What is Open WebUI used for?

Open WebUI is a self-hosted interface for large language models. It lets you chat with local or cloud models, build RAG workflows with your documents, and manage prompts and teams in one place.

How do I use Open WebUI with Ollama?

Install Ollama, pull a model like `llama3` or `mistral`, and then point Open WebUI’s Ollama connection to `http://localhost:11434`. You can set a default model and start chatting locally with full privacy.

Can Open WebUI do RAG with my PDFs and notes?

Yes. Create a knowledge base, upload documents, generate embeddings, and enable retrieval in chat. The model will cite and summarize from your own sources for grounded answers.

Is Open WebUI secure for teams?

You can enforce sign-in, manage API keys by role, and set rate limits. For production, use HTTPS behind a reverse proxy and restrict which providers or endpoints are allowed.

Should I use local or cloud models in Open WebUI?

Use local models for privacy, speed, and cost control; use cloud models for complex tasks requiring higher quality. Many teams combine both and set chat-specific defaults.

Sådan bruges Open WebUI: En venlig trin-for-trin guide til hurtigere AI-workflows

Hvis du nogensinde har ønsket, at ChatGPT havde en tilpasselig, selv-hostet tvilling, du kunne koble til dine egne modeller og data, så er Open WebUI præcis det. Det er en moderne, letvægtsgrænseflade til at chatte med lokale eller eksterne store sprogmodeller (LLM'er), administrere prompter, opbygge RAG (Retrieval-Augmented Generation) workflows og samarbejde med teammedlemmer – alt sammen fra din browser.

I denne praktiske, løsningsorienterede guide vil vi gennemgå, hvordan man bruger Open WebUI fra start til slut: opsætningsmuligheder, forbindelse til Ollama eller API'er, administration af modeller, opbygning af hentningsflows, sikring af din instans og en håndfuld pro-tips. Når du er færdig, vil du være i stand til at køre kraftfulde AI-workflows på dine egne betingelser – hurtigt.

Hvad er Open WebUI (og hvorfor bruge det)?

Open WebUI er en selv-hostbar webgrænseflade til LLM'er. Tænk på det som kommandocentret for dine AI-interaktioner – medbring dine egne modeller (lokale eller cloud), lav genanvendelige prompter, tilføj dine dokumenter, og samarbejd via en ren, intuitiv brugergrænseflade. Det er især populært blandt udviklere, datateams og privatlivsbevidste brugere, der ønsker kontrol, udvidelsesmuligheder og hastighed.

Vigtige grunde til, at folk vælger Open WebUI:

Ej dine data: Kør lokalt eller på din server.

Fleksible backends: Opret forbindelse til lokale motorer som Ollama eller eksterne udbydere via API.

Workflow-klar: RAG, værktøjer, embeddings og strukturerede prompter.

Administratorkontroller: API-nøgleadministration, autentificering og miljøkonfiguration.

Den hurtigste måde at starte på: Docker Quick Start

Hvis du er komfortabel med Docker, kan du være oppe at køre på få minutter.

Træk billedet

docker pull ghcr.io/open-webui/open-webui:main

Kør containeren

docker run -d --name open-webui -p 3000:8080 ghcr.io/open-webui/open-webui:main

Åbn din browser og besøg

Du lander på brugergrænsefladen, opretter en administratorkonto, og du er klar til at tilslutte modeller.

Tip: For vedvarende lagring og miljøvariabler (som API-nøglebegrænsninger og godkendelse), skift til en docker-compose.yml, så du kan montere volumener og definere konfiguration rent.

Tilslutning til modeller: Lokale (Ollama) eller Cloud API'er

Open WebUI er backend-agnostisk. Du kan:

Brug Ollama til at køre modeller lokalt (f.eks. Llama 3, Phi-3, Mistral). Dette er fantastisk til privatliv og offline-arbejde.

Brug cloud API'er som OpenAI, Anthropic, Google eller andre via API-nøgler.

Valgmulighed A: Brug Ollama lokalt

Installer Ollama (macOS, Linux, Windows)

Besøg ` for at installere.

Træk en model med Ollama

ollama pull llama3

Du kan erstatte llama3 med modeller som mistral, phi3 eller llama3:instruct afhængigt af dine behov.

Start Open WebUI

Sørg for, at Open WebUI kan nå Ollamas lokale endpoint (normalt `).

I Open WebUI skal du gå til Admin Settings → Connections → Ollama

Tilføj endpointet, vælg standardmodel(ler), og test forbindelsen.

Nu kan du chatte med lokale modeller direkte i browseren.

Valgmulighed B: Brug Cloud-udbydere via API-nøgler

I Admin Settings → Providers (eller API/Keys)

Tilføj nøgler til OpenAI, Anthropic eller Google.

Vælg en standardmodel pr. udbyder

For eksempel: gpt-4o-mini (OpenAI), claude‑3‑haiku (Anthropic) eller gemini‑1.5‑flash (Google).

Indstil grænser

Gennemtving hastighedsbegrænsninger, brugsomfang eller pr. bruger-nøgler afhængigt af din teamopsætning.

