企业官网建设流程全解析

写在前面：本地大模型跑起来，只是第一步

上一篇如果你已经用 Ollama 把大模型装进了自己的电脑，那么恭喜你，已经跨过了本地 AI 的第一道门槛。

但很快你会发现一个新问题：

模型虽然跑起来了，但只能在终端里聊天； 每次切模型都要敲命令； 聊天记录不好管理； 文件上传和知识库问答不方便； 给同事或家人使用时，终端界面门槛太高； 想做一个“自己的 ChatGPT”，还差一个真正好用的网页界面。

这就是 Open WebUI 值得接在 Ollama 后面写的原因。

Ollama 解决的是：

怎样在自己的电脑或服务器上运行大模型？

Open WebUI 解决的是：

怎样把本地大模型变成一个真正能日常使用的私有 ChatGPT？

它的立意很直接：

不是去别人网页上使用 AI，而是在自己的浏览器里打开一个由自己控制的 AI 助手。

这件事对普通用户、开发者和企业团队都很有吸引力。因为它不只是“多了一个界面”，而是把本地 AI 从“技术实验”推进到了“可以交付给人用”的阶段。

截至 2026-06-15，我核到的 GitHub 页面信息大致如下：

一句话总结：

如果 Ollama 是“把大模型装进自己的电脑”，Open WebUI 就是“给这个本地大模型装上一个真正能用的 ChatGPT 界面”。

本文实战口径

这篇文章不写成“功能大全”，而是按一个新手最自然的路径来：

这篇的目标不是让你立刻做一个复杂企业 AI 平台，而是先完成一个很有成就感的结果：

打开 http://localhost:3000 看到一个属于自己的 AI 聊天网页 它背后调用的是你电脑里的 Ollama 模型 还能上传资料，做简单知识库问答

一、Open WebUI 到底是什么

Open WebUI 是一个开源、自托管的 AI 聊天和应用界面。

你可以把它理解成：

Open WebUI = 私有 ChatGPT 界面 + 模型连接器 + 用户管理 + 知识库 + 工具和插件能力

它自己不是大模型。

它需要连接模型后端，比如：

Ollama； OpenAI API； Anthropic； vLLM； LM Studio； OpenRouter； 其他 OpenAI-compatible API。

官方文档里对它的定位很清楚：它是一个可扩展、功能丰富、用户友好的自托管 AI 平台，支持 Ollama 和 OpenAI-compatible APIs，可以同时面向本地模型和云端模型。

1.1 它和 Ollama 是什么关系

最简单的理解：

也就是说：

Ollama 是发动机； Open WebUI 是驾驶舱。

没有 Open WebUI，你也能用 Ollama，但主要是在终端里对话，或者自己写程序调 API。

有了 Open WebUI，你就可以：

在浏览器里聊天； 保存聊天历史； 切换不同本地模型； 上传文档做问答； 给不同用户开账号； 配置工具、知识库和模型权限。

1.2 它不是“免费 ChatGPT”

这点要提前说清楚。

Open WebUI 给你的是一个类似 ChatGPT 的界面和本地化管理能力，但回答质量取决于你连接的模型。

如果你接的是本地 7B / 8B 模型，它就会有本地小模型的能力边界。

如果你接的是 vLLM 上的大模型、企业模型网关或 OpenAI-compatible 服务，它的能力上限就会更高。

所以更准确的说法是：

Open WebUI 不是免费 ChatGPT 替代品； 它是一个可以连接本地和云端模型的私有 AI 工作台。

二、为什么它适合接在 Ollama 后面

Ollama 文章容易火，是因为它给了读者一种能力：

我也能把大模型跑在自己的电脑里。

Open WebUI 的立意也很强：

我也能拥有一个自己的 ChatGPT。

这个“自己的”很重要。

它意味着：

模型可以是自己的； 数据可以放在自己的机器或内网； 界面可以给团队成员使用； 聊天记录和知识库可以自己管理； 以后可以继续接 Dify、RAGFlow、vLLM、MCP 和 Agent。

对新手来说，Open WebUI 把本地 AI 的体验从“命令行玩具”变成了“真实产品”。

对企业团队来说，它提供了一个很好的原型环境：

先用 Ollama + Open WebUI 跑通内网 AI 助手； 再评估是否需要 RAGFlow 做复杂知识库； 再评估是否需要 vLLM 做高并发推理服务； 最后再补权限、审计、网关和运维。

