企业官网建设流程全解析

5分钟本地部署 Open WebUI：从空白到私有 AI 平台的完整路径

【免费下载链接】open-webuiUser-friendly AI Interface (Supports Ollama, OpenAI API, ...)项目地址: https://gitcode.com/GitHub_Trending/op/open-webui

如果你想在个人电脑上跑一个不依赖公有云的 AI 助手，或者给团队搭一个文档能直接"喂"给模型的私有知识库，Open WebUI 的本地部署是一个务实的选择。它是一个开源的自托管 AI 平台，原生对接 Ollama 和各类 OpenAI 兼容 API，全部功能离线可用——聊天、知识库、多模型并行、图像生成都在同一个界面上。

它的典型用法有两类：一类是个人向，在自己电脑或一台 NAS 上拉起服务，配合本地模型实现完全离线的对话；另一类是团队向，把项目文档、产品手册导入知识库，成员在统一的界面里提问，答案直接带原文出处。

图：Open WebUI 部署完成后的聊天界面，左侧是工作区、频道与历史会话

三步启动本地服务

前提只有一条：机器上已安装 Docker（含 Docker Compose），本文不展开安装过程。

1. 拿到代码。进入项目目录：

git clone https://gitcode.com/GitHub_Trending/op/open-webui cd open-webui

2. 启动服务。项目根目录的 docker-compose.yaml 已经配好两个容器：Ollama 推理服务和 Open WebUI 本体，一条命令全部拉起：

docker-compose up -d

3. 打开浏览器访问http://localhost:3000。看到登录/注册页面即说明部署成功 ✅ 用第一个注册的账号登录，它就是管理员。

首次启动会自动构建/拉取镜像并初始化数据库，稍慢属正常现象。数据默认存在 Docker 卷里，后面"排错"一节会提到为什么这个挂载不能丢。

核心能力拆解

一次向多个模型提问

场景：你不确定手头哪款模型对某个任务更合适，逐个切换来回对比很麻烦。

操作：在输入框上方的模型选择器里同时勾选多个模型（例如一个本地小模型 + 一个云端 API 模型），发送同一条消息，所有模型的回复会并排出现在同一轮对话里，可直接对比措辞、准确度和速度。

效果：选型变成一次操作而不是十次重复提问。配合管理后台的用量统计（消息量、token 消耗），还能把"哪个模型值得留在列表里"这件事数据化。

用 # 命令搭建私有知识库

场景：团队有一份内部手册，希望模型回答时以手册为准，而不是凭训练数据"编"。

操作：在界面里新建知识库，上传 PDF、Word、Markdown 等文档，系统会自动切分并向量化；之后在聊天中输入#加上知识库名即可引用。

# 在输入框输入 # 再选知识库，即可引用其内容

效果：回答附带来源引用，可逐条核对。底层支持 9 种向量数据库（ChromaDB、PGVector、Qdrant 等），相关实现可以看 backend/open_webui/retrieval/ 目录，想换成团队已有的向量服务时，从这里找配置入口。

接上 Ollama，让模型和数据都留在本地

场景：对话内容涉及内部信息，不能发往第三方 API。

操作：前面 compose 文件里已经带了一个 Ollama 容器，只需给它拉一个模型：

docker exec -it ollama ollama pull llama3.2

拉完在界面刷新模型列表即可选用。有 GPU 的机器可以改用带:cuda标签的镜像获得加速；如果更想生成图片而不是聊天，它同样接了 DALL·E、ComfyUI 等引擎，下图就是本地生成引擎的产出示例：

图：接入生成引擎后，Open WebUI 可直接在对话流中产出图像

调优与排错

端口被占用，服务起不来或访问的是别的东西。3000 是默认对外端口，compose 里写的是${OPEN_WEBUI_PORT-3000}:8080，改对外端口不用动配置文件，建一个.env文件：

echo "OPEN_WEBUI_PORT=8080" > .env

然后重启容器即可。

界面上一个模型都没有。九成是没拉模型或者 Ollama 地址不对。先确认容器里确实有模型：docker exec -it ollama ollama list；如果 Ollama 实际跑在另一台机器上，需要给 open-webui 容器加上OLLAMA_BASE_URL环境变量指向它，而不是默认的http://ollama:11434。

升级或重启后聊天记录没了。检查启动命令里是否带了数据卷挂载open-webui:/app/backend/data（compose 文件已包含，手写docker run时最容易被漏掉）。顺手用docker system df看一眼磁盘，知识库文档和向量数据都算在这里。

第一次回复特别慢。通常是模型首次加载或仍在下载，等它进内存后就正常了；长期方案是上 GPU 镜像，或者先挂一个 1B～3B 的小模型做日常试用，大模型放需要时再调。

延伸与资源

• 部署编排与端口/模型地址配置：docker-compose.yaml
• 知识库与向量数据库实现：backend/open_webui/retrieval/
• 各语言界面翻译文件（想加语种从这里入手）：src/lib/i18n/locales/
• 安全相关的说明与披露流程：docs/SECURITY.md

装好之后比较自然的下一步是：先建一个装真实文档的知识库跑通"提问—引用—核对"的闭环，再决定要不要把它从单机挪到团队都能访问的环境里。

【免费下载链接】open-webuiUser-friendly AI Interface (Supports Ollama, OpenAI API, ...)项目地址: https://gitcode.com/GitHub_Trending/op/open-webui