Les modèles généralistes ne connaissent pas vos conventions de code. Il existe deux stratégies : les Modelfiles Ollama pour le cadrage comportemental et le fine-tuning Mistral pour l'apprentissage profond de vos patterns.

Ollama Modelfiles : l'approche rapide

# Modelfile pour assistant Angular + NestJS
FROM codestral:latest

SYSTEM """
Tu es un développeur senior spécialisé Angular 21 + NestJS 11.
Conventions : standalone components, Signals, class-validator DTOs.
Pas de commentaires triviaux, noms en anglais, tests obligatoires.
"""

PARAMETER temperature 0.3
PARAMETER top_p 0.9
PARAMETER num_ctx 32768

# Créer et tester
ollama create angular-nestjs -f Modelfile
ollama run angular-nestjs "Crée un service CRUD pour les articles"

Mistral Fine-tuning API

Préparer les données (format JSONL)

{"messages":[{"role":"system","content":"Assistant dev Angular 21 + NestJS 11."},{"role":"user","content":"Crée un guard JWT NestJS"},{"role":"assistant","content":"import { Injectable, CanActivate, ExecutionContext } from '@nestjs/common';..."}]}

Script de collecte automatisé

import os, json, glob

def build_dataset(source_dirs, output_file):
    pairs = []
    for src_dir in source_dirs:
        for fp in glob.glob(f"{src_dir}/**/*.ts", recursive=True):
            if "node_modules" in fp or "dist" in fp:
                continue
            with open(fp, "r") as f:
                content = f.read()
            if len(content) < 100 or len(content) > 8000:
                continue
            if fp.endswith(".service.ts"):
                question = f"Crée un service NestJS comme {os.path.basename(fp)}"
            elif fp.endswith(".component.ts"):
                question = f"Crée un composant Angular comme {os.path.basename(fp)}"
            else:
                continue
            pairs.append({"messages": [
                {"role": "system", "content": "Assistant dev Angular 21 + NestJS 11."},
                {"role": "user", "content": question},
                {"role": "assistant", "content": content},
            ]})

    with open(output_file, "w") as f:
        for p in pairs:
            f.write(json.dumps(p, ensure_ascii=False) + "\n")
    print(f"{len(pairs)} paires générées")

build_dataset(["./apps/frontend/src", "./apps/backend/src"], "training.jsonl")

Lancer le fine-tuning

from mistralai import Mistral

client = Mistral(api_key="votre-clé")

# Upload
with open("training.jsonl", "rb") as f:
    training_file = client.files.upload(
        file={"file_name": "training.jsonl", "content": f},
        purpose="fine-tune"
    )

# Lancer le job
job = client.fine_tuning.jobs.create(
    model="codestral-latest",
    training_files=[{"file_id": training_file.id, "weight": 1}],
    hyperparameters={"training_steps": 300, "learning_rate": 1e-5},
    auto_start=True,
)

# Utiliser le modèle fine-tuné
response = client.chat.complete(
    model=job.fine_tuned_model,
    messages=[{"role": "user", "content": "Crée un interceptor NestJS pour le logging"}]
)

RAG vs Fine-tuning

Critère	RAG	Fine-tuning
Objectif	Accéder à des infos spécifiques	Modifier le style de génération
Données changeantes	Idéal (mise à jour sans réentraînement)	Nécessite un nouveau fine-tuning
Coût	Inférence plus élevée (contexte large)	Coût initial, inférence moins chère
Volume requis	Quelques documents	50-100+ exemples de qualité

Recommandation : commencez par le RAG pour valider la valeur. Si les résultats sont bons mais que vous voulez réduire latence et coûts, passez au fine-tuning. L'idéal combine souvent les deux : un modèle fine-tuné enrichi par du RAG pour le code récent.

La personnalisation des LLM n'est plus réservée aux grandes entreprises. Avec Ollama et Mistral, tout développeur peut créer un assistant qui comprend sa stack. Commencez par un Modelfile simple, mesurez, puis envisagez le fine-tuning quand le ROI est clair.

Personnaliser Mistral et Ollama pour votre codebase : fine-tuning et Modelfiles