.cpp, vLLM), il vous offre un pipeline RAG complet sous votre contrôle.\n\nDéployé sur un VPS ServOrbit avec un sidecar Ollama, PrivateGPT devient un espace de travail IA privé et autonome : téléversez vos contrats, documents techniques ou comptes-rendus de réunions, et interrogez-les en langage naturel. Chaque réponse cite le passage source et le nom du fichier. L'API compatible OpenAI sur le port 8080 vous permet d'intégrer la même intelligence documentaire dans vos outils internes ou de construire des agents personnalisés sur le corpus indexé.",[25,26,27,28,29,30],"Pipeline RAG 100 % hors ligne — ingestion de PDF, DOCX, TXT et CSV ; interrogation via votre LLM local, zéro appel cloud","Citations de sources dans chaque réponse — passage et nom du fichier mentionnés sous chaque réponse","API compatible OpenAI sur le port 8080 — remplacement direct du client OpenAI dans vos outils existants","Compatible avec tout serveur OpenAI — Ollama, llama.cpp, vLLM, ou l'API OpenAI réelle","Magasin de vecteurs intégré — chunking sémantique et embeddings sur disque, persistants entre les redémarrages","Licence Apache-2.0 — entièrement auditable, sans télémétrie, air-gap possible, 57 k+ étoiles GitHub",[32,35,38],{"title":33,"body":34},"Intelligence documentaire juridique et RH","Téléversez vos contrats, accords et dossiers RH dans PrivateGPT. Posez la question « Quelles sont les clauses de résiliation du contrat X ? » et obtenez une réponse citée, sans qu'aucune donnée quitte le VPS — conformément à l'article 28 du RGPD.",{"title":36,"body":37},"Base de connaissance interne","Indexez la documentation technique, les runbooks et les comptes-rendus de votre équipe. Chaque membre dispose d'une interface en langage naturel, avec des réponses pointant vers le passage source exact pour vérifier et approfondir.",{"title":39,"body":40},"Revue privée de code et de sécurité","Alimentez PrivateGPT avec votre code source propriétaire ou vos rapports d'audit de sécurité. Interrogez l'architecture, repérez les fonctions non documentées ou croisez des descriptions CVE avec votre codebase — sans qu'une seule ligne de code source quitte le serveur.",[42,45,48,51,54,57],{"title":43,"body":44},"Commander un VPS ServOrbit","Prévoyez au minimum 8 Go de RAM : Ollama a besoin de 4 à 6 Go pour un modèle 7B (Q4_K_M), PrivateGPT lui-même consomme environ 500 Mo, et il faut de la marge pour l'ingestion de documents. Un VPS de 16 Go est l'option confortable. La machine est livrée avec Ubuntu 24.04 et Docker préinstallé.",{"title":46,"body":47},"Déployer depuis le Marketplace","Dans votre espace client ServOrbit : Marketplace → Intelligence Artificielle → PrivateGPT → Déployer. La pile démarre deux conteneurs : PrivateGPT (interface web + API sur le port 8080, lié à 127.0.0.1) et un sidecar Ollama (interne uniquement, non accessible depuis Internet). Les deux partagent un réseau Docker privé — seul le port 8080 est exposé sur le loopback.",{"title":49,"body":50},"Télécharger un premier modèle","Une fois la pile démarrée, téléchargez un modèle de langage dans Ollama via SSH : `docker exec ollama ollama pull qwen2.5:7b`. Pour un démarrage léger sur 8 Go de RAM, `qwen2.5:3b` (2,3 Go) est un bon point d'entrée. Pour des réponses plus riches sur des documents longs, `mistral:7b` ou `llama3.1:8b` sont recommandés. Pour les embeddings, `nomic-embed-text` améliore la qualité de la récupération sémantique.",{"title":52,"body":53},"Ouvrir l'interface web","L'interface de PrivateGPT est accessible sur `http:\u002F\u002F127.0.0.1:8080\u002Fui` (loopback uniquement). Ouvrez un tunnel SSH depuis votre poste : `ssh -L 8080:127.0.0.1:\u003Cport> root@\u003Cip-vps>` (remplacez `\u003Cport>` par le port affiché dans votre espace client), puis accédez à `http:\u002F\u002Flocalhost:8080\u002Fui` dans votre navigateur.",{"title":55,"body":56},"Ingérer vos documents","Utilisez le bouton Upload dans l'interface ou le point d'API `\u002Fv1\u002Fingest\u002Ffile` pour téléverser vos documents. PrivateGPT les découpe en morceaux, calcule les embeddings via Ollama et les stocke dans le magasin de vecteurs local. L'ingestion d'un PDF de 50 pages prend généralement 30 à 90 secondes sur CPU.",{"title":58,"body":59},"Interroger votre