Codage IA Aider

Codage IA en terminal avec Aider sur Clore.ai — conscient de Git, multi-fichiers, modèles locaux via Ollama

Aider est un assistant de codage IA basé sur le terminal, avec plus de 39 k étoiles sur GitHub. Il modifie directement les fichiers dans votre dépôt, crée automatiquement des commits Git et prend en charge à la fois les API cloud (OpenAI, Anthropic) et les modèles entièrement locaux via Ollama. Sur un GPU Clore.ai, vous pouvez exécuter de grands modèles de codage comme DeepSeek-R1 32B ou Qwen2.5-Coder-32B entièrement sur votre propre matériel — privé, rapide et rentable.

Tous les exemples s’exécutent sur des serveurs GPU loués via la place de marché CLORE.AI.

Caractéristiques clés

• Natif du terminal — fonctionne via SSH, parfait pour les serveurs Clore.ai sans interface graphique

• Compatible avec Git — crée automatiquement un commit pour chaque modification avec des messages descriptifs, facile à examiner et à annuler

• Édition multi-fichiers — ajoutez plusieurs fichiers au contexte et modifiez-les simultanément

• Prise en charge des modèles locaux — connectez-vous à Ollama pour un codage entièrement privé, sans coût d’API

• Mode architecte — utilisez un modèle de raisonnement puissant pour planifier, puis un modèle rapide pour implémenter

• Carte du dépôt — indexe automatiquement votre base de code pour des modifications tenant compte du contexte

• Linting et tests — exécute les linters/tests après chaque modification, corrige automatiquement les erreurs

• Entrée vocale — dictez des instructions de codage via le microphone

Exigences

Composant	Minimum	Recommandé
GPU	RTX 3060 12 GB	RTX 4090 24 Go
VRAM	12 Go	24 Go
RAM	16 Go	32 Go
Disque	30 Go	60 Go
Python	3.9	3.11

Tarification Clore.ai : RTX 4090 ≈ 0,14–0,42 $/h · RTX 3090 ≈ 0,07–0,21 $/h · RTX 3060 ≈ 0,03–0,07 $/h

Pour les modèles cloud uniquement (sans inférence locale), un GPU n’est pas nécessaire — mais les GPU Clore.ai vous permettent d’exécuter les modèles Ollama localement pour une confidentialité totale.

Démarrage rapide

1. Installer Aider

pip install aider-chat

2. Configurer Ollama pour les modèles locaux

# Installer Ollama
curl -fsSL https://ollama.com/install.sh | sh

# Récupérer un modèle de codage
ollama pull deepseek-r1:32b

# Ou un modèle plus petit pour une VRAM plus faible
ollama pull qwen2.5-coder:7b

3. Démarrer Aider avec un modèle local

cd /workspace/your-project

# Utiliser DeepSeek-R1 32B via Ollama (nécessite environ 20 Go de VRAM)
aider --model ollama/deepseek-r1:32b

# Ou utiliser un modèle plus petit sur RTX 3060
aider --model ollama/qwen2.5-coder:7b

4. Commencer à coder

Dans le REPL d’Aider :

> /add src/main.py src/utils.py
> Ajoute la gestion des erreurs à la fonction parse_config et écris des tests unitaires pour elle

Aider va :

1. Lire les fichiers et comprendre la base de code

2. Proposer les changements sous forme de diff

3. Appliquer les modifications sur le disque

4. Créer un commit Git avec un message descriptif

Exemples d'utilisation

Mode architecte (configuration à deux modèles)

Utilisez un modèle puissant pour le raisonnement et un modèle rapide pour la génération de code :

# Architecte cloud + éditeur local
aider --architect --model ollama/deepseek-r1:32b --editor-model ollama/qwen2.5-coder:7b

Le modèle architecte planifie les changements, et le modèle éditeur écrit le code réel — combinant un raisonnement de haute qualité avec une implémentation rapide.

