Meilleures applications de moteurs de recherche IA auto-hébergés pour le bureau (2026)

Un rédacteur d’XDA-Developers a récemment décrit l’annulation d’un abonnement Perplexity et ChatGPT après avoir associé un LLM local avec Perplexica et SearXNG, et la configuration est plus facile à reproduire qu’il n’y paraît. Un modèle de milieu de gamme comme Qwen, Llama ou Mistral fonctionnant via Ollama gère déjà bien le raisonnement et la résumé. Ce qui lui manque, c’est l’information fraîche du web ouvert, et c’est ce qu’une couche de métarecherche auto-hébergée fournit : un récupérateur privé qui récupère et classe les résultats, puis les transmet au modèle pour citer et synthétiser. Le résultat ressemble à Perplexity, moins l’abonnement et le journal des requêtes.

Cet aperçu couvre les meilleures applications pour la recherche IA auto-hébergée, allant des clones complets de Perplexity au moteur de métarecherche situé en dessous de la plupart d’entre eux. Chaque choix s’exécute sur un serveur domestique ou un ordinateur de bureau de secours, se connecte à Ollama, LM Studio ou n’importe quel point de terminaison compatible OpenAI, et livré une image Docker pour que l’ensemble de la pile s’exécute avec une seule commande.

Ce qu'il faut chercher dans une application de recherche IA auto-hébergée

Pas chaque projet de “recherche IA” est vraiment construit pour cela. Quelques traits séparent les uns valent la peine d’être lancés de ceux qui s’arrêtent à une démo :

• Support du modèle local. Il doit communiquer avec Ollama, LM Studio ou un point de terminaison générique compatible OpenAI, pas seulement une clé API hébergée.
• Sources citées. Les réponses doivent renvoyer aux pages dont elles tirent, pas présenter du texte synthétisé comme un fait sans trace.
• Une véritable étape de classement. Les résultats de recherche bruts ont besoin d’être reclassés ou notés pour la pertinence avant d’atteindre le modèle, ou les réponses s’écartent du sujet sur des requêtes ambigües.
• Configuration Docker en une commande. Un docker compose up qui apporte son propre backend de métarecherche dépasse une installation manuelle avec cinq pièces mobiles.
• Support multi-utilisateurs. Important si plus d’une personne dans la maison ou l’équipe fera des requêtes.
• Appel d’outils et plugins. Les agents plus forts peuvent chaîner une recherche, ouvrir un résultat et rechercher à nouveau avant de répondre.

Comparaison rapide

Les 8 meilleures applications de recherche IA auto-hébergées pour le bureau en 2026

1. Perplexica — meilleur pour le clone de Perplexity le plus proche

Perplexica est le projet autour duquel l’article XDA a construit sa configuration : un frontend Next.js et un backend API qui regroupent une instance SearXNG privée, donc un conteneur Docker vous donne une boîte de recherche, une réponse LLM avec des citations en ligne, et des panneaux d’images et vidéos. Il a été renommé Vane en mars 2026, bien que le référentiel GitHub, les images Docker et la communauté utilisent toujours le nom Perplexica avec lequel il a été lancé. Il se connecte à Ollama pour les modèles locaux ou à OpenAI, Anthropic et d’autres fournisseurs cloud lorsque vous voulez un backend plus puissant pour les requêtes plus difficiles.

Où ça manque : La rédenomination a laissé la documentation et les résultats de recherche divisés entre les anciens et nouveaux noms, ce qui rend la résolution des problèmes un peu plus confuse qu’elle ne devrait l’être.

Prix : Gratuit et open source, pas de niveau payant.

Plates-formes : Windows, macOS, Linux (Docker), auto-hébergé.

Télécharger : GitHub

Résumé : La chose la plus proche de l’exécution de Perplexity sur du matériel que vous possédez, et le projet que toute cette catégorie prend ses indications.

