Guide de config — 5 outils GitHub Trending

juin 2026 · 7 min de lecture

1. Tolaria — Ton second cerveau AI-ready

C'est quoi ? Une app desktop open-source pour gérer toutes tes notes en markdown, en local, sans cloud, avec un serveur MCP intégré pour que ton agent AI ait toujours du contexte sur toi.

Installation

# Télécharge le bon fichier selon ton OS sur :
# https://github.com/refactoringhq/tolaria/releases

# macOS → .dmg
# Windows → .exe
# Linux → .AppImage ou .deb

Configuration de base

  1. Lance Tolaria et crée un vault (dossier local de tes notes)
  2. Toutes tes notes sont de simples fichiers .md — portables, lisibles partout
  3. Chaque vault est un repo git automatiquement → historique complet, sync possible avec n'importe quel remote

Connecter ton agent AI

Tolaria expose un serveur MCP natif que tu branches directement dans Claude Code, Codex ou Gemini CLI.

Avec Claude Code :

// Dans ton fichier .claude/settings.json
{
  "mcpServers": {
    "tolaria": {
      "command": "node",
      "args": ["/chemin/vers/tolaria-mcp"]
    }
  }
}

Avec Codex :

codex mcp add tolaria

Comment ça fonctionne

  • Tu notes tout au quotidien : réunions, idées, apprentissages, journaling
  • Tolaria classe tes notes par types (projet, personne, note libre) — pas des schemas rigides, juste des filtres de navigation
  • Quand tu lances ton agent, il lit ton vault et a du contexte sur toi : qui tu es, sur quoi tu travailles, tes décisions passées
  • Plus tu alimentes, plus ton agent est pertinent

Raccourcis clés

Action Raccourci
Nouvelle note Cmd/Ctrl + N
Recherche rapide Cmd/Ctrl + K
Palette de commandes Cmd/Ctrl + P
Lien entre notes [[nom de la note]]

2. Goose — L'agent autonome open-source

C'est quoi ? Un agent AI open-source (Linux Foundation) qui va au-delà de l'autocomplétion : il installe des dépendances, exécute du code, édite des fichiers, lance des tests — de façon autonome, sur ta machine.

Installation

# macOS / Linux — méthode rapide
curl -fsSL https://github.com/aaif-goose/goose/releases/latest/download/install.sh | bash

# Ou via l'app desktop :
# https://github.com/aaif-goose/goose/releases
# → télécharge le .dmg / .exe / .deb selon ton OS

Configuration du provider LLM

Au premier lancement, Goose te demande quel LLM utiliser :

goose configure
# Choix : Anthropic, OpenAI, Google, Ollama, Azure, Bedrock...
# Entre ta clé API ou utilise ton abonnement Claude/ChatGPT via ACP

Pour Anthropic :

export ANTHROPIC_API_KEY=sk-ant-...

Ajouter des extensions MCP

Goose supporte 70+ extensions. Pour en ajouter :

# Depuis l'interface desktop : onglet Extensions
# Ou en CLI :
goose extension add <nom-extension>

Exemple d'utilisation concrète

Tu : "Clone ce repo GitHub, installe les dépendances, 
      lance les tests et dis-moi ce qui plante."

Goose : [clone le repo]
        [npm install]
        [npm test]
        → "3 tests échouent, voilà pourquoi et comment corriger..."

Modes disponibles

Mode Usage
Desktop app Interface visuelle, conversations persistantes
CLI goose Workflows terminal, scripts, automatisation
API Intégrer Goose dans tes propres outils

3. whichllm — Le bon LLM pour ton hardware

C'est quoi ? Un CLI Python qui détecte automatiquement ton GPU/CPU/RAM et te recommande le meilleur LLM local pour ta configuration, classé par vrais benchmarks — pas par nombre de paramètres.

Installation

# Méthode recommandée
pip install whichllm

# Avec uv (plus rapide)
uv tool install whichllm

# Avec Homebrew (macOS)
brew install andyyyy64/whichllm/whichllm

Utilisation de base

# Meilleurs modèles pour ta machine actuelle
whichllm

# Exemple de résultat :
# Rank  Model                    Score   Speed    VRAM
# 1     Qwen3-27B (Q4)           92.8    27 t/s   14 GB
# 2     Llama-3.1-8B (Q8)        84.1    48 t/s   9 GB
# 3     Gemma-3-12B (Q4)         81.3    35 t/s   7 GB

Commandes utiles

# Simuler un GPU avant de l'acheter
whichllm --gpu "RTX 4090"

# Comparer plusieurs GPU
whichllm upgrade "RTX 4090" "RTX 5090" "H100"

# Savoir quel GPU il faut pour un modèle précis
whichllm plan "llama 3 70b"

# Lancer directement un modèle recommandé
whichllm run "qwen 2.5 7b"

# Générer un snippet Python prêt à l'emploi
whichllm snippet "qwen 7b"

# Résultat en JSON (pour scripts)
whichllm --top 1 --json

Comment ça fonctionne

whichllm fusionne des benchmarks en temps réel depuis :

  • LiveBench — performance générale
  • Chatbot Arena ELO — qualité perçue
  • Aider — performance en coding
  • Artificial Analysis — vitesse et efficacité

Il prend en compte la quantization, l'architecture MoE, et la RAM disponible — pas juste le VRAM brut.