Ajouter des fichiers et modifier

# Ajouter des fichiers spécifiques au contexte du chat
> /add src/api/routes.py src/models/user.py

# Demander des modifications
> Refactorisez le point de terminaison d’inscription des utilisateurs pour utiliser async/await et ajoutez une validation des entrées avec Pydantic

# Ajouter un dossier entier
> /add src/tests/

# Exécuter les tests après la modification
> /test pytest src/tests/ -v

Utiliser avec les API cloud

# OpenAI
export OPENAI_API_KEY=sk-...
aider --model gpt-4o

# Anthropic
export ANTHROPIC_API_KEY=sk-ant-...
aider --model claude-sonnet-4-20250514

Intégration Git

# Chaque modification crée automatiquement un commit
git log --oneline -5
# a1b2c3d aider : Ajouter la gestion des erreurs à parse_config
# d4e5f6g aider : Écrire des tests unitaires pour parse_config
# h7i8j9k aider : Refactoriser le point de terminaison d’inscription des utilisateurs

# Annuler la dernière modification d’Aider
aider --undo

Lint et correction automatique

# Configurer un linter
aider --lint-cmd "ruff check --fix" --auto-lint

# Aider exécute le linter après chaque modification et corrige automatiquement les problèmes

Mode non interactif (scripté)

# Exécuter une seule instruction et quitter
aider --model ollama/deepseek-r1:32b \\
  --message "Ajoutez des indications de type à toutes les fonctions de src/utils.py" \\
  --yes  # accepter automatiquement les modifications

Recommandations de modèles

Modèle	VRAM	Vitesse	Qualité	Idéal pour
deepseek-r1:32b	~20 Go	Moyen	Élevé	Refactorisation complexe
qwen2.5-coder:32b	~20 Go	Moyen	Élevé	Génération de code
qwen2.5-coder:7b	~5 Go	Rapide	Bon	Modifications rapides, RTX 3060
codellama:34b	~20 Go	Moyen	Bon	Code hérité, C/C++
deepseek-coder-v2:16b	~10 Go	Rapide	Bon	Performances équilibrées

Conseils

• Utilisez /add sélectivement — n’ajoutez que les fichiers qu’Aider doit voir. Trop de fichiers gaspillent des jetons de contexte

• Mode architecte est puissant pour les modifications complexes — le modèle de raisonnement repère les cas limites que le modèle éditeur pourrait manquer

• /undo annule proprement la dernière modification via Git — expérimentez librement

• /diff montre les modifications proposées avant application — à utiliser pour la revue

• Définissez --auto-commits (par défaut) pour un historique Git complet de chaque modification de l’IA

• Utilisez .aiderignore pour exclure des fichiers de la carte du dépôt (node_modules, .venv, etc.)

• Pour les grands dépôts, la carte du dépôt d’Aider aide le modèle à comprendre la structure du code — laissez-la s’exécuter lors du premier chargement

• Exécuter les tests après les modifications — /test pytest détecte immédiatement les régressions

Dépannage

Problème	Solution
Le modèle Ollama est trop lent	Utilisez une quantification plus petite (q4_0) ou un modèle plus petit
Mémoire CUDA insuffisante avec Ollama	Récupérez une variante de modèle plus petite ou utilisez OLLAMA_NUM_GPU=0 pour le CPU
Erreurs de commit Git	Assurez-vous que git config user.email et user.name sont définis
Aider ignore mes fichiers	Utilisez /add filename.py explicitement — Aider ne modifie que les fichiers ajoutés
Le modèle produit de mauvaises modifications	Essayez un modèle plus puissant, ou utilisez le mode architecte
Connexion refusée (Ollama)	Assurez-vous qu’Ollama est en cours d’exécution : ollama serve ou systemctl start ollama
Fenêtre de contexte dépassée	Supprimez des fichiers avec /drop, ne gardez que ceux qui sont pertinents

Ressources

• GitHub d’Aider

• Documentation d’Aider

• Bibliothèque de modèles Ollama

• la place de marché CLORE.AI