三、准备工作：先确认 Ollama 能正常运行

如果你已经按上一篇文章安装过 Ollama，可以先检查：

ollama--version ollama list

如果本地还没有模型，可以先拉一个入门模型：

ollama pull qwen3:8b

或者运行一个模型：

ollama run qwen3:8b

只要你能在终端里正常和模型对话，就说明 Ollama 部分已经准备好。

Open WebUI 默认会通过 Ollama 的本地服务访问模型。Ollama 常见默认地址是：

http://localhost:11434

四、用 Docker 启动 Open WebUI

官方推荐的快速启动方式是 Docker。

如果你的 Ollama 已经安装在本机，Open WebUI 官方 README 给出的命令是：

dockerrun-d\-p3000:8080\--add-host=host.docker.internal:host-gateway\-vopen-webui:/app/backend/data\--nameopen-webui\--restartalways\ghcr.io/open-webui/open-webui:main

Windows PowerShell 可以写成一行：

docker run-d-p 3000:8080--add-host=host.docker.internal:host-gateway-vopen-webui:/app/backend/data--nameopen-webui--restart always ghcr.io/open-webui/open-webui:main

这条命令里有几个点很重要：

特别注意这个 volume：

-v open-webui:/app/backend/data

官方 README 明确提醒，Docker 安装时要挂载这个数据目录，否则容器删除或重建后，数据库和配置可能丢失。

启动后检查容器状态：

dockerps

如果能看到open-webui状态是Up，说明服务已经启动。

然后打开浏览器：

http://localhost:3000

五、第一次打开：创建管理员账号

第一次访问http://localhost:3000时，Open WebUI 会让你创建初始账号。

这个账号通常就是管理员。

建议：

使用一个真实可记住的邮箱； 密码不要太简单； 如果只是本机测试，也不要随便填弱密码； 后续如果要开放给局域网用户，先确认注册策略和用户权限。

创建账号后，你会进入类似 ChatGPT 的界面。

如果 Open WebUI 成功连接到 Ollama，通常可以在模型列表里看到本地模型。

比如：

qwen3:8b llama3.1:8b gemma3:4b deepseek-r1:7b

六、第一个任务：在网页里调用本地模型

现在可以做一个最简单的测试。

选择一个本地模型，比如：

qwen3:8b

然后输入：

用三句话解释什么是本地大模型。

如果一切正常，你会看到模型在网页里输出回答。

这一步的意义很大：

Ollama 负责在本地跑模型； Open WebUI 负责把它变成网页聊天体验； 整个过程不需要你自己写前端、写后端、写聊天记录管理。

这时你已经完成了从：

终端里的本地模型

到：

浏览器里的私有 ChatGPT

的跨越。

七、如果 Open WebUI 找不到 Ollama 怎么办

这是新手最常见的问题。

很多人会遇到：

Open WebUI 页面能打开； 但是模型列表为空； 或者提示连接 Ollama 失败； 或者容器里访问不到 127.0.0.1:11434。

原因是：

Docker 容器里的 127.0.0.1 不是宿主机的 127.0.0.1。

也就是说，Ollama 跑在你的 Windows / macOS / Linux 宿主机上，而 Open WebUI 跑在 Docker 容器里。容器里访问localhost，访问的是容器自己，不是你的电脑。

所以官方命令里加了：

--add-host=host.docker.internal:host-gateway

它的作用就是让容器能通过host.docker.internal找到宿主机。

如果还是不行，可以尝试明确设置：

docker run-d-p 3000:8080 `--add-host=host.docker.internal:host-gateway `-e OLLAMA_BASE_URL=http://host.docker.internal:11434 `-vopen-webui:/app/backend/data`--nameopen-webui`--restart always ` ghcr.io/open-webui/open-webui:main

如果你使用 Linux，并且网络模式允许，也可以参考官方 README 的--network=host方式：

dockerrun-d\--network=host\-vopen-webui:/app/backend/data\-eOLLAMA_BASE_URL=http://127.0.0.1:11434\--nameopen-webui\--restartalways\ghcr.io/open-webui/open-webui:main