4. turbovec — Recherche vectorielle locale sans friction

C'est quoi ? Un index vectoriel écrit en Rust avec bindings Python, basé sur TurboQuant (Google Research, ICLR 2026). Tu fais de la recherche sémantique sur tes documents en local — sans cloud, sans entraînement préalable, 16× plus léger que du FP32.

Installation

pip install turbovec

# Avec LangChain
pip install turbovec[langchain]

# Avec LlamaIndex
pip install turbovec[llama-index]

# Avec Haystack
pip install turbovec[haystack]

Exemple concret : recherche dans tes docs

import numpy as np
from turbovec import IdMapIndex

# Initialiser l'index (dim = taille de tes embeddings, 4 bits)
index = IdMapIndex(dim=1536, bit_width=4)

# Ajouter tes vecteurs (embeddings de tes documents)
index.add_with_ids(vectors, np.array([1, 2, 3], dtype=np.uint64))

# Rechercher
scores, ids = index.search(query_vector, k=10)

# Sauvegarder / recharger
index.write("mon_index.tvim")
index = IdMapIndex.load("mon_index.tvim")

Avec LangChain (remplacement direct)

from turbovec.langchain import TurboVecStore

# Remplace InMemoryVectorStore sans changer le reste de ton code
vectorstore = TurboVecStore.from_documents(docs, embeddings)
results = vectorstore.similarity_search("ma requête", k=5)

Cas d'usage typique

Tu as une base de 10 000 documents (notes, emails, PDFs). Tu veux que ton agent puisse chercher dedans en langage naturel, en local, sans envoyer de données à un service externe et sans que ça rame.

→ turbovec indexe tout, compresse en mémoire, et répond en quelques millisecondes.

5. pm-skills — Les frameworks PM dans ton agent

C'est quoi ? Un marketplace de 100+ skills agentiques pour Product Managers, à installer dans Claude Code, Cowork, Codex ou Cursor. Chaque skill encode un vrai framework PM (Teresa Torres, Marty Cagan, Alberto Savoia) et te guide étape par étape.

Installation

Avec Claude Code :

# Ajouter le marketplace
claude plugin marketplace add phuryn/pm-skills

# Installer les plugins
claude plugin install pm-toolkit@pm-skills
claude plugin install pm-product-strategy@pm-skills
claude plugin install pm-product-discovery@pm-skills
claude plugin install pm-market-research@pm-skills
claude plugin install pm-data-analytics@pm-skills
claude plugin install pm-marketing-growth@pm-skills
claude plugin install pm-go-to-market@pm-skills
claude plugin install pm-execution@pm-skills

Avec Codex :

codex plugin marketplace add phuryn/pm-skills
codex plugin add pm-toolkit@pm-skills
# etc.

Avec Cursor ou autres : Les fichiers SKILL.md fonctionnent avec n'importe quel outil qui les lit — clone le repo et pointe dessus.

Commandes disponibles

/discover       # Lancer une session de discovery produit
/strategy       # Construire une stratégie produit
/write-prd      # Rédiger un PRD structuré
/plan-launch    # Préparer un lancement
/metrics        # Définir et analyser ses métriques

Exemple d'utilisation

Tu : /discover "Réduire le churn sur notre plan Pro"

Agent : [charge le framework Continuous Discovery de Teresa Torres]
        1. Quel outcome business tu cibles ?
        2. Quelles opportunités as-tu identifiées ?
        3. As-tu des données sur pourquoi les utilisateurs partent ?
        ...

Les 8 plugins et ce qu'ils couvrent

Plugin Contenu
pm-toolkit Outils transversaux, templates
pm-product-strategy Vision, roadmap, positionnement
pm-product-discovery Discovery, interviews, assumption mapping
pm-market-research Analyse concurrentielle, sizing marché
pm-data-analytics Métriques, dashboards, SQL
pm-marketing-growth GTM, acquisition, activation
pm-go-to-market Lancement, messaging, enablement
pm-execution Sprint planning, priorisation, delivery

Tous les repos : github.com/refactoringhq/tolaria · github.com/aaif-goose/goose · github.com/Andyyyy64/whichllm · github.com/RyanCodrai/turbovec · github.com/phuryn/pm-skills

Ce guide vient de Build With Nath

La communauté est gratuite. J’y publie ces guides au fil de l’eau et on y répond aux questions.

Rejoindre gratuitement →Voir l’original

Autres guides · Guides

Vous dirigez une entreprise et vous voulez savoir lequel de vos process mérite ce genre de traitement ? Le diagnostic vous le dit en trois minutes, ou on en parle trente minutes.