#Pourquoi Msty

Msty (msty.app) cible un profil précis : la personne qui veut une app graphique propre, sans Docker, sans CLI, mais avec de vraies fonctionnalités au-delà du simple chat. Trois différenciateurs résument l'outil.

Tout dans une seule app: Moteur d'inférence intégré (basé sur llama.cpp), client pour Ollama si vous l'avez déjà installé, et connecteurs cloud — pas de stack à assembler.
Knowledge Stacks: Le RAG est natif et sans code. On glisse-dépose des PDF, Markdown, dossiers entiers ou même des URL, Msty s'occupe du chunking, des embeddings et du retrieval.
Workspaces et Split Chat: Plusieurs espaces de travail isolés (perso, boulot, R&D), et la possibilité de poser la même question à 2-4 modèles en parallèle dans la même vue.

Modèle économique

Msty est freemium. La version gratuite couvre la grande majorité des usages (chat local, cloud, Knowledge Stacks de base, split chat 2 modèles). La version Aurum (payante) débloque split chat illimité, prompts library avancée, et quelques options pro. Aucune télémétrie de vos conversations dans aucune des deux versions selon la politique éditeur.

#Prérequis

OS: macOS 11+ (Apple Silicon ou Intel), Windows 10/11 (x64), Linux x64 (AppImage et paquets .deb/.rpm).
RAM minimum: 8 Go pour un modèle 3B Q4_K_M, 16 Go pour 7B, 32 Go pour 14B confortable, 64 Go pour viser du 32B.
GPU: Optionnel mais recommandé. NVIDIA avec CUDA, AMD avec ROCm/Vulkan, Apple Silicon avec Metal — Msty détecte et utilise automatiquement.
Stockage: Prévoir 10-50 Go selon le nombre de modèles. Les fichiers GGUF Q4 vont de 2 Go (3B) à 40 Go (70B).

→

VRAM Q4 par taille de modèle

À quantization Q4_K_M (le défaut Msty) : 3B≈2 Go · 7B≈5 Go · 14B≈9 Go · 32B≈19 Go · 70B≈40 Go. Au-delà de votre VRAM, Msty offload sur RAM système — utilisable mais lent (chute de 50 à 5 tokens/sec).

#1. Installation

Msty se télécharge uniquement depuis le site officiel. Pas de gestionnaire de paquets pour l'instant (ni Homebrew, ni winget), ce qui simplifie le contrôle de la source.

Site officiel

https://msty.app

Ne téléchargez que depuis msty.app

L'éditeur (Sapling Inc.) ne signe pas via les magasins officiels. Vérifiez bien l'URL — des sites tiers redistribuent parfois des versions modifiées. Le site officiel est msty.app, pas msty.io ou autres variantes.

01
Télécharger l'installateur
Rendez-vous sur msty.app et choisissez votre OS. Trois variantes sont proposées : Online (réduite, pour cloud uniquement), Local (recommandée, embarque le moteur d'inférence) et Local + GPU (avec drivers CUDA bundlés pour Windows).
02
Installer (Mac)
Ouvrez le .dmg, glissez Msty dans Applications, puis premier lancement avec clic droit → Ouvrir (Gatekeeper) la première fois. macOS demande confirmation car l'app n'est pas notarisée par App Store.
03
Installer (Windows)
Lancez le .exe. Choisissez la variante GPU si vous avez une NVIDIA récente — elle inclut les runtimes CUDA et évite de bricoler les drivers à la main. Sinon la version Local CPU/Vulkan suffit.
04
Installer (Linux)
AppImage : chmod +x Msty-*.AppImage puis ./Msty-*.AppImage. .deb : sudo dpkg -i msty_*.deb. .rpm : sudo rpm -i msty-*.rpm. Sur AppImage, libfuse2 peut être requis selon la distribution.
05
Premier lancement
Msty crée son dossier de données (~/Library/Application Support/Msty sur Mac, %APPDATA%\Msty sur Windows, ~/.config/Msty sur Linux). Modèles, conversations, Knowledge Stacks vivent là.

#2. Premier modèle local

Msty propose un onboarding qui télécharge un petit modèle de démarrage en un clic. Vous pouvez aussi piocher directement dans son catalogue. Trois choix solides en français pour démarrer selon votre matériel :

Petite config (8 Go RAM, sans GPU): Llama 3.2 3B Instruct Q4_K_M (≈2 Go). CPU pur jouable, idéal pour discuter, brainstormer, résumer un texte court.
Config standard (16 Go RAM, GPU 6-8 Go): Qwen2.5 7B Instruct Q4_K_M (≈5 Go). Le meilleur compromis FR/EN polyvalent au quotidien.
Config confort (32 Go RAM, GPU 12-24 Go): Mistral Small 24B ou Qwen2.5 14B en Q4_K_M. Raisonnement nettement supérieur, qualité proche de GPT-3.5 Turbo.

Pour télécharger : ouvrez l'onglet Local AI Models dans la sidebar gauche, puis cliquez sur Browse and Download Online Model. Msty pointe sur Hugging Face avec un filtre sur les versions GGUF compatibles. La progression s'affiche, le modèle est sélectionnable dès la fin du téléchargement.