2. SearXNG — meilleur pour la couche de métarecherche seule

SearXNG est le moteur de métarecherche fédéré qui alimente Perplexica, Farfalle et Morphic sous le capot, et cela vaut la peine de le lancer seul si tout ce que vous voulez est un frontend privé pour Google, Bing, DuckDuckGo, Brave et environ 280 autres services de recherche sans couche IA. Les requêtes atteignent ces moteurs depuis votre serveur, pas depuis votre navigateur, donc aucun d’eux ne voit votre adresse IP et ne construit un profil à partir de vos recherches. Pointez l’une des applications de recherche IA ci-dessous vers une instance SearXNG existante au lieu de les laisser faire tourner la leur, et vous obtenez un backend de recherche partagé pour plusieurs outils.

Où ça manque : Pas de synthèse IA en elle-même. Il retourne des liens classés, pas des réponses, sauf s’il est associé à un frontend LLM.

Prix : Gratuit et open source, pas de niveau payant.

Plates-formes : Windows, macOS, Linux (Docker), auto-hébergé.

Télécharger : GitHub

Résumé : La fondation de métarecherche sous la plupart de cette liste, et le point de départ approprié si la couche IA est un ajout ultérieur, pas le premier jour.

3. Farfalle — meilleur pour choisir votre propre backend de recherche

Farfalle est un moteur de réponse de style Perplexity qui laisse le choix du fournisseur de recherche à vous : SearXNG, Tavily, Serper ou Bing, mélangés avec des modèles locaux via Ollama ou des modèles cloud via LiteLLM. La pile Next.js et FastAPI livré un docker-compose.dev.yaml qui obtient une instance de travail exécutée à localhost:3000 à partir d’un clone frais en quelques minutes, et l’échange de fournisseurs de recherche ou de modèles est un changement de configuration, pas une reconstruction.

Où ça manque : La configuration par défaut s’attend à au moins une clé API (un fournisseur de recherche ou un modèle cloud) sauf si tout est acheminé via une paire SearXNG et Ollama locale, donc le chemin sans clé nécessite un peu plus de configuration que Perplexica.

Prix : Gratuit et open source, pas de niveau payant.

Plates-formes : Windows, macOS, Linux (Docker), auto-hébergé.

Télécharger : GitHub

Résumé : Le choix pour quiconque veut une expérience de style Perplexica mais avec plus de contrôle sur les fournisseurs de recherche et modèles qui se trouvent derrière les réponses.

4. Morphic — meilleur pour les réponses UI génératives

Morphic rend les réponses plus que du texte brut : des grilles d’images avec crédit source, des titres structurés et des composants en ligne se construisent aux côtés de la réponse écrite au lieu d’un mur de prose avec des liens en bas. Il supporte les modes de recherche Rapide et Adaptative, un sélecteur de modèle dans OpenAI, Anthropic, Google, Ollama et tout fournisseur compatible OpenAI, et livre PostgreSQL, Redis et SearXNG dans son fichier Docker Compose, donc aucune clé API de recherche externe n’est requise pour commencer.

Où ça manque : L’interface plus riche signifie plus de pièces mobiles (Postgres, Redis, SearXNG, l’application elle-même) qu’une configuration à conteneur unique, ce qui demande plus de surveillance si quelque chose casse.

Prix : Gratuit et open source, pas de niveau payant.

Plates-formes : Windows, macOS, Linux (Docker), auto-hébergé.

Télécharger : GitHub

Résumé : Le moteur de réponse le plus beau de cette liste, vaut les conteneurs supplémentaires si une interface polie et componentisée est aussi importante que la qualité de la réponse.

5. Open WebUI — meilleur pour ajouter la recherche à une configuration Ollama existante

Open WebUI a commencé comme une interface de chat pour Ollama et les API compatibles OpenAI, et son bouton de recherche web intégré (soutenu par SearXNG ou une poignée d’autres fournisseurs) transforme une configuration de chat local existante en moteur de réponses sans se tenir debout. Quiconque exécute déjà Open WebUI pour le chat local obtient la recherche IA comme un changement de configuration plutôt qu’un nouveau déploiement.

Où ça manque : La recherche est une fonctionnalité boulonnée à l’interface de chat, pas l’objectif principal de la conception, donc le rendu des citations et le classement des sources sont moins polis que dans les moteurs de réponses dédiés ci-dessus. Les déploiements servant 51 utilisateurs ou plus dans une fenêtre glissante de 30 jours doivent garder visible la marque Open WebUI sous sa licence actuelle.