注意：使用--network=host后，访问端口可能变成：

http://localhost:8080

而不是3000。

八、上传文档：做一个轻量知识库问答

Open WebUI 不只是聊天界面，它还支持本地 RAG 和文档知识库能力。

这正是它比“简单聊天壳”更有价值的地方。

你可以上传：

PDF； Word； Markdown； TXT； 网页内容； 知识库文件。

然后在聊天时引用这些资料，让模型基于文档回答。

8.1 一个适合新手的测试

不要一开始就上传几十份公司文档。

建议先准备一份简单资料，比如：

# 产品售后政策 ## 退款规则 用户购买后 7 天内，如果没有使用核心服务，可以申请退款。 ## 发票规则 企业用户可以在订单完成后 30 天内申请电子发票。 ## 人工客服 涉及合同、法律、退款争议的问题，需要转人工处理。

保存成：

demo-policy.md

然后上传到 Open WebUI 的知识库或聊天附件中。

测试问题：

用户购买 5 天后想退款，资料里怎么规定？

一个好的回答应该做到：

引用资料里的 7 天规则； 说明是否满足条件； 不编造不存在的政策； 涉及争议时提示转人工。

8.2 知识库不要一开始就追求“大”

很多人做 RAG 的第一反应是：

把所有资料都上传进去。

这通常不是好做法。

更稳的路径是：

先上传 1 份干净文档； 准备 5 到 10 个真实问题； 检查回答是否引用正确； 再逐步增加文档数量； 发现不准时，先检查文档质量和切块方式。

如果资料是 PDF、Word、PPT、Excel，建议先配合 MarkItDown 做清洗。

如果资料来自网页，建议先配合 Crawl4AI 转成 Markdown。

这样你的内容链条就很清楚：

Ollama：本地模型运行； Open WebUI：私有聊天界面和轻量知识库； MarkItDown：文件资料清洗； Crawl4AI：网页资料清洗； RAGFlow：复杂企业知识库； vLLM：生产推理服务。