→

Réutiliser vos modèles Ollama

Si vous avez déjà Ollama installé sur la machine, Msty détecte automatiquement les modèles présents et les rend utilisables depuis son interface — sans dupliquer les fichiers. C'est une porte d'entrée discrète pour migrer en douceur depuis Ollama CLI vers une vraie GUI.

#3. Cloud + local côte à côte

C'est l'une des forces de Msty : ajouter ses clés API cloud (OpenAI, Anthropic, Google, OpenRouter, Groq, Mistral cloud, etc.) et utiliser ces modèles dans la même interface que vos modèles locaux. La sélection du modèle pour une nouvelle conversation est un simple menu déroulant qui mélange les deux mondes.

01
Ajouter un fournisseur cloud
Settings → Remote Model Providers → Add. Collez votre clé API. Msty stocke la clé en local (chiffrée par OS keychain quand disponible).
02
Choisir le modèle pour la conversation
Dans la barre de chat, le sélecteur affiche tous vos modèles : Local (avec icône maison), Cloud (avec icône du fournisseur). Vous pouvez switcher de modèle au milieu d'une conversation, Msty garde le contexte.
03
Définir des règles
Settings → Default Model permet de fixer le modèle par défaut. Astuce : mettre un modèle local par défaut force à choisir explicitement quand on veut envoyer au cloud — utile pour la vie privée.

Vie privée : attention au reflexe cloud

Le confort du sélecteur unifié a un revers : il est facile d'envoyer par mégarde un prompt sensible à OpenAI ou Anthropic. Si vous traitez des données confidentielles, créez un workspace dédié sans aucun fournisseur cloud configuré (voir section suivante), ou retirez les clés API pour ce contexte.

#4. Workspaces personnalisés

Un workspace dans Msty est un espace isolé avec ses propres conversations, ses propres Knowledge Stacks, son propre modèle par défaut, et ses propres fournisseurs activés. Concrètement, on crée un workspace par contexte d'usage.

Perso: Modèle local 7B, pas de cloud, Knowledge Stacks sur vos notes Markdown personnelles, prompts à ton informel.
Travail: Modèle local 14B + cloud Claude pour les tâches lourdes, Knowledge Stack sur la doc interne (procédures, runbooks).
R&D / sandbox: Plusieurs modèles activés pour expérimenter, split chat fréquent, pas de Knowledge Stack.
Confidentiel: Aucun fournisseur cloud, modèle local uniquement, Knowledge Stack chiffré au niveau OS, pour traiter données clients ou RH.

Création : sidebar gauche → icône Workspaces → New Workspace. Chaque workspace a son icône et sa couleur, ce qui aide à éviter de se tromper de contexte (et donc de modèle/destination).

#5. Knowledge Stacks (RAG natif)

Les Knowledge Stacks sont la fonctionnalité phare de Msty. C'est un RAG complet sans aucune configuration : Msty fait le chunking, génère les embeddings avec un modèle local (mxbai-embed-large par défaut), stocke dans une base vectorielle embarquée, et injecte automatiquement les passages pertinents dans le contexte du LLM lors d'une question.

01
Créer un Knowledge Stack
Sidebar → Knowledge Stacks → New Stack. Donnez-lui un nom (ex: « Docs juridique »).
02
Ajouter des sources
Glissez-déposez des fichiers (PDF, DOCX, MD, TXT, CSV, JSON) ou des dossiers entiers. Vous pouvez aussi ajouter des URL (Msty crawl la page), des transcriptions YouTube, ou même un dépôt GitHub via URL.
03
Attendre l'indexation
Msty affiche la progression : extraction du texte, chunking (≈500 tokens par chunk par défaut), génération des embeddings. Pour 100 PDF, comptez 5-15 minutes selon le GPU.
04
Activer dans une conversation
Dans le chat, icône Knowledge Stack en bas → cochez le stack à utiliser. Vous pouvez en activer plusieurs simultanément. Msty affiche les sources utilisées sous chaque réponse, avec un lien direct vers le passage original.

→

Modèle d'embeddings et qualité FR

Par défaut, Msty utilise mxbai-embed-large qui marche correctement en français. Pour du contenu strictement FR, vous gagnez en qualité en passant à un modèle FR comme Solon-embeddings ou bge-m3 multilingue. Réglage : Settings → Knowledge Stacks → Embedding Model. Tout reste local.

Limites à connaître

Le RAG de Msty est très bien pour 10-500 documents. Au-delà (10k+ docs, recherche hybride BM25, reranking custom), une stack dédiée (Qdrant + LlamaIndex, ou AnythingLLM) reste plus flexible. Msty optimise l'expérience, pas la cardinalité.

#6. Split Chat et comparaisons

Split Chat permet de poser une question à 2 modèles (gratuit) ou jusqu'à 4 modèles (Aurum) dans la même fenêtre, qui s'affichent en colonnes côte à côte. Idéal pour calibrer un nouveau modèle ou décider entre deux candidats sans réécrire le prompt.

