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.

Comment utiliser Open WebUI : Un guide convivial, étape par étape, pour des flux de travail d'IA plus rapides

Si vous avez déjà souhaité que ChatGPT ait un jumeau auto-hébergé et personnalisable que vous pourriez connecter à vos propres modèles et données, Open WebUI est exactement cela. C'est une interface moderne et légère pour discuter avec des grands modèles de langage (LLM) locaux ou distants, gérer les invites, créer des flux de travail RAG (Retrieval-Augmented Generation) et collaborer avec des coéquipiers, le tout depuis votre navigateur.

Dans ce guide pratique et axé sur les solutions, nous allons voir comment utiliser Open WebUI de bout en bout : options de configuration, connexion à Ollama ou aux API, gestion des modèles, création de flux de récupération, sécurisation de votre instance et quelques conseils de pro. À la fin, vous serez en mesure d'exécuter de puissants flux de travail d'IA selon vos propres conditions, rapidement.

Qu'est-ce qu'Open WebUI (et pourquoi l'utiliser) ?

Open WebUI est une interface Web auto-hébergeable pour les LLM. Considérez-le comme le centre de commande de vos interactions avec l'IA : apportez vos propres modèles (locaux ou dans le cloud), créez des invites réutilisables, ajoutez vos documents et collaborez grâce à une interface utilisateur claire et intuitive. Il est particulièrement populaire auprès des développeurs, des équipes de données et des utilisateurs soucieux de la confidentialité qui souhaitent contrôle, extensibilité et rapidité.

Principales raisons pour lesquelles les gens choisissent Open WebUI :

Possédez vos données : Exécutez localement ou sur votre serveur.

Backends flexibles : Connectez-vous à des moteurs locaux comme Ollama ou à des fournisseurs distants via l'API.

Prêt pour les flux de travail : RAG, outils, embeddings et invites structurées.

Contrôles d'administration : Gestion des clés API, authentification et configuration de l'environnement.

Le moyen le plus rapide de démarrer : Démarrage rapide avec Docker

Si vous êtes à l'aise avec Docker, vous pouvez être opérationnel en quelques minutes.

Tirez l'image

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

Exécutez le conteneur

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

Ouvrez votre navigateur et visitez

Vous arriverez sur l'interface utilisateur, créerez un compte administrateur et vous serez prêt à connecter des modèles.

Conseil : Pour le stockage persistant et les variables d'environnement (comme les restrictions de clé API et l'authentification), passez à un docker-compose.yml afin de pouvoir monter des volumes et définir la configuration proprement.

Connexion aux modèles : API locales (Ollama) ou Cloud

Open WebUI est indépendant du backend. Vous pouvez :

Utiliser Ollama pour exécuter des modèles localement (par exemple, Llama 3, Phi-3, Mistral). C'est idéal pour la confidentialité et le travail hors ligne.

Utiliser les API cloud comme OpenAI, Anthropic, Google ou d'autres via des clés API.

Option A : Utiliser Ollama localement

Installer Ollama (macOS, Linux, Windows)

Visitez ` pour installer.

Tirer un modèle avec Ollama

ollama pull llama3

Vous pouvez remplacer llama3 par des modèles comme mistral, phi3 ou llama3:instruct selon vos besoins.

Démarrer Open WebUI

Assurez-vous qu'Open WebUI peut atteindre le point de terminaison local d'Ollama (généralement `).

Dans Open WebUI, allez dans Paramètres d'administration → Connexions → Ollama

Ajoutez le point de terminaison, choisissez le(s) modèle(s) par défaut et testez la connexion.

Vous pouvez maintenant discuter avec des modèles locaux directement dans le navigateur.

Option B : Utiliser des fournisseurs cloud via des clés API

Dans Paramètres d'administration → Fournisseurs (ou API/Clés)

Ajoutez des clés pour OpenAI, Anthropic ou Google.

Choisissez un modèle par défaut par fournisseur

Par exemple : gpt-4o-mini (OpenAI), claude-3-haiku (Anthropic) ou gemini-1.5-flash (Google).

Définir des limites

Appliquez des limites de débit, des étendues d'utilisation ou des clés par utilisateur en fonction de la configuration de votre équipe.

Cette approche hybride (local + cloud) est courante : brouillons rapides sur des modèles locaux, puis affinage avec un modèle cloud si nécessaire.

Votre première discussion : Invites, modes et pièces jointes

Une fois qu'un modèle est connecté, démarrez une nouvelle discussion. Quelques bases :

Modèles d'invites : Enregistrez les instructions fréquemment utilisées (invites système) comme « Vous êtes mon tuteur Python, expliquez avec des exemples et des tests. »

Modes : Basculez entre les styles créatifs, concis ou techniques en ajustant les invites système ou la température.

Pièces jointes : Téléchargez des fichiers (PDF, TXT, CSV) pour que le modèle puisse les référencer. Pour les corpus volumineux ou récurrents, créez une base de connaissances avec des embeddings (voir RAG ci-dessous).