Prix : Gratuit et open source, pas de niveau payant ; une licence entreprise séparée couvre les déploiements de marque blanche ou à grande échelle.

Plates-formes : Windows, macOS, Linux (Docker), auto-hébergé.

Télécharger : GitHub

Résumé : Le chemin de mise à niveau au moindre effort pour quiconque exécute déjà Open WebUI pour le chat local et veut que la recherche soit ajoutée par-dessus.

6. MindSearch — meilleur pour la recherche approfondie multi-agents

MindSearch, construit par InternLM, divise une requête entre deux rôles d’agent : un WebPlanner qui décompose la question en sous-requêtes et construit un graphe de raisonnement, et un ou plusieurs WebSearchers qui exécutent ces sous-requêtes et signalent les résultats. Cette structure lui permet de travailler à travers plus de 300 pages de source sur une question de recherche complexe, bien au-delà de ce qu’une application de recherche et résumé en une seule étape gère correctement. Il s’exécute contre les propres modèles d’InternLM ou GPT-4, et supporte DuckDuckGo, Bing, Brave et Google Serper comme backends de recherche.

Où ça manque : Le développement a ralenti depuis sa refonte fin 2024, et la configuration penche vers les utilisateurs à l’aise configurant un cadre d’agent plutôt qu’un appareil one-click.

Prix : Gratuit et open source, pas de niveau payant.

Plates-formes : Windows, macOS, Linux (Docker), auto-hébergé.

Télécharger : GitHub

Résumé : Le choix pour des questions de recherche vraiment approfondies et multi-étapes où une seule recherche raaterait le contexte.

7. LLocalSearch — meilleur pour un agent local entièrement minimal

LLocalSearch enveloppe un LLM local dans une simple boucle d’utilisation d’outils : le modèle décide quand chercher, lit ce qui revient, et décide s’il faut chercher à nouveau avant de répondre, avec toute la chaîne visible dans un journal en direct. Il n’a besoin d’aucune clé API et a été construit pour s’exécuter sur du matériel modeste, ce qui l’a rendu un premier arrêt populaire pour quiconque teste la recherche IA locale sur un GPU bon marché.

Où ça manque : GitHub a archivé le dépôt en juin 2026 et le projet est sans développement actif depuis plus d’un an, donc il fonctionne toujours via Docker mais ne recevra pas de corrections ou mises à jour de compatibilité de modèles à l’avenir.

Prix : Gratuit et open source, pas de niveau payant.

Plates-formes : Windows, macOS, Linux (Docker), auto-hébergé.

Télécharger : GitHub

Résumé : Toujours fonctionnel et vaut la peine d’être essayé pour la simplicité de sa conception, mais traitez-le comme une implémentation de référence plutôt qu’un pilote quotidien à long terme.

8. AnythingLLM — meilleur pour la recherche dans un espace de travail RAG plus large

AnythingLLM est moins un moteur de recherche dédié et plus un espace de travail complet : RAG de document, agents IA et contrôle d’accès multi-utilisateurs, avec la recherche web disponible comme un outil qu’un agent peut appeler aux côtés de la récupération de documents. Quiconque veut déjà une plate-forme de chat auto-hébergée pour ses propres fichiers obtient la recherche IA comme une capacité de plus plutôt qu’un déploiement séparé, avec des rôles Admin, Manager et Default pour l’utilisation domestique ou d’équipe partagée.

Où ça manque : La recherche est un outil parmi plusieurs, pas le focus, donc elle ne correspondra pas au formatage des citations du moteur de réponse dédié ou à la qualité de classement sur les requêtes de recherche pure.

Prix : Gratuit et open source, pas de niveau payant ; un plan hébergé est disponible pour ceux qui ne veulent pas auto-héberger.

Plates-formes : Windows, macOS, Linux (Docker), auto-hébergé.

Télécharger : GitHub

Résumé : Le bon choix quand la recherche doit vivre aux côtés du chat de documents et des agents dans un espace de travail, pas stand-alone.

Comment choisir

Si vous voulez le clone de Perplexity le plus simple : Perplexica. Un conteneur, une commande, citations et images sortis de la boîte.