Denne hybridtilgang (lokal + cloud) er almindelig: hurtige udkast på lokale modeller, og derefter finjustering med en cloud-model, når det er nødvendigt.

Din første chat: Prompter, tilstande og vedhæftede filer

Når en model er tilsluttet, skal du starte en ny chat. Et par grundlæggende ting:

Promptskabeloner: Gem ofte anvendte instruktioner (systemprompter) som f.eks. "Du er min Python-lærer – forklar med eksempler og tests."

Tilstande: Skift mellem kreative, præcise eller tekniske stilarter ved at justere systemprompter eller temperatur.

Vedhæftede filer: Upload filer (PDF'er, TXT, CSV), som modellen kan referere til. For store eller tilbagevendende korpusser skal du oprette en videnbase med embeddings (se RAG nedenfor).

Pro-tip: Organiser chats efter projekt. Brug tags som #docs, #code eller #analysis, så fremtidige dig kan finde tingene hurtigt.

Opbyg RAG på få minutter: Viden, Embeddings og Søgning

RAG (Retrieval-Augmented Generation) lader din model besvare spørgsmål med dit indhold (dokumenter, noter, politikker, kode). Her er, hvordan du sammensætter det:

Opret en videnbase (KB)

I sidepanelet skal du oprette en ny KB eller "Collections."

Upload dokumenter: PDF'er, markdown, HTML eller tekstfiler.

Generer Embeddings

Vælg embeddings-backend (lokal via Ollama, hvis du har en embeddings-model, eller en cloud-udbyder via API).

Indekser dine dokumenter; større sæt kan tage et par minutter.

Aktiver hentning i chat

I en chat skal du slå hentning til og vælge din KB.

Stil spørgsmål som "Opsummer vores onboarding-politik og angiv handlingselementer" eller "Hvilke undtagelser tillader vi i sikkerhedspolitikken?"

Iterer

Inspicer kilder, finjuster dine dokumenter, juster chunking-størrelse, og gen-embed, hvis svarene virker forkerte.

Pro-tip: Vedligehold separate KB'er for nøjagtighed (f.eks. "Marketing copy", "Juridiske politikker", "Runbooks"). Dette reducerer irrelevante hentninger.

Handlinger, Værktøjer og Workflows

Open WebUI understøtter værktøjsdrevne interaktioner, så modellen kan "gøre ting", ikke kun chatte. Afhængigt af din opsætning kan du:

Kalde funktioner/værktøjer, du definerer (f.eks. køre et script, hente en URL, forespørge en database).

Bruge systemprompt-workflows til at strukturere multi-trins opgaver.

Tilføje plugins/udvidelser, hvis din implementering understøtter dem.

Eksempel: Et "Content Brief"-workflow

Trin 1: Bed modellen om at udtrække nøgleord fra et emne.

Trin 2: Undersøg via et webværktøj (hvis aktiveret) og opsummer kilder.

Trin 3: Udkast en skitse + titelvarianter.

Trin 4: Opret en kort/lang version.

Gem disse trin i en genanvendelig skabelon, så dit team kan køre dem med et enkelt klik.

Administrer modeller som en professionel

Flere standarder: Indstil standarder pr. arbejdsområde eller pr. chat (f.eks. hurtig lokal til brainstorming, præcis cloud til endelig kopi).

Modelkort: Dokumenter, hvad hver model gør bedst – "Brug Llama 3 til kode, Mistral til præcise opsummeringer."

Batchopgaver: Brug længere systemprompter og struktureret output (JSON, tjeklister) til gentagelige opgaver som QA-checks, oversættelse eller tagging.

Admin Settings: Sikkerhed og Governance

Hvis du selv hoster for et team, skal du bruge et par minutter på at hærde og styre din instans.

Autentificering: Kræv login. Hvis det er tilgængeligt, skal du aktivere SSO/OIDC.

API-nøglepolitikker: Begræns, hvilke udbydere der kan bruges, omfangsnøgler efter bruger/rolle, og begræns udgående trafik, hvor det er relevant.

Miljøvariabler: Konfigurer ting som model endpoint URL'er, embedding-backends og nøglebegrænsninger via env-indstillinger.

Hastighedsbegrænsninger og kvoter: Undgå løbske omkostninger med grænser pr. bruger eller pr. arbejdsområde.

Auditering: Tilskynd teams til at mærke chats og gemme opsummeringer, så du kan spore beslutninger.

Dev-tip: Sæt Open WebUI bag en omvendt proxy (f.eks. Nginx/Caddy) med HTTPS, og indstil tilladte oprindelser.

Teamsamarbejde og videnhygiejne

Delte prompter og KB'er: Opret kuraterede promptbiblioteker og videnbaser. Tildel vedligeholdere.

Versionsindhold: For politikdokumenter eller specifikationer skal du gemme kilder i Git eller et dokumenthub og gen-embed, når de er opdateret.

Kilde-første svar: Tilskynd brugere til at klikke på citater og scanne originale dokumenter. Stol på, men verificer.

Hverdagsbrugsscenarier (Kopiér disse)

Indhold og marketing

Lav et brief om til tre målgruppespefikke udkast.

