Ollama et OpenClaw : comment exécuter OpenClaw sur un modèle local

OpenClaw est un assistant IA auto-hébergé qui interagit avec vous via des applications de messagerie et contrôle des outils sur votre machine. Il ne comporte aucune intégration spécifique à Ollama ; vous reliez les deux en configurant le fournisseur de modèles d’OpenClaw pour qu’il pointe vers le point de terminaison compatible OpenAI d’Ollama, http://localhost:11434/v1. Cela fonctionne, mais uniquement avec un modèle capable d’appeler fiablement des outils et disposant d’une fenêtre de contexte nettement supérieure à celle par défaut d’Ollama.

Ce qu’est réellement OpenClaw

OpenClaw est un assistant personnel open source qui s’exécute sous forme de processus longue durée sur votre propre matériel. Il agit comme passerelle entre des canaux de messagerie — WhatsApp, Telegram, Discord, Signal, iMessage — et une boucle d’agent dotée d’un accès aux outils : commandes shell, opérations sur les fichiers, requêtes web, calendrier et mémoire. Le projet a débuté sous le nom de Clawdbot, a brièvement été renommé Moltbot, puis a finalement adopté le nom OpenClaw. Son « cerveau » par défaut était initialement un modèle Anthropic, mais comme il implémente le protocole OpenAI chat-completions pour les fournisseurs tiers, tout service respectant ce protocole peut être utilisé à la place — y compris Ollama.

Une précision utile : un autre projet, non lié, porte également le nom OpenClaw — il s’agit d’une réimplémentation en C++ du jeu de plates-formes de 1997 Captain Claw. Ce projet n’a aucun rapport avec les modèles de langage. Si vous avez effectué une recherche avec les termes « ollama openclaw », vous recherchez très probablement l’assistant IA.

Pourquoi ce couplage est plus complexe qu’une simple interface de chat

Rattacher une interface de chat frontale à Ollama est trivial. Ce n’est pas le cas d’un cadre d’agent, pour trois raisons :

• Les appels d’outils doivent être structurellement corrects. OpenClaw transmet les définitions des outils et s’attend à recevoir en retour des objets JSON représentant les appels d’outils. Les modèles dépourvus d’un modèle de chat adapté aux outils produisent du texte libre tel que « Je vais maintenant exécuter ls», ce qui bloque la boucle.
• Le prompt est déjà volumineux avant même que vous n’ayez saisi quoi que ce soit. Les instructions système combinées aux schémas d’outils consomment régulièrement plusieurs milliers de jetons. La fenêtre de contexte par défaut d’Ollama tronque ce prompt, et une troncature au début du prompt supprime précisément les instructions dont l’agent dépend.
• Les erreurs s’accumulent au fil des tours. Un modèle présentant une précision de 90 % par étape dans les appels d’outils réussira une tâche en six étapes dans environ la moitié des cas.

Étape 1 : Configurez Ollama pour qu’il soit accessible à une adresse réseau

Si Ollama n’est pas encore installé, suivez d’abord les instructions figurant dans la Guide d’installation d’Ollama première étape. Vérifiez que le serveur répond correctement :

curl http://localhost:11434/api/version
curl http://localhost:11434/v1/models

Si OpenClaw s’exécute sur le même hôte et en dehors d’un conteneur, la liaison par défaut sur l’interface de bouclage (loopback) convient parfaitement, et vous pouvez passer directement à l’étape 2. Si OpenClaw s’exécute dans un conteneur ou sur une autre machine, Ollama doit écouter sur une interface autre que loopback, via OLLAMA_HOST. La méthode de configuration varie selon la plateforme.

macOS

L’application en barre de menus ne lit pas votre profil shell. Définissez la variable dans l’environnement de lancement, puis redémarrez l’application depuis l’icône de la zone de notification :

launchctl setenv OLLAMA_HOST "0.0.0.0:11434"

Les modèles sont stockés dans ~/.ollama/models. Les journaux du serveur se trouvent dans ~/.ollama/logs/. Depuis un conteneur sur le même Mac, accédez à l’hôte via http://host.docker.internal:11434.