corpus","Tapez votre question dans le chat. PrivateGPT récupère les morceaux les plus pertinents du magasin de vecteurs, les transmet en contexte au LLM et renvoie une réponse avec les passages sources cités. Le point d'API `\u002Fv1\u002Fchat\u002Fcompletions` est compatible OpenAI pour les clients API.",[61,64,67,70,73],{"q":62,"a":63},"PrivateGPT nécessite-t-il un GPU ?","Non. L'inférence CPU seul fonctionne sans configuration particulière via Ollama. Un CPU serveur moderne traite un modèle 7B Q4_K_M à 2–5 tokens\u002Fseconde — suffisant pour le Q&A documentaire où la précision prime sur la vitesse. Pour une inférence plus rapide sur des modèles plus grands, un VPS avec GPU accélère le débit de 10 à 30×.",{"q":65,"a":66},"Quels modèles LLM fonctionnent le mieux avec PrivateGPT ?","Pour le Q&A documentaire général sur CPU : `qwen2.5:7b` ou `mistral:7b` (Q4_K_M, ~4–5 Go). Pour des documents juridiques ou techniques longs : `llama3.1:8b`. Pour une configuration légère sur 8 Go de RAM : `qwen2.5:3b` (~2,3 Go). Pour les embeddings : `nomic-embed-text` (270 Mo) offre une excellente qualité de récupération sémantique.",{"q":68,"a":69},"Puis-je utiliser l'API OpenAI à la place d'un modèle Ollama local ?","Oui. Définissez la variable d'environnement `OPENAI_API_BASE` à `https:\u002F\u002Fapi.openai.com\u002Fv1` et fournissez votre `OPENAI_API_KEY`. Le pipeline RAG utilisera alors OpenAI pour les embeddings et la génération, tandis que vos documents resteront indexés localement sur le VPS.",{"q":71,"a":72},"PrivateGPT inclut-il déjà une base de données vectorielle ?","Oui. PrivateGPT est livré avec un magasin de vecteurs intégré qui persiste vos morceaux indexés sur disque dans le volume Docker `private-gpt-data`. Vous n'avez pas besoin d'exécuter un conteneur Qdrant ou ChromaDB séparé. L'index survit aux redémarrages du conteneur.",{"q":74,"a":75},"Comment accéder à PrivateGPT sans nom de domaine ?","Ouvrez un tunnel SSH : `ssh -L 8080:127.0.0.1:\u003Cport> root@\u003Cip-vps>` (remplacez `\u003Cport>` par le port affiché dans votre espace client), puis accédez à `http:\u002F\u002Flocalhost:8080\u002Fui`. Pour une URL publique permanente, attachez un domaine dans votre espace client — nginx proxifiera vers PrivateGPT et provisionnera un certificat TLS automatiquement.",{"ram":77,"cpu":78,"disk":79,"stack":80,"port":85},"8 Go","2 vCPU","30 Go",[81,82,83,84],"Docker","Python","Ollama","Magasin de vecteurs","8080",[],[88,96,102],{"name":89,"slug":90,"categorySlug":12,"categoryName":91,"categoryColor":92,"logo":93,"tagline":94,"description":95},"AnythingLLM","anything-llm","Intelligence Artificielle","text-purple-400 bg-purple-500\u002F10","https:\u002F\u002Fcdn.jsdelivr.net\u002Fgh\u002Fselfhst\u002Ficons\u002Fsvg\u002Fanythingllm.svg","Espace de travail IA privé : vos documents deviennent une base de connaissance interrogeable, avec RAG intégré, agents sans code et le modèle de langage de votre choix.","Workspace IA open-source : RAG sur vos documents, agents automatisés, multi-modèles. Alternative self-hosted à ChatGPT Teams — vos données ne quittent jamais votre serveur.",{"name":97,"slug":98,"categorySlug":12,"categoryName":91,"categoryColor":92,"logo":99,"tagline":100,"description":101},"Open WebUI","open-webui","https:\u002F\u002Fcdn.jsdelivr.net\u002Fgh\u002Fselfhst\u002Ficons\u002Fsvg\u002Fopen-webui.svg","Interface web pour vos LLMs — Ollama, OpenAI, Mistral — hébergée sur votre propre serveur.","Interface web pour interagir avec vos LLMs locaux ou distants. Vos données restent sur votre infrastructure — aucun tiers impliqué.",{"name":103,"slug":104,"categorySlug":12,"categoryName":91,"categoryColor":92,"logo":105,"tagline":106,"description":107},"Dify","dify","https:\u002F\u002Fcdn.jsdelivr.net\u002Fgh\u002Fselfhst\u002Ficons\u002Fsvg\u002Fdify.svg","Créez des applications LLM en drag-and-drop — chatbots, agents, pipelines RAG — sans backend.","Créez des applications LLM visuellement : chatbots, agents RAG, pipelines — sans écrire de code backend.",[109,110],"heberger-privategpt-vps","privategpt-documents-confidentiels-vps",{"key":12,"slug":12,"name":91,"objective":112,"icon":113,"color":92},"Créer, héberger et exploiter des solutions IA.","ai",1790177462713]