Generer SEO-skitser, ofte stillede spørgsmål og titler.

Engineering

Forklar en funktion og generer edge-case tests.

Opsummer PR'er og producer release notes.

Drift og support

Opbyg en KB fra runbooks og SOP'er.

Udkast svar ved hjælp af din tone/stilguide.

Forskning og strategi

Opsummer 10 dokumenter i en 1-pager med citater.

Sammenlign leverandører ved hjælp af en struktureret matrix.

Fejlfinding: Hurtige rettelser

"Kan ikke oprette forbindelse til Ollama"

Kontroller, at Ollama kører: `curl

Bekræft netværksadgang fra containeren til værten.

"Model ikke fundet"

Træk modellen via Ollama: ollama pull mistral

For cloud skal du bekræfte det nøjagtige modelnavn og tilladelser.

"RAG-resultater ser irrelevante ud"

Gen-embed med en bedre embeddings-model.

Juster chunk-størrelse (f.eks. 500-1.000 tokens) og overlap.

Opdel din KB i mindre, aktuelle samlinger.

"Omkostninger stiger"

Indstil hastighedsbegrænsninger og standard til lokale modeller for udkast.

Ydeevnetips og avancerede træk

Brug mindre lokale modeller til idéudvikling og større/cloud-modeller til færdiggørelse.

Cache hyppige prompter og svar, hvor det er muligt.

Anvend strukturerede outputs (JSON, bullet-tjeklister) til downstream-automatiseringer.

For følsomme data skal du opbevare alt lokalt (Ollama + lokale embeddings + on-prem lagring).

Brug systemprompter til at definere tone, formatering og sikkerhedsforanstaltninger.

Værd at bemærke: Parring af Open WebUI med Sider.AI

Hvis du producerer masser af indhold eller forskning, kan en workflow-ledsager hjælpe. Værd at bemærke: Sider.AI hjælper med udkast, opsummering og organisering af langt arbejde. Du kan ideudvikle eller hente kontekst i Open WebUI og derefter bruge Sider.AI's editor-stil assistance til at polere, omstrukturere og SEO-optimere artikler til udgivelse. Det er en nyttig parring, når du både ønsker kontrol (selv-hostet chat + RAG) og hastighed (samarbejdsredigering og optimering).

En simpel startplan

Kør Open WebUI via Docker.

Installer Ollama, træk llama3 og mistral.

Tilslut Open WebUI til og indstilmistral` som standard for chat.

Opret KB'er: Policies, Marketing, Runbooks; embed med en stærk embeddings-model.

Gem tre promptskabeloner: "Opsummering med punkter", "SEO-skitseregenerator" og "Release notes writer."

Tilføj hastighedsbegrænsninger, og kræv login.

Med denne opsætning kan de fleste teams dække 80 % af de daglige AI-opgaver.

Vigtige pointer

Open WebUI giver dig en ren, kontrollerbar brugergrænseflade til at arbejde med lokale og cloud LLM'er.

For privatliv og hastighed skal du parre det med Ollama lokalt; bland cloud-modeller ind, når det er nødvendigt.

Brug RAG til at forankre svar i dine dokumenter; hold KB'er små og fokuserede.

Sikr din instans med godkendelse, nøglepolitikker og hastighedsbegrænsninger.

Standardiser prompter og outputs, så dit teams arbejde er konsekvent og automatiserbart.

Næste trin

Spin Open WebUI op med Docker, og opret forbindelse til Ollama.

Opret din første videnbase, og prøv en hentningsstøttet chat.

Gem tre promptskabeloner, som dit team vil genbruge dagligt.

Hvis du udgiver indhold, skal du sende udkast gennem Sider.AI for at finjustere tone, struktur og SEO, før du går live.

FAQ

Q1:Hvad bruges Open WebUI til? Open WebUI er en selv-hostet grænseflade til store sprogmodeller. Det giver dig mulighed for at chatte med lokale eller cloud-modeller, opbygge RAG-workflows med dine dokumenter og administrere prompter og teams på ét sted.

Q2:Hvordan bruger jeg Open WebUI med Ollama? Installer Ollama, træk en model som llama3 eller mistral, og peg derefter Open WebUI's Ollama-forbindelse på http://localhost:11434. Du kan indstille en standardmodel og starte med at chatte lokalt med fuldt privatliv.

Q3:Kan Open WebUI lave RAG med mine PDF'er og noter? Ja. Opret en videnbase, upload dokumenter, generer embeddings, og aktiver hentning i chat. Modellen vil citere og opsummere fra dine egne kilder for at få jordbundne svar.

Q4:Er Open WebUI sikker for teams? Du kan gennemtvinge login, administrere API-nøgler efter rolle og indstille hastighedsbegrænsninger. For produktion skal du bruge HTTPS bag en omvendt proxy og begrænse, hvilke udbydere eller endpoints der er tilladt.

Q5:Skal jeg bruge lokale eller cloud-modeller i Open WebUI? Brug lokale modeller til privatliv, hastighed og omkostningskontrol; brug cloud-modeller til komplekse opgaver, der kræver højere kvalitet. Mange teams kombinerer begge og indstiller chat-specifikke standarder.