Conseil de pro : Organisez les discussions par projet. Utilisez des balises comme #docs, #code ou #analysis pour que vous puissiez trouver rapidement les choses à l'avenir.

Construire RAG en quelques minutes : Connaissance, Embeddings et Recherche

RAG (Retrieval-Augmented Generation) permet à votre modèle de répondre à des questions avec votre contenu (documents, notes, politiques, code). Voici comment le mettre en place :

Créer une base de connaissances (KB)

Dans la barre latérale, créez une nouvelle KB ou « Collections ».

Téléchargez des documents : PDF, markdown, HTML ou fichiers texte.

Générer des Embeddings

Choisissez le backend d'embeddings (local via Ollama si vous avez un modèle d'embeddings, ou un fournisseur cloud via l'API).

Indexez vos documents ; les ensembles plus importants peuvent prendre quelques minutes.

Activer la récupération dans la discussion

Dans une discussion, activez la récupération et sélectionnez votre KB.

Posez des questions comme « Résumez notre politique d'intégration et énumérez les points d'action » ou « Quelles exceptions autorisons-nous dans la politique de sécurité ? »

Itérer

Inspectez les sources, affinez vos documents, ajustez la taille des chunks et ré-embeddez si les réponses semblent incorrectes.

Conseil de pro : Maintenez des KB distinctes pour plus de précision (par exemple, « Texte marketing », « Politiques juridiques », « Runbooks »). Cela réduit les récupérations non pertinentes.

Actions, outils et flux de travail

Open WebUI prend en charge les interactions basées sur des outils afin que le modèle puisse « faire des choses », et pas seulement discuter. Selon votre configuration, vous pouvez :

Appeler des fonctions/outils que vous définissez (par exemple, exécuter un script, récupérer une URL, interroger une base de données).

Utiliser des flux de travail d'invites système pour structurer les tâches en plusieurs étapes.

Ajouter des plugins/extensions si votre déploiement les prend en charge.

Exemple : Un flux de travail « Brief de contenu »

Étape 1 : Demandez au modèle d'extraire des mots-clés d'un sujet.

Étape 2 : Faites des recherches via un outil Web (si activé) et résumez les sources.

Étape 3 : Rédigez un plan + des variantes de titre.

Étape 4 : Créez une version courte/longue.

Enregistrez ces étapes dans un modèle réutilisable afin que votre équipe puisse les exécuter en un seul clic.

Gérer les modèles comme un pro

Plusieurs valeurs par défaut : Définissez des valeurs par défaut par espace de travail ou par discussion (par exemple, local rapide pour le brainstorming, cloud précis pour la copie finale).

Cartes de modèles : Documentez ce que chaque modèle fait le mieux : « Utilisez Llama 3 pour le code, Mistral pour les résumés concis. »

Tâches par lots : Utilisez des invites système plus longues et une sortie structurée (JSON, listes de contrôle) pour les tâches répétables comme les vérifications d'assurance qualité, la traduction ou le balisage.

Paramètres d'administration : Sécurité et gouvernance

Si vous vous auto-hébergez pour une équipe, prenez quelques minutes pour renforcer et gouverner votre instance.

Authentification : Exigez une connexion. Si disponible, activez SSO/OIDC.

Politiques de clés API : Limitez les fournisseurs qui peuvent être utilisés, déterminez la portée des clés par utilisateur/rôle et restreignez la sortie le cas échéant.

Variables d'environnement : Configurez des éléments tels que les URL de point de terminaison de modèle, les backends d'embeddings et les restrictions de clé via les paramètres d'environnement.

Limites de débit et quotas : Empêchez les coûts excessifs avec des limites par utilisateur ou par espace de travail.

Auditabilité : Encouragez les équipes à étiqueter les discussions et à stocker des résumés afin de pouvoir retracer les décisions.

Conseil de développement : Placez Open WebUI derrière un proxy inverse (par exemple, Nginx/Caddy) avec HTTPS et définissez les origines autorisées.

Collaboration d'équipe et hygiène des connaissances

Invites et KB partagées : Créez des bibliothèques d'invites et des bases de connaissances organisées. Attribuez des responsables de la maintenance.

Contenu de version : Pour les documents de politique ou les spécifications, stockez les sources dans Git ou un hub de documents et ré-embeddez lors de la mise à jour.

Réponses axées sur la source : Encouragez les utilisateurs à cliquer sur les citations et à numériser les documents originaux. Faites confiance, mais vérifiez.

Cas d'utilisation quotidiens (copiez-les)

Contenu et marketing

Transformez un brief en trois brouillons spécifiques à un public.

Générez des plans SEO, des FAQ et des titres.

Ingénierie

Expliquez une fonction et générez des tests de cas extrêmes.

Résumez les PR et produisez des notes de version.

Opérations et assistance

Créez une KB à partir de runbooks et de SOP.

Rédigez des réponses en utilisant votre guide de ton/style.

Recherche et stratégie

Résumez 10 documents en un document d'une page avec des citations.

Comparez les fournisseurs à l'aide d'une matrice structurée.