Si vous voulez la couche de métarecherche seule, sans IA attachée encore : SearXNG. Lancez-le d’abord, pointez un moteur de réponse vers lui plus tard.

Si vous voulez du contrôle sur les fournisseurs de recherche et modèles qui se trouvent derrière les réponses : Farfalle.

Si l’interface est aussi importante que la réponse : Morphic, pour son interface génératives et grilles d’images avec crédit source.

Si Open WebUI est déjà votre application de chat locale : activez sa recherche web intégrée plutôt que de déployer quelque chose de nouveau.

Si la question a besoin d’une recherche multi-étapes et multi-sources : MindSearch, pour sa conception d’agent planificateur-et-chercheur.

Si le matériel à petit budget et zéro clés API sont la priorité, et la stabilité importe moins que la simplicité : LLocalSearch, avec l’avertissement qu’il est archivé.

Si la recherche doit se trouver à l’intérieur d’un espace de travail de chat de documents et d’agents : AnythingLLM.

Questions fréquemment posées

Ces applications fonctionnent-elles sans connexion Internet ?

Non. Le LLM lui-même peut fonctionner complètement hors ligne une fois téléchargé, mais chaque application dans cette liste a toujours besoin d’atteindre le web ouvert pour récupérer les résultats de recherche actuels. Ce qui reste local, c’est l’inférence du modèle et, selon la configuration, la requête elle-même, car une instance SearXNG auto-hébergée interroge d’autres moteurs de recherche au nom de votre serveur plutôt que d’envoyer votre adresse IP directement.

Quels modèles locaux s'associent le mieux à ces moteurs de recherche ?

Un modèle de taille moyenne accordé aux instructions dans la gamme 7B à 30B, comme une version récente de Qwen, Llama ou Mistral, gère bien la synthèse lourde de citations sur le matériel GPU grand public. Les modèles plus petits ont tendance à halluciner autour des sources plutôt que de les citer avec précision, donc cela vaut la peine de tester une requête contre une réponse connue avant de faire confiance à la sortie d’un modèle léger.

Ai-je besoin d'un GPU pour exécuter une pile de recherche IA auto-hébergée ?

Pas strictement. Le côté recherche et récupération (SearXNG, le backend de l’application) fonctionne bien sur CPU. Le LLM est la partie qui bénéficie d’un GPU ; sans lui, attendez-vous à des réponses notablement plus lentes, surtout sur les modèles plus grands, ou pointez l’application vers une API de modèle cloud en tant que solution de secours.

La recherche IA auto-hébergée est-elle vraiment plus privée que Perplexity ou ChatGPT ?

Les requêtes de recherche restent sur l’infrastructure que vous contrôlez plutôt que sur les serveurs du fournisseur, et aucune des applications de cette liste n’envoie l’historique des conversations à des tiers par défaut. Le compromis est que les moteurs de recherche sous-jacents (Google, Bing et le reste) voient toujours les requêtes individuelles que SearXNG leur transmet, juste sans votre adresse IP ou votre compte.

Plus d'une personne peut-elle utiliser la même instance auto-hébergée ?

Certaines de ces applications le supportent nativement. AnythingLLM et Open WebUI livrent tous deux des comptes multi-utilisateurs basés sur les rôles prêts à l’emploi. D’autres, y compris Perplexica, Farfalle et Morphic, ont été construits avec une utilisation mono-utilisateur ou petit-ménage en tête et nécessitent une configuration supplémentaire (par exemple, un proxy inverse avec authentification) avant de l’exposer à un groupe plus large en toute sécurité.

Que se passe-t-il si un projet comme LLocalSearch cesse d'être maintenu ?

Un dépôt open-source archivé continue à fonctionner exactement comme sur son dernier commit ; les images Docker déjà construites continuent à fonctionner. Ce qui s’arrête, ce sont les corrections pour les nouveaux bugs, les mises à jour de compatibilité pour les API de modèle plus récentes et les correctifs de sécurité, donc un projet archivé est approprié pour les tests ou une utilisation légère mais un mauvais pari à long terme pour tout ce qui dépend des mises à jour continues.