วิธีการใช้งาน Open WebUI: คำแนะนำทีละขั้นตอนที่ใช้งานง่ายเพื่อเวิร์กโฟลว์ AI ที่รวดเร็วยิ่งขึ้น

Q: 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.

หากคุณเคยหวังว่า ChatGPT จะมีคู่แฝดที่โฮสต์เองได้ ปรับแต่งได้ ซึ่งคุณสามารถเชื่อมต่อกับโมเดลและข้อมูลของคุณเองได้ Open WebUI คือสิ่งนั้นเลย มันเป็นอินเทอร์เฟซที่ทันสมัยและมีน้ำหนักเบาสำหรับการแชทกับโมเดลภาษาขนาดใหญ่ (LLMs) ในเครื่องหรือระยะไกล จัดการพรอมต์ สร้างเวิร์กโฟลว์ RAG (Retrieval-Augmented Generation) และทำงานร่วมกับเพื่อนร่วมทีม ทั้งหมดนี้จากเบราว์เซอร์ของคุณ

ในคู่มือเชิงปฏิบัติและเน้นการแก้ปัญหานี้ เราจะแนะนำวิธีการใช้งาน Open WebUI แบบครบวงจร: ตัวเลือกการตั้งค่า การเชื่อมต่อกับ Ollama หรือ APIs การจัดการโมเดล การสร้างโฟลว์การดึงข้อมูล การรักษาความปลอดภัยอินสแตนซ์ของคุณ และเคล็ดลับดีๆ อีกมากมาย เมื่อถึงตอนท้าย คุณจะสามารถเรียกใช้เวิร์กโฟลว์ AI ที่มีประสิทธิภาพตามเงื่อนไขของคุณเองได้อย่างรวดเร็ว

Open WebUI คืออะไร (และเหตุใดจึงควรใช้)

Open WebUI คือเว็บอินเทอร์เฟซสำหรับ LLMs ที่สามารถโฮสต์เองได้ ลองนึกภาพว่าเป็นศูนย์บัญชาการสำหรับการโต้ตอบ AI ของคุณ นำโมเดลของคุณเอง (ในเครื่องหรือคลาวด์) สร้างพรอมต์ที่นำกลับมาใช้ใหม่ได้ เพิ่มเอกสารของคุณ และทำงานร่วมกันผ่าน UI ที่สะอาดและใช้งานง่าย เป็นที่นิยมอย่างยิ่งในหมู่ผู้พัฒนา ทีมข้อมูล และผู้ใช้ที่ใส่ใจความเป็นส่วนตัวที่ต้องการการควบคุม ความสามารถในการขยาย และความเร็ว

เหตุผลหลักที่ผู้คนเลือก Open WebUI:

เป็นเจ้าของข้อมูลของคุณ: เรียกใช้ในเครื่องหรือบนเซิร์ฟเวอร์ของคุณ

ส่วนหลังที่ยืดหยุ่น: เชื่อมต่อกับเอ็นจินในเครื่องเช่น Ollama หรือผู้ให้บริการระยะไกลผ่าน API

พร้อมสำหรับเวิร์กโฟลว์: RAG, เครื่องมือ, การฝัง และพรอมต์ที่มีโครงสร้าง

การควบคุมผู้ดูแลระบบ: การจัดการคีย์ API, การตรวจสอบสิทธิ์ และการกำหนดค่าสภาพแวดล้อม

วิธีที่เร็วที่สุดในการเริ่มต้น: Docker Quick Start

หากคุณคุ้นเคยกับ Docker คุณสามารถเริ่มต้นและใช้งานได้ภายในไม่กี่นาที

ดึงอิมเมจ

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

เรียกใช้คอนเทนเนอร์

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

เปิดเบราว์เซอร์ของคุณและเยี่ยมชม

คุณจะเข้าสู่ UI สร้างบัญชีผู้ดูแลระบบ และพร้อมที่จะเชื่อมต่อโมเดล

เคล็ดลับ: สำหรับพื้นที่จัดเก็บถาวรและตัวแปรสภาพแวดล้อม (เช่น ข้อจำกัดของคีย์ API และการตรวจสอบสิทธิ์) ให้สลับไปที่ docker-compose.yml เพื่อให้คุณสามารถติดตั้งโวลุ่มและกำหนดค่าได้อย่างหมดจด

การเชื่อมต่อกับโมเดล: Local (Ollama) หรือ Cloud APIs

Open WebUI ไม่ขึ้นกับส่วนหลัง คุณสามารถ:

ใช้ Ollama เพื่อเรียกใช้โมเดลในเครื่อง (เช่น Llama 3, Phi-3, Mistral) เหมาะอย่างยิ่งสำหรับความเป็นส่วนตัวและการทำงานแบบออฟไลน์