Linux

L’installeur enregistre une unité systemd. Surchargez plutôt son environnement que modifier directement le fichier d’unité fourni :

sudo systemctl edit ollama.service

Ajoutez :

[Service]
Environment="OLLAMA_HOST=0.0.0.0:11434"
Environment="OLLAMA_KEEP_ALIVE=-1"

Ensuite sudo systemctl daemon-reload && sudo systemctl restart ollama. Les journaux proviennent de journalctl -u ollama -f. Sous le compte de service, les modèles utilisent par défaut le répertoire /usr/share/ollama/.ollama/models, et non votre répertoire personnel — une source d’étonnement fréquente lorsque ollama list apparaît vide en tant que root.

Windows

Définissez la variable via l’interface graphique : Démarrer → « Modifier les variables d’environnement système » → Variables d’environnement → Nouveau sous les variables utilisateur, nommez-la OLLAMA_HOSTet affectez-lui la valeur 0.0.0.0:11434. Quittez Ollama depuis la zone de notification et relancez-le ; le processus en barre des tâches ne lit les variables d’environnement qu’au démarrage. Les modèles sont stockés dans %USERPROFILE%.ollamamodels; les journaux, dans %LOCALAPPDATA%\Ollama.

OpenClaw lui-même est une application Node.js et fonctionne de façon la plus fiable sous Linux ou macOS. Sous Windows, exécutez-le à l’intérieur de WSL2. Dans ce cas, Ollama peut rester installé nativement sur Windows — WSL2 accède à l’hôte Windows via l’adresse de passerelle miroir ou NAT, donc vérifiez-la avec curl à partir de WSL avant toute configuration.

Note de sécurité : Ollama n’implémente aucune authentification. Lier 0.0.0.0 expose l’inférence de modèles à tout hôte capable d’acheminer des requêtes vers ce port. Conservez cette liaison sur un réseau local de confiance ou un VPN, ou placez-la derrière un proxy inverse exigeant un jeton. Ne l’exposez jamais à Internet public.

Étape 2 : Téléchargez un modèle capable d’appeler des outils

L’appel d’outils dans Ollama dépend du modèle de discussion (chat template) du modèle, et non d’un indicateur que vous transmettez. Les tailles indiquées ci-dessous sont approximatives pour les versions courantes étiquetées en 4 bits et varient légèrement entre les versions — consultez ollama list et la liste actuelle des étiquettes pour obtenir les chiffres exacts.

Téléchargez-en un et vérifiez qu’il accepte les outils avant de configurer OpenClaw :

ollama pull qwen3:14b

Pour une comparaison plus large des candidats et de leur comportement sous des charges de travail d’agents, voir les meilleurs modèles locaux pour Ollama.

Étape 3 : Augmentez la fenêtre de contexte

Il s’agit de l’étape que la plupart des utilisateurs sautent, et c’est aussi la cause la plus fréquente d’une configuration OpenClaw sur Ollama qui « fonctionne presque ». Ollama applique par défaut une taille de contexte modeste (historiquement 2048, augmentée dans les versions ultérieures), quelle que soit la capacité du modèle. Les versions récentes acceptent une variable d’environnement globale au niveau du serveur, mais la méthode indépendante de version consiste à l’intégrer dans un modèle dérivé : OLLAMA_CONTEXT_LENGTH FROM qwen3:14b PARAMETER num_ctx 32768

Enregistrez-le sous le nom

ollama create qwen3-14b-32k -f Modelfile Modelfile, puis :

qwen3-14b-32k

Utilisez comme nom de modèle dans OpenClaw. Des contextes plus larges consomment davantage de VRAM pour le cache KV, qui est distinct des poids — utilisez pour connaître précisément la quantité de VRAM nécessaire à un modèle donné et à une longueur de contexte donnée, avant de découvrir cette information par un plantage mémoire (OOM). Sur les versions récentes d’Ollama, Calculateur de VRAM pour savoir ce dont un modèle donné et une longueur de contexte donnée ont réellement besoin avant de rencontrer une erreur de dépassement de mémoire (OOM). Sur les versions récentes d’Ollama, OLLAMA_FLASH_ATTENTION=1 OLLAMA_KV_CACHE_TYPE=q8_0) réduisent sensiblement cette surcharge.OpenClaw stocke sa configuration dans un répertoire pointé (dot-directory) sous votre répertoire personnel (