01
Activer Split Chat
Dans une conversation, cliquez sur le bouton Split (icône colonnes) dans la barre supérieure. Une seconde colonne apparaît avec son propre sélecteur de modèle.
02
Configurer chaque colonne
Chaque colonne a son modèle, sa température, son system prompt. Vous pouvez comparer un Qwen 14B local vs Claude Haiku cloud sur les mêmes questions.
03
Conversation synchronisée ou indépendante
Par défaut, chaque message que vous tapez part dans les deux colonnes. Vous pouvez décocher Sync pour faire diverger les conversations (par exemple si une réponse vous a relancé une idée que vous voulez creuser dans une seule branche).

Exemple de comparaison utile

Prompt :
"Rédige un email professionnel poli pour refuser une réunion non urgente."

Colonne 1 : Llama 3.1 8B local, température 0.7
Colonne 2 : Mistral Small 24B local, température 0.7

→ Comparaison directe du niveau de français, du ton, de la longueur,
de la pertinence des formules. Décide quel modèle
devient le défaut pour l'usage "rédaction".

#Msty vs Open WebUI vs LM Studio

Les trois sont des interfaces graphiques pour LLM, mais leur centre de gravité diffère.

Msty: App desktop tout-en-un, closed source freemium. Installation 1 clic. Meilleur pour : RAG sans code (Knowledge Stacks), cloud + local mélangés, workspaces, split chat. Moins flexible pour le multi-utilisateurs ou le déploiement serveur.
Open WebUI: App web auto-hébergée, open source (BSD), Docker recommandé. Multi-utilisateurs natif (auth, rôles), RAG configurable, accessible depuis n'importe quel navigateur du réseau. Meilleur pour : déploiement équipe/famille, contrôle total, hébergement serveur.
LM Studio: App desktop closed source mais gratuite. Catalogue Hugging Face le plus riche, MLX natif Mac, support MCP, multi-token prediction. Meilleur pour : tester beaucoup de modèles, performances pures, réglages avancés. RAG simple (Chat with Documents) mais moins intégré que les Knowledge Stacks.

→

Comment choisir entre les trois

Vous voulez chat + RAG local sans coder et une UX léchée : Msty. Vous voulez déployer pour plusieurs utilisateurs sur le réseau : Open WebUI. Vous voulez explorer des modèles et tirer la quintessence du moteur d'inférence : LM Studio. Rien n'empêche de combiner — Msty peut consommer un Ollama servi par Open WebUI sur une autre machine.

#Dépannage

Le modèle ne se charge pas (OOM): VRAM/RAM insuffisante. Settings → Local AI → [modèle] → Advanced : baissez n_gpu_layers (offload moins de couches sur le GPU) ou n_ctx (fenêtre de contexte). Sinon, passez à une quantization plus petite (Q4_K_S, IQ3_M).
Tokens/sec faibles: Vérifiez l'usage GPU : nvidia-smi (NVIDIA), rocm-smi (AMD), ou Activity Monitor GPU (Mac). Si le GPU est à 0%, Msty tourne en CPU — vérifiez les drivers et que vous utilisez bien la variante Local + GPU sur Windows.
Knowledge Stack reste à 0%: L'indexation nécessite que le modèle d'embeddings soit téléchargé. Settings → Knowledge Stacks → Embedding Model : vérifiez que mxbai-embed-large (ou votre modèle choisi) est bien Downloaded, sinon cliquez Download.
Cloud provider échoue avec 401: Clé API invalide ou expirée. Vérifiez sur le dashboard du fournisseur. Pour OpenAI, assurez-vous d'avoir des crédits actifs (les clés sans crédit retournent 401 ou 429).
Linux : AppImage ne se lance pas: Installez libfuse2 (sudo apt install libfuse2 sur Ubuntu 22.04+). Lancez l'AppImage depuis un terminal pour voir l'erreur précise.
Conversations perdues après update: Les données sont dans le dossier Msty (Application Support sur Mac, AppData sur Win, .config sur Linux). Vérifiez qu'aucun nettoyeur système n'a vidé ce dossier. Sauvegarder ce dossier régulièrement est une bonne pratique.

#Pour aller plus loin

Selon la direction que vous voulez prendre :

Comparer Msty à ses alternatives: « Ollama vs LM Studio vs Jan vs GPT4All » et « LM Studio vs Ollama : lequel choisir en 2026 » donnent le panorama complet des interfaces locales.
Pousser le RAG plus loin que les Knowledge Stacks: « RAG local avec Ollama sans coder (Open WebUI, AnythingLLM) » couvre les alternatives quand on dépasse les capacités du RAG intégré de Msty.
Choisir le bon modèle pour Msty: « Choisir sa quantification (Q4, Q5, Q8, FP16) » aide à arbitrer le compromis qualité/VRAM dans le catalogue de Msty.

Ce guide vous a aidé ?

Un retour, une erreur, une précision ? Faites-nous signe, ça améliore le guide pour tout le monde.

Suite logique

Comparatif · 8 min