ใช้ cloud APIs เช่น OpenAI, Anthropic, Google หรืออื่นๆ ผ่านคีย์ API

ตัวเลือก A: ใช้ Ollama ในเครื่อง

ติดตั้ง Ollama (macOS, Linux, Windows)

เยี่ยมชม `` เพื่อติดตั้ง

ดึงโมเดลด้วย Ollama

ollama pull llama3

คุณสามารถแทนที่ llama3 ด้วยโมเดลเช่น mistral, phi3 หรือ llama3:instruct ขึ้นอยู่กับความต้องการของคุณ

เริ่ม Open WebUI

ตรวจสอบให้แน่ใจว่า Open WebUI สามารถเข้าถึงปลายทางในเครื่องของ Ollama ได้ (โดยปกติคือ ``)

ใน Open WebUI ไปที่ Admin Settings → Connections → Ollama

เพิ่มปลายทาง เลือกโมเดลเริ่มต้น และทดสอบการเชื่อมต่อ

ตอนนี้คุณสามารถแชทกับโมเดลในเครื่องได้โดยตรงในเบราว์เซอร์

ตัวเลือก B: ใช้ผู้ให้บริการคลาวด์ผ่านคีย์ API

ใน Admin Settings → Providers (หรือ API/Keys)

เพิ่มคีย์สำหรับ OpenAI, Anthropic หรือ Google

เลือกโมเดลเริ่มต้นต่อผู้ให้บริการ

ตัวอย่างเช่น: gpt-4o-mini (OpenAI), claude‑3‑haiku (Anthropic) หรือ gemini‑1.5‑flash (Google)

ตั้งค่าขีดจำกัด

บังคับใช้ขีดจำกัดอัตรา ขอบเขตการใช้งาน หรือคีย์ต่อผู้ใช้ ขึ้นอยู่กับการตั้งค่าทีมของคุณ

แนวทางแบบไฮบริดนี้ (ในเครื่อง + คลาวด์) เป็นเรื่องปกติ: ร่างฉบับร่างอย่างรวดเร็วบนโมเดลในเครื่อง จากนั้นปรับแต่งด้วยโมเดลคลาวด์เมื่อจำเป็น

แชทครั้งแรกของคุณ: พรอมต์ โหมด และไฟล์แนบ

เมื่อเชื่อมต่อโมเดลแล้ว ให้เริ่มแชทใหม่ พื้นฐานบางประการ:

เทมเพลตพรอมต์: บันทึกคำแนะนำที่ใช้บ่อย (พรอมต์ของระบบ) เช่น “คุณคือผู้สอน Python ของฉัน อธิบายด้วยตัวอย่างและแบบทดสอบ”

โหมด: สลับระหว่างสไตล์สร้างสรรค์ กระชับ หรือทางเทคนิค โดยปรับพรอมต์ของระบบหรืออุณหภูมิ

ไฟล์แนบ: อัปโหลดไฟล์ (PDFs, TXT, CSV) เพื่อให้โมเดลอ้างอิง สำหรับคลังข้อมูลขนาดใหญ่หรือที่เกิดขึ้นประจำ ให้สร้างฐานความรู้ด้วยการฝัง (ดู RAG ด้านล่าง)

เคล็ดลับ: จัดระเบียบแชทตามโครงการ ใช้แท็กเช่น #docs, #code หรือ #analysis เพื่อให้คุณค้นหาสิ่งต่างๆ ได้อย่างรวดเร็วในอนาคต

สร้าง RAG ในไม่กี่นาที: ความรู้ การฝัง และการค้นหา

RAG (Retrieval‑Augmented Generation) ช่วยให้โมเดลของคุณตอบคำถามด้วยเนื้อหาของคุณ (เอกสาร บันทึก นโยบาย โค้ด) นี่คือวิธีรวบรวม:

สร้างฐานความรู้ (KB)

ในแถบด้านข้าง สร้าง KB ใหม่หรือ “Collections”

อัปโหลดเอกสาร: ไฟล์ PDFs, markdown, HTML หรือ text

สร้างการฝัง

เลือกส่วนหลังของการฝัง (ในเครื่องผ่าน Ollama หากคุณมีโมเดลการฝัง หรือผู้ให้บริการคลาวด์ผ่าน API)