Étape 4 : Configurez OpenClaw pour qu’il utilise Ollama

OpenClaw stocke sa configuration dans un répertoire pointé situé dans votre répertoire personnel () et autorise les substitutions via des variables d’environnement. Les trois valeurs requises sont toujours fondamentalement identiques :) et permet des substitutions via des variables d'environnement. Les trois valeurs nécessaires sont toujours identiques en substance :

La configuration exacte noms de clés ont évolué à mesure des changements de nom du projet et de son rythme de publication accéléré. Plutôt que de copier un bloc de configuration depuis un article de blog, exécutez la sortie d’aide de l’interface en ligne de commande (CLI) et examinez le fichier de configuration généré sur votre version installée :

openclaw --help

Concrètement, vous recherchez le bloc générique de fournisseur compatible OpenAI — le même utilisé pour OpenRouter, vLLM ou LM Studio — et vous y définissez l’URL de base, la clé API et le modèle. Si OpenClaw propose une sélection de fournisseur lors de la configuration initiale, choisissez l’option « compatible OpenAI » plutôt qu’un fournisseur nommé.

Avant de déboguer OpenClaw, vérifiez que le point de terminaison répond correctement à une requête d’appel d’outil via curl contre /v1/chat/completions. Si cette requête échoue, le problème vient d’Ollama, pas d’OpenClaw.

Vérification réaliste des contraintes matérielles

OpenClaw est un service en arrière-plan. Le modèle est chargé et rechargé à chaque arrivée de message, et chaque rechargement entraîne plusieurs secondes de latence ; vous souhaitez donc que les poids restent résidents en permanence — d’où l’usage de OLLAMA_KEEP_ALIVE=-1. Cela signifie que la mémoire vidéo (VRAM) est réservée aussi longtemps que l’assistant est en cours d’exécution, et non uniquement pendant le traitement d’une requête. Prévoyez-en la capacité en conséquence : une carte graphique de 24 Go exécutant qwen3:32b avec un contexte de 32K n’a pratiquement plus aucune mémoire disponible pour autre chose.

Une carte graphique de 16 Go constitue le seuil raisonnable pour exécuter un modèle de 14 à 20 milliards de paramètres (14B–20B) avec un contexte utilisable. En dessous de 12 Go, vous êtes limité aux modèles de 8 milliards de paramètres (8B), dont la fiabilité sur des tâches multi-étapes chute fortement. Les puces Apple Silicon disposant de 32 Go ou plus de mémoire unifiée fonctionnent bien, car la mémoire est partagée, bien que le traitement des prompts soit plus lent que sur une carte NVIDIA dédiée. Consultez le guide GPU pour les LLM locaux pour connaître les cartes graphiques spécifiques recommandées à chaque niveau de performance.

La configuration hybride adoptée par la plupart des utilisateurs

Le constat honnête : un modèle local de 14 milliards de paramètres traite parfaitement les messages courants, les résumés, les rappels et les recherches simples avec un seul outil. En revanche, les chaînes d’analyse longues, les modifications de code portant sur plusieurs fichiers, ou toute tâche nécessitant un suivi rigoureux des instructions se dégradent nettement. De nombreux utilisateurs d’OpenClaw conservent donc un fournisseur cloud configuré pour la boucle principale de l’agent, tout en utilisant Ollama pour les tâches à fort volume mais faible enjeu, ou pour les contenus sensibles sur le plan de la confidentialité qui ne doivent pas quitter la machine.