九、连接其他模型：不只能接 Ollama

Open WebUI 的一个重要价值是，它不是只服务 Ollama。

它也可以接 OpenAI-compatible API。

这意味着你可以把不同模型后端都放到同一个界面里。

比如：

这对团队很实用。

你可以先用 Ollama 做低成本验证：

界面能不能用； 知识库流程能不能跑； 用户是否接受这种交互； 哪些场景真的需要 AI。

如果后面发现本地小模型效果不够，再接更强的模型服务。

也就是说，Open WebUI 给你保留了升级空间。

十、用户、权限和模型管理

如果只是自己本机玩，账号和权限问题不明显。

但只要你想让团队使用，就必须关注：

谁可以注册； 谁可以看到哪些模型； 谁可以上传文件； 谁可以创建知识库； 谁可以拉取新模型； 谁可以访问管理后台。

Open WebUI README 里明确提到，它支持更细粒度的权限和用户组，也支持角色访问控制。

对新手来说，先记住一个原则：

不要把管理员账号当普通账号用； 不要让所有人都能随便拉模型、上传敏感文件、创建工具。

企业内网试点时，建议至少分三类用户：

如果要接入正式业务系统，还要进一步考虑：

统一登录； 用户组； 部门权限； 日志审计； 知识库隔离； 外部访问控制。

十一、常见坑和排查

11.1 Windows 新手最容易卡的一点

Windows 用户最常见的问题是：

Ollama 在 Windows 宿主机； Open WebUI 在 Docker Desktop 容器； 容器访问 localhost 找不到 Ollama。

优先使用这个参数：

--add-host=host.docker.internal:host-gateway

如果仍然失败，再显式配置：

OLLAMA_BASE_URL=http://host.docker.internal:11434

不要一上来就怀疑模型坏了。

很多时候只是 Docker 网络没有通。

十二、安全边界：私有 ChatGPT 不等于天然安全

很多人看到“本地”“私有”“自托管”，容易默认它就是安全的。

这不对。

本地部署只解决了一部分问题：

数据不一定发到外部模型平台； 服务可以放在自己机器或内网； 模型和知识库可以自己管理。

但你仍然要处理：

账号权限； 上传文件； 知识库隔离； 模型输出风险； 局域网访问； 公网暴露； 日志和截图泄密； 工具调用权限； API Key 管理。

12.1 不要直接暴露到公网

如果只是个人使用：

建议只在本机访问 localhost。

如果是团队内网使用：

建议放在内网； 加账号； 限制注册； 配置反向代理； 使用 HTTPS； 记录访问日志； 给知识库做权限分层。

如果想公网访问：

不要直接裸奔容器端口； 必须加认证、HTTPS、限流、日志、备份和安全策略。

12.2 知识库资料要先脱敏

不要把这些内容未经处理直接上传：

客户手机号； 订单号； 合同金额； 身份证； 医疗记录； 财务数据； 内部密钥； 生产系统配置； 未公开源代码。

哪怕模型是本地的，知识库管理、日志、截图、备份、权限配置也可能产生泄露风险。

十三、适合落地的 6 类场景

13.1 个人私有 ChatGPT

适合个人学习、写作、翻译、代码解释、资料整理。

典型组合：

Ollama + Open WebUI + 本地小模型

优点是低成本、可控、能离线体验。

13.2 家庭或小团队 AI 助手

适合几个人共用一个内网 AI 页面。

例如：

家庭 NAS 上部署； 小团队服务器部署； 研发组内部共享； 培训教室离线演示。

13.3 企业内网 AI 原型

适合做第一版概念验证。

比如：

内部制度问答； 研发规范查询； 客服话术辅助； 会议纪要整理； 产品文档问答。

13.4 轻量知识库

如果文档不复杂，Open WebUI 自带知识库能力可以先试。

如果文档很复杂，再考虑接 RAGFlow。

建议路径：

Open WebUI 先验证需求； RAGFlow 处理复杂文档； Dify 编排业务流程； vLLM 承担生产推理。

13.5 多模型体验入口

Open WebUI 可以把不同模型放到一个界面里。

适合对比：

本地模型 vs 云端模型； 小模型 vs 大模型； Ollama vs vLLM； 不同模型在同一任务上的表现。

13.6 本地 AI 教学和演示

对培训和技术分享很友好。

因为它能让观众直观看到：

本地模型； 网页界面； 文件上传； 知识库问答； 模型切换； 聊天历史。

比单纯终端演示更容易让非技术同学理解。

十四、Open WebUI 和 Dify、RAGFlow 怎么选

很多人会问：

我有了 Open WebUI，还要 Dify 吗？ 我有了 Open WebUI，还要 RAGFlow 吗？

不要把它们理解成互相替代。

更合理的分工是：

如果你是个人用户：

Ollama + Open WebUI 已经很够用。

如果你是业务团队：

Open WebUI 可以做体验入口； Dify 更适合做业务流程； RAGFlow 更适合处理复杂知识库。

如果你要生产部署：

Open WebUI 不应该承担所有网关、权限、审计和业务逻辑； 需要配合后端服务、统一认证、日志监控和模型服务层。

十五、最终评价

Open WebUI 最强的地方，不是它“功能很多”，而是它把本地大模型变成了普通人可以真正使用的产品形态。

Ollama 让你完成：

我电脑里真的跑起了大模型。

Open WebUI 让你完成：

我浏览器里真的有了一个自己的 ChatGPT。

适合使用 Open WebUI 的人：

已经跑通 Ollama； 想要一个网页聊天界面； 想做私有 ChatGPT； 想让团队成员低门槛使用本地模型； 想尝试上传资料做知识库问答； 想统一管理本地和云端模型入口。

不太适合的情况：

只想写几行代码调模型 API； 需要复杂业务流程和审批流； 需要强企业级权限、审计和多租户隔离； 需要高并发生产推理； 没有任何运维能力却想直接公网开放。

我的建议：

第 1 天：先用 Ollama 跑通一个本地模型； 第 2 天：用 Docker 启动 Open WebUI； 第 3 天：在网页里完成本地模型聊天； 第 4 天：上传 1 份 Markdown 文档，测试知识库问答； 第 5 天：邀请 1 到 3 个同事试用，收集真实问题； 第 6 天：评估是否需要 Dify、RAGFlow、vLLM 或 n8n； 第 7 天：补账号权限、数据备份和访问控制。

一句话总结：

Open WebUI 是 Ollama 之后最值得装的第二个本地 AI 工具。它让“本地大模型”不再只是终端里的技术实验，而是变成一个可以打开、可以聊天、可以上传资料、可以给别人使用的私有 AI 工作台。