จัดทำดัชนีเอกสารของคุณ ชุดข้อมูลขนาดใหญ่อาจใช้เวลาสองสามนาที

เปิดใช้งานการดึงข้อมูลในการแชท

ในการแชท ให้สลับการดึงข้อมูลและเลือก KB ของคุณ

ถามคำถามเช่น “สรุปนโยบายการเริ่มต้นใช้งานของเราและแสดงรายการสิ่งที่ต้องทำ” หรือ “เราอนุญาตข้อยกเว้นอะไรบ้างในนโยบายความปลอดภัย”

ทำซ้ำ

ตรวจสอบแหล่งที่มา ปรับแต่งเอกสารของคุณ ปรับขนาด chunking และฝังใหม่หากคำตอบดูผิดปกติ

เคล็ดลับ: รักษา KBs แยกกันเพื่อความถูกต้อง (เช่น “สำเนาการตลาด”, “นโยบายทางกฎหมาย”, “Runbooks”) ซึ่งจะช่วยลดการดึงข้อมูลที่ไม่เกี่ยวข้อง

Actions, Tools และ Workflows

Open WebUI รองรับการโต้ตอบที่ขับเคลื่อนด้วยเครื่องมือ เพื่อให้โมเดลสามารถ “ทำสิ่งต่างๆ” ได้ ไม่ใช่แค่แชท ขึ้นอยู่กับการตั้งค่าของคุณ คุณสามารถ:

เรียกใช้ฟังก์ชัน/เครื่องมือ ที่คุณกำหนด (เช่น เรียกใช้สคริปต์ ดึง URL สอบถามฐานข้อมูล)

ใช้เวิร์กโฟลว์พรอมต์ของระบบ เพื่อจัดโครงสร้างงานหลายขั้นตอน

เพิ่มปลั๊กอิน/ส่วนขยาย หากการปรับใช้ของคุณรองรับ

ตัวอย่าง: เวิร์กโฟลว์ “Content Brief”

ขั้นตอนที่ 1: ขอให้โมเดลแยกคำหลักจากหัวข้อ

ขั้นตอนที่ 2: ค้นคว้าผ่านเครื่องมือเว็บ (หากเปิดใช้งาน) และสรุปแหล่งที่มา

ขั้นตอนที่ 3: ร่างโครงร่าง + ตัวแปรชื่อเรื่อง

ขั้นตอนที่ 4: สร้างเวอร์ชันสั้น/ยาว

บันทึกขั้นตอนเหล่านี้ในเทมเพลตที่นำกลับมาใช้ใหม่ได้ เพื่อให้ทีมของคุณสามารถเรียกใช้ได้ด้วยคลิกเดียว

การจัดการโมเดลอย่างมืออาชีพ

ค่าเริ่มต้นหลายรายการ: ตั้งค่าเริ่มต้นต่อพื้นที่ทำงานหรือต่อการแชท (เช่น ในเครื่องที่รวดเร็วสำหรับการระดมความคิด คลาวด์ที่แม่นยำสำหรับสำเนาสุดท้าย)

Model cards: จัดทำเอกสารว่าแต่ละโมเดลทำอะไรได้ดีที่สุด - “ใช้ Llama 3 สำหรับโค้ด Mistral สำหรับบทสรุปที่กระชับ”

Batch tasks: ใช้พรอมต์ของระบบที่ยาวขึ้นและเอาต์พุตที่มีโครงสร้าง (JSON, checklists) สำหรับงานที่ทำซ้ำได้ เช่น การตรวจสอบ QA การแปล หรือการติดแท็ก

Admin Settings: Security and Governance

หากคุณกำลังโฮสต์เองสำหรับทีม ให้ใช้เวลาสักครู่เพื่อเสริมความแข็งแกร่งและกำกับดูแลอินสแตนซ์ของคุณ

Authentication: กำหนดให้ลงชื่อเข้าใช้ หากมี ให้เปิดใช้งาน SSO/OIDC

API key policies: จำกัดผู้ให้บริการที่สามารถใช้งานได้ ขอบเขตคีย์ตามผู้ใช้/บทบาท และจำกัด egress เมื่อเหมาะสม

Environment variables: กำหนดค่าสิ่งต่างๆ เช่น URL ปลายทางของโมเดล ส่วนหลังของการฝัง และข้อจำกัดของคีย์ผ่านการตั้งค่า env

Rate limits and quotas: ป้องกันค่าใช้จ่ายที่มากเกินไปด้วยขีดจำกัดต่อผู้ใช้หรือต่อพื้นที่ทำงาน

Auditability: สนับสนุนให้ทีมติดป้ายกำกับแชทและจัดเก็บข้อมูลสรุป เพื่อให้คุณสามารถติดตามการตัดสินใจได้

Dev tip: วาง Open WebUI ไว้หลัง reverse proxy (เช่น Nginx/Caddy) ด้วย HTTPS และตั้งค่า allowed origins