Dépannage : Corrections rapides

« Impossible de se connecter à Ollama »

Vérifiez qu'Ollama est en cours d'exécution : `curl

Vérifiez l'accès réseau du conteneur à l'hôte.

« Modèle introuvable »

Tirez le modèle via Ollama : ollama pull mistral

Pour le cloud, confirmez le nom et les autorisations exacts du modèle.

« Les résultats RAG semblent non pertinents »

Ré-embeddez avec un meilleur modèle d'embeddings.

Ajustez la taille des chunks (par exemple, 500 à 1 000 tokens) et le chevauchement.

Divisez votre KB en collections thématiques plus petites.

« Les coûts augmentent en flèche »

Définissez des limites de débit et passez par défaut à des modèles locaux pour les brouillons.

Conseils de performance et actions avancées

Utilisez des modèles locaux plus petits pour l'idéation et des modèles plus grands/cloud pour la finalisation.

Mettez en cache les invites et les réponses fréquentes lorsque cela est possible.

Adoptez des sorties structurées (JSON, listes de contrôle à puces) pour les automatisations en aval.

Pour les données sensibles, gardez tout en local (Ollama + embeddings locaux + stockage sur site).

Utilisez des invites système pour définir le ton, le formatage et les garde-fous.

À noter : Associer Open WebUI à Sider.AI

Si vous produisez beaucoup de contenu ou de recherche, un compagnon de flux de travail peut vous aider. Il est important de noter que Sider.AI vous aide à rédiger, à résumer et à organiser un travail de longue haleine. Vous pouvez imaginer ou récupérer le contexte dans Open WebUI, puis utiliser l'assistance de style éditeur de Sider.AI pour peaufiner, restructurer et optimiser le référencement des articles pour la publication. C'est un jumelage utile lorsque vous voulez à la fois le contrôle (discussion auto-hébergée + RAG) et la vitesse (édition et optimisation collaboratives).

Un plan de départ simple

Exécutez Open WebUI via Docker.

Installez Ollama, tirez llama3 et mistral.

Connectez Open WebUI à et définissezmistral` comme valeur par défaut pour la discussion.

Créez des KB : Politiques, Marketing, Runbooks ; embeddez avec un modèle d'embeddings fort.

Enregistrez trois modèles d'invites : « Résumeur avec puces », « Générateur de plans SEO » et « Rédacteur de notes de version ».

Ajoutez des limites de débit et exigez une connexion.

Avec cette configuration, la plupart des équipes peuvent couvrir 80 % des tâches d'IA quotidiennes.

Principaux points à retenir

Open WebUI vous offre une interface utilisateur propre et contrôlable pour travailler avec les LLM locaux et cloud.

Pour la confidentialité et la vitesse, associez-le à Ollama localement ; mélangez des modèles cloud si nécessaire.

Utilisez RAG pour ancrer les réponses dans vos documents ; gardez les KB petites et ciblées.

Sécurisez votre instance avec l'authentification, les politiques de clés et les limites de débit.

Normalisez les invites et les sorties afin que le travail de votre équipe soit cohérent et automatisable.

Prochaines étapes

Lancez Open WebUI avec Docker et connectez-vous à Ollama.

Créez votre première base de connaissances et essayez une discussion avec récupération.

Enregistrez trois modèles d'invites que votre équipe réutilisera quotidiennement.

Si vous publiez du contenu, faites passer les brouillons par Sider.AI pour affiner le ton, la structure et le référencement avant de mettre en ligne.

FAQ

Q1:À quoi sert Open WebUI ? Open WebUI est une interface auto-hébergée pour les grands modèles de langage. Il vous permet de discuter avec des modèles locaux ou cloud, de créer des flux de travail RAG avec vos documents et de gérer les invites et les équipes en un seul endroit.

Q2:Comment puis-je utiliser Open WebUI avec Ollama ? Installez Ollama, tirez un modèle comme llama3 ou mistral, puis pointez la connexion Ollama d'Open WebUI vers http://localhost:11434. Vous pouvez définir un modèle par défaut et commencer à discuter localement en toute confidentialité.

Q3:Open WebUI peut-il faire du RAG avec mes PDF et mes notes ? Oui. Créez une base de connaissances, téléchargez des documents, générez des embeddings et activez la récupération dans la discussion. Le modèle citera et résumera à partir de vos propres sources pour des réponses étayées.

Q4:Open WebUI est-il sécurisé pour les équipes ? Vous pouvez imposer une connexion, gérer les clés API par rôle et définir des limites de débit. Pour la production, utilisez HTTPS derrière un proxy inverse et restreignez les fournisseurs ou les points de terminaison autorisés.

Q5:Dois-je utiliser des modèles locaux ou cloud dans Open WebUI ? Utilisez des modèles locaux pour la confidentialité, la vitesse et le contrôle des coûts ; utilisez des modèles cloud pour les tâches complexes nécessitant une qualité supérieure. De nombreuses équipes combinent les deux et définissent des valeurs par défaut spécifiques à la discussion.