Onyx : la couche applicative open source qui veut tout faire autour des LLM

Un problème précis : l'interface qui manque aux LLM

Onyx répond à un besoin clair : les modèles de langage seuls ne suffisent pas pour un usage professionnel. Il faut une interface, des connexions aux sources de données, une mémoire des conversations. Le README définit Onyx comme la couche applicative pour les LLM. Le public visé est large : des utilisateurs individuels aux grandes entreprises. Mais le positionnement est net : ce n'est pas un modèle de plus, c'est l'outil qui rend les modèles utilisables en entreprise. La promesse tient en une phrase : apporter des capacités avancées comme le RAG, la recherche web, l'exécution de code et la génération de fichiers. Pour qui ? Pour ceux qui veulent maîtriser leur déploiement, sans dépendre d'un service cloud propriétaire.

Architecture à deux vitesses : Lite et Standard

Le dépôt décrit deux modes de déploiement, et cette distinction est fondamentale. Onyx Lite est une interface de chat légère, qui exige moins d'un gigaoctet de mémoire. Elle convient à ceux qui veulent tester ou qui n'ont besoin que du chat et des agents. Le mode Standard ajoute des composants lourds : un index vectoriel et textuel pour le RAG, des conteneurs d'arrière-plan pour les files de tâches, des serveurs d'inférence pour les modèles de deep learning, et un cache mémoire Redis avec un stockage d'objets MinIO. Cette architecture modulaire signifie que le passage de Lite à Standard n'est pas trivial. Il faut prévoir des ressources supplémentaires. Le README recommande le mode Standard pour les utilisateurs sérieux et les grandes équipes. C'est un choix de conception honnête : on ne fait pas de RAG performant sans infrastructure dédiée.

Le mécanisme du RAG : index hybride et agents d'extraction

Le cœur d'Onyx repose sur un RAG dit agentique. Le README parle d'un index hybride associé à des agents IA pour la recherche d'information. Concrètement, cela signifie qu'une requête utilisateur ne déclenche pas seulement une recherche vectorielle. Des agents interviennent pour planifier, interroger différentes sources et synthétiser une réponse. Le README mentionne des benchmarks à venir et place Onyx en tête d'un classement pour la recherche approfondie en février 2026. Ces affirmations ne sont pas vérifiables ici, mais elles indiquent une volonté de mesurer la qualité. Le mécanisme repose aussi sur plus de 50 connecteurs d'indexation fournis, ou via MCP. C'est un point fort : l'ingestion de données est un problème que beaucoup de projets open source négligent. Onyx ne se contente pas de chercher dans un corpus, il construit ce corpus.

Lancement en une commande, mais des prérequis à connaître

Le déploiement est présenté comme simple. La commande d'installation est directe : curl -fsSL https://onyx.app/install_onyx.sh | bash. Elle est destinée à ceux qui veulent une installation locale. Pour les autres, Onyx propose Docker, Kubernetes, Helm, Terraform et des guides pour les grands fournisseurs cloud. Le mode Lite est le plus accessible, mais il ne donne pas accès au RAG. Pour le mode Standard, il faut préparer un environnement capable de faire tourner plusieurs conteneurs. Le README ne précise pas la configuration matérielle minimale pour ce mode. C'est une lacune. Un utilisateur qui lance le script d'installation sans savoir qu'il aura besoin de Redis, de MinIO et de serveurs d'inférence risque des surprises. La documentation externe, accessible via docs.onyx.app, est censée combler ce manque.

Fonctionnalités avancées : au-delà du simple chat

Onyx ne se limite pas à une boîte de dialogue. Le README liste des fonctionnalités qui le distinguent d'un simple client de chat. La recherche web est intégrée, avec plusieurs fournisseurs comme Serper, Google PSE, Brave, SearXNG. Onyx inclut aussi un crawler web maison et un support pour Firecrawl et Exa. L'exécution de code dans un bac à sable permet d'analyser des données ou de produire des graphiques. Les artefacts génèrent des documents téléchargeables. Le mode vocal ajoute la synthèse et la reconnaissance vocale. Enfin, la génération d'images est présente. Toutes ces options ne sont pas anodines. Elles augmentent la surface d'attaque et la complexité. Un déploiement qui active tout nécessite une équipe capable de surveiller ces différents services. Le README ne donne pas de détails sur la sécurité du bac à sable, ce qui est un point à vérifier avant d'autoriser l'exécution de code non fiable.

Fonctions entreprise : collaboration et contrôle

Le README met en avant des fonctions pour les équipes : partage de chats et d'agents, SSO par Google OAuth, OIDC ou SAML, synchronisation de groupes et provisionnement via SCIM. Le contrôle d'accès par rôles (RBAC) s'applique aux ressources sensibles comme les agents et les actions. L'analytique fournit des graphiques d'utilisation par équipe, LLM ou agent. L'historique des requêtes sert à l'audit. Un point intéressant est la possibilité d'exécuter du code personnalisé pour supprimer les données personnelles (PII), rejeter des requêtes sensibles ou faire une analyse spécifique. C'est une réponse concrète aux exigences de conformité. Ces fonctions sont probablement réservées à l'édition Enterprise, mais le README ne le précise pas. Il faut consulter le site de tarification pour savoir ce qui est dans la version CE et ce qui est dans l'EE.

Licence et modèle économique : une ambiguïté à lever

La section licence du README annonce deux éditions. La Community Edition est sous licence MIT et couvre les fonctions de base : chat, RAG, agents, actions. L'Enterprise Edition ajoute des fonctions pour les grandes organisations. Mais la description du dépôt indique NOASSERTION comme licence. C'est incohérent. Le badge du README affiche MIT, mais la métadonnée du dépôt ne l'affirme pas. Pour un ingénieur qui doit valider une adoption, c'est un signal d'alarme. Il faut vérifier le fichier LICENSE dans le dépôt avant de s'engager. Le modèle économique est classique : une version open source pour attirer et une version payante pour les besoins avancés. Cela n'est pas un problème en soi, mais la confusion sur la licence peut bloquer les processus d'approbation dans certaines entreprises.

Alternatives et points de comparaison

Onyx se compare à d'autres plateformes open source comme LangChain, qui est plus une bibliothèque qu'une application. LangChain offre des composants pour construire des chaînes de traitement, mais ne fournit pas d'interface prête à l'emploi. Onyx, lui, est une application complète avec une UI. Une autre alternative est Dify, qui propose aussi une plateforme visuelle pour créer des applications LLM. La différence majeure : Onyx met l'accent sur l'indexation de sources d'entreprise avec de nombreux connecteurs, tandis que Dify se concentre sur l'orchestration de workflows. Pour une équipe qui veut un chat avec RAG sur des documents internes sans tout coder, Onyx est plus direct. Pour ceux qui veulent construire des pipelines personnalisés, LangChain ou Dify offrent plus de flexibilité. Le choix dépend de la compétence de l'équipe et du besoin d'intégration.

Conclusion éditoriale

Onyx s'adresse aux équipes qui veulent une couche applicative riche, avec RAG et agents, sans tout construire. Les petites structures ou les tests rapides choisiront Onyx Lite, tandis que le mode standard convient aux déploiements sérieux. Avant d'adopter, vérifiez la compatibilité de vos connecteurs, le coût des composants annexes (Redis, MinIO) et les limites de la version CE par rapport à l'EE. Le dépôt est actif, mais la licence déclarée dans la description (NOASSERTION) contraste avec le badge MIT du README. À vous de confirmer le texte exact de la licence avant de vous engager.

Sources officielles

1. Official documentation
2. Official README
3. Project repository
4. Release notes