Team Collaboration and Knowledge Hygiene

Shared prompts and KBs: สร้างไลบรารีพรอมต์และฐานความรู้ที่คัดสรรมา กำหนดผู้ดูแล

Version content: สำหรับเอกสารนโยบายหรือข้อกำหนด ให้จัดเก็บแหล่งที่มาใน Git หรือ doc hub และฝังใหม่เมื่ออัปเดต

Source‑first answers: สนับสนุนให้ผู้ใช้คลิก citations และสแกนเอกสารต้นฉบับ เชื่อใจ แต่ตรวจสอบ

Everyday Use Cases (Copy These)

Content & marketing

เปลี่ยน brief เป็นฉบับร่างที่เจาะจงกลุ่มเป้าหมายสามกลุ่ม

สร้างโครงร่าง SEO, FAQs และชื่อเรื่อง

Engineering

อธิบายฟังก์ชันและสร้างการทดสอบ edge-case

สรุป PRs และสร้าง release notes

Ops & support

สร้าง KB จาก runbooks และ SOPs

ร่างการตอบกลับโดยใช้คู่มือโทน/สไตล์ของคุณ

Research & strategy

สรุป 10 เอกสารเป็น 1 หน้าพร้อม citations

เปรียบเทียบผู้ขายโดยใช้ matrix ที่มีโครงสร้าง

Troubleshooting: Quick Fixes

“Can’t connect to Ollama”

Check Ollama is running: `curl

ตรวจสอบการเข้าถึงเครือข่ายจากคอนเทนเนอร์ไปยังโฮสต์

“Model not found”

ดึงโมเดลผ่าน Ollama: ollama pull mistral

สำหรับคลาวด์ ให้ยืนยันชื่อโมเดลและสิทธิ์ที่แน่นอน

“RAG results look irrelevant”

ฝังใหม่ด้วยโมเดลการฝังที่ดีกว่า

ปรับขนาด chunk (เช่น 500–1,000 โทเค็น) และ overlap

แบ่ง KB ของคุณออกเป็น collections ที่มีหัวข้อเฉพาะที่เล็กลง

“Costs spiking”

ตั้งค่าขีดจำกัดอัตราและค่าเริ่มต้นเป็นโมเดลในเครื่องสำหรับฉบับร่าง

Performance Tips and Advanced Moves

ใช้ smaller local models สำหรับการสร้างแนวคิดและ larger/cloud models สำหรับการสรุป

แคชพรอมต์และการตอบกลับที่ใช้บ่อยเมื่อเป็นไปได้

นำ structured outputs (JSON, bullet checklists) มาใช้สำหรับการทำงานอัตโนมัติในภายหลัง

สำหรับข้อมูลที่ละเอียดอ่อน ให้เก็บทุกอย่างไว้ในเครื่อง (Ollama + การฝังในเครื่อง + ที่เก็บข้อมูล on‑prem)

ใช้ system prompts เพื่อกำหนดโทน การจัดรูปแบบ และ guardrails

Worth Noting: Pairing Open WebUI with Sider.AI

If you produce lots of content or research, a workflow companion can help. Worth noting: Sider.AI assists with drafting, summarizing, and organizing long‑form work. You can ideate or retrieve context in Open WebUI, then use Sider.AI’s editor‑style assistance to polish, restructure, and SEO‑optimize articles for publishing. It’s a helpful pairing when you want both control (self‑hosted chat + RAG) and speed (collaborative editing and optimization).

A Simple Starter Blueprint

Run Open WebUI via Docker.

Install Ollama, pull llama3 and mistral.

Connect Open WebUI to and setmistral` as default for chat.

Create KBs: Policies, Marketing, Runbooks; embed with a strong embeddings model.

Save three prompt templates: “Summarizer with bullets,” “SEO outline generator,” and “Release notes writer.”

Add rate limits and require login.

With this setup, most teams can cover 80% of daily AI tasks.

Key Takeaways

Open WebUI gives you a clean, controllable UI to work with local and cloud LLMs.

For privacy and speed, pair it with Ollama locally; mix in cloud models when needed.

Use RAG to ground answers in your documents; keep KBs small and focused.

Secure your instance with auth, key policies, and rate limits.

Standardize prompts and outputs so your team’s work is consistent and automatable.

Next Steps

Spin up Open WebUI with Docker and connect to Ollama.

Create your first knowledge base and try a retrieval‑backed chat.

Save three prompt templates your team will reuse daily.

If you publish content, pass drafts through Sider.AI to refine tone, structure, and SEO before going live.

FAQ

Q1: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.

Q2: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.

Q3: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.

Q4: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.

Q5: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.