Le fait que cette répartition permette ou non de réaliser des économies dépend de votre volume de messages et du coût de l’électricité. Faites vos calculs à l’aide du Calculateur de seuil de rentabilité entre hébergement local et utilisation d’une API avant d’acheter une carte graphique spécifiquement pour cet usage : à faible volume, l’API est généralement moins coûteuse que l’amortissement du matériel.

Dépannage

Questions fréquemment posées

OpenClaw prend-il officiellement en charge Ollama ?

Non, pas comme intégration nommée. Le support est indirect : OpenClaw peut utiliser n’importe quel point de terminaison compatible OpenAI pour les complétions conversationnelles, et Ollama en fournit un à l’adresse /v1. Ce chemin est stable et peu susceptible de changer, mais le schéma de configuration propre à OpenClaw évolue rapidement ; consultez donc sa documentation actuelle pour connaître les clés exactes du fournisseur, sans faire d’hypothèses.

Quel est le plus petit modèle réellement fonctionnel ?

Un modèle de 8 milliards de paramètres (8B) doté d’un support natif des appels d’outils, tel que qwen3:8b constitue le seuil réaliste, mais uniquement pour des interactions courtes et mono-outil. En dessous de ce seuil, les arguments des outils sont trop souvent mal formés, rendant la boucle d’agent plus frustrante qu’utile. À partir de 14 milliards de paramètres (14B), le comportement devient fiable.

Puis-je exécuter cela sous Windows ?

Oui, avec OpenClaw dans WSL2 et Ollama installé nativement sous Windows afin d’utiliser directement votre pilote GPU. Vérifiez la connectivité depuis l’interpréteur de commandes WSL à l’aide de curl avant de configurer OpenClaw. Notez que le canal iMessage est exclusivement disponible sur macOS, quelle que soit la plateforme, car il dépend de la base de données locale Messages.

Pourquoi OpenClaw local est-il si nettement inférieur à la version basée sur le cloud ?

Deux facteurs cumulatifs. Premièrement, la précision des appels d’outils à chaque étape est moindre, et les erreurs se multiplient dans une tâche multi-étapes. Deuxièmement, les modèles locaux se dégradent plus rapidement à mesure que le contexte se remplit, et le prompt d’OpenClaw est déjà volumineux avant même l’ajout de votre message. Ces deux limitations tiennent aux capacités intrinsèques des modèles, et non à un problème de configuration.

Ollama peut-il s’exécuter sur une machine différente d’OpenClaw ?

Oui, et c’est même une bonne pratique : installez Ollama sur la machine équipée de la carte graphique, et exécutez la passerelle (gateway) sur un appareil toujours allumé et à faible consommation. Définissez OLLAMA_HOST=0.0.0.0:11434 sur l’hôte GPU et utilisez son adresse LAN dans l’URL de base d’OpenClaw. Comme Ollama ne comporte aucune authentification, limitez cet accès à un réseau de confiance ou à un VPN.

S’agit-il du même OpenClaw que le projet de jeu Captain Claw ?

Non. Cet OpenClaw est une réimplémentation indépendante en C++ d’une plateforme DOS datant de 1997, et ne partage avec le projet actuel que le nom. Si un résultat de recherche mentionne des fichiers de niveaux ou le rendu de sprites, vous êtes tombé sur le projet jeu.

Conclusion

La liaison entre Ollama et OpenClaw ne prend que cinq minutes à configurer : point de terminaison compatible OpenAI, clé API non vide et balise de modèle exacte. Le travail déterminant la faisabilité d’utilisation se situe en amont : choisir un modèle disposant d’un véritable support des appels d’outils, lui attribuer une fenêtre de contexte suffisamment large pour accueillir le prompt de l’agent, et disposer de suffisamment de VRAM pour maintenir le modèle en mémoire. Comparez les modèles candidats dans le Base de données de modèles, et si vous débutez avec l’interface de configuration d’Ollama, le Guide complet d’Ollama aborde plus en détail les variables d’environnement et les mécanismes du fichier Modelfile.