ツール

Open WebUI を解剖する:149k stars のローカル AI 工作台、何がすごいのか

ノートPCで動く ChatGPT 代替。Ollama、OpenAI API、RAG、プラグイン、チーム协作まで対応する、セルフホスト型 AI フロントエンドとしては最大規模。本記事ではデプロイから内部構造まで分解して紹介する。

文字サイズ

GitHub 上の open-webui/open-webui はいま 149,333 stars を誇り(執筆時点の実測値)、セルフホスト型 AI フロントエンドの中でも最大規模だ。やっていること自体はシンプル——ChatGPT 風の Web UI を提供し、データを自分のマシン内に閉じ込め、モデルはローカル実行でも OpenAI、Claude、Groq などのクラウド API でも利用できる。

分解してみると、「ChatGPT の皮を被せただけ」のよくあるプロジェクトとは一線を画す。バックエンドは FastAPI、フロントエンドは SvelteKit、さらに RAG エンジン、4 層のプラグインシステム、ネイティブ RBAC を自前で抱える。以下、デプロイから内部設計までを順に追っていく。

何の課題を解決するのか

Ollama、LMStudio、vLLM などでローカルモデルを回す層にとって、長らく Web フロントエンドが足りていなかった。CLI でも使えるが快適とは言い難い。ChatGPT は便利だがデータは OpenAI に渡る。LobeChat は軽量だが、プラグインと権限管理が弱い。

Open WebUI はその中間に位置する。Ollama、OpenAI API、LMStudio、GroqCloud、Mistral、OpenRouter、vLLM を束ね、RAG・メモリ・プラグイン・RBAC を備えた一つの作業環境として提供する。管理すべき URL は localhost:3000 だけで、バックエンドは自由に切り替えられる。

使い方

最小構成のデプロイ:

# Open WebUI 最小化デプロイ
# OpenAI 互換 API のみ利用。ローカル Ollama は使わない
docker run -d \
  -p 3000:8080 \
  -v open-webui:/app/backend/data \
  -e OPENAI_API_KEY=sk-xxx \
  -e OPENAI_API_BASE_URL=https://api.openai.com/v1 \
  --name open-webui \
  ghcr.io/open-webui/open-webui:main

ローカル Ollama を繋ぐなら、:ollama タグに切り替えて host ネットワークで起動する。

# 先にホスト側で `ollama serve` を起動しておく
# そのうえで host ネットワークで Open WebUI を立ち上げる
docker run -d \
  --network=host \
  -v open-webui:/app/backend/data \
  -e OLLAMA_BASE_URL=http://127.0.0.1:11434 \
  --name open-webui \
  ghcr.io/open-webui/open-webui:ollama

ブラウザで http://localhost:3000 を開き、最初に登録したアカウントが自動で管理者になる。公式ドキュメントには pip、uv、Kubernetes(kustomize/helm)などのデプロイ方法もまとまっている。

内部構造(アーキテクチャ)

バックエンド FastAPI + フロントエンド SvelteKit、典型的なフルスタック構成。バックエンドのコード量は Python でおよそ 50,000 行あり、ボリュームは小さくない。

バックエンドの接続層:OpenAI 互換プロトコルに対応するすべてのバックエンド(Ollama、vLLM、LMStudio、OpenRouter など)は、共通の HTTP フォワーディング層を通る。Ollama 互換プロトコルはそのまま転送されるため、プロバイダを切り替えてもフロントエンド側の設定変更は不要だ。

RAG エンジン:ドキュメント解析(PDF、Word、TXT に対応)を内蔵し、自動でチャンク化してベクトル化、システムプロンプトに注入する。細かい工夫が光るのが # 参照構文で、メッセージ中に #ファイル名 と打てば該当ドキュメントの該当箇所がコンテキストとして差し込まれる。長文ドキュメントからの検索で重宝する。

プラグインシステム:4 層構造になっており、このプロジェクトの一番面白い部分だ。

  • Filters:メッセージ前処理のフック。リクエストの前後でメッセージ内容を書き換えられる
  • Actions:UI ボタンから起動し、任意の prompt テンプレートを実行する
  • Pipes:モデル呼び出しそのものを差し替え、外部パイプラインを繋ぐ
  • Tools:function calling の実装。MCP Server、MCPO Server、OpenAPI エンドポイントを外付けできる

この 4 層構成により、「prompt をちょっと書き換える」から「外部ツールを接続する」までをカバーする。Tools 層で MCP に対応したのは 2024 年末のことで、Agent エコシステムの動きに追従している。

RBAC:ユーザー・グループ・パーミッションの 3 テーブルで、モデル単位・ナレッジベース単位・ツール単位で細かくアクセス制御できる。たとえば特定グループだけに GPT-4 を許可、特定ユーザーにだけ特定のナレッジベースを見せる、といった粒度の設定が可能だ。

強みと弱み

強みは機能の幅広さ。ChatGPT に備わる機能はほぼ網羅——マルチモデル切り替え、会話履歴、Artifacts、音声入力、画像生成。ChatGPT にない機能も揃う:ローカルモデル、プラグイン、RAG、Channels(Slack 風の共有会話空間、メッセージ内でモデルを @ できる)、Calendar(定时任务)。コミュニティでは openwebui.com で大量のモデル preset や system prompt が共有されており、自前で調整する手間が省ける。

弱みは「大は小を兼ねる」方式の弊害。149k stars はつまり要望も PR もバグも膨大ということ。バックエンドは Python で 50,000 行、フロントエンド単体のアイドルメモリ消費は 800MB を超える。スキンを変えたい、二次開発したい、というケースでは LobeChat よりハードルが高い。機能膨胀に伴い散発的なバグは出るし、コミュニティの主な情報交換は Discord で GitHub issue ではないため、報告しても放置されるケースがある。

安定性はおおむね合格点だが、商用製品のような SLA を期待してはいけない。

実際に試してみた

ローカルで :ollama タグのイメージを立ち上げ、4090 で qwen2.5:14b を回した。

最初のトークンまで約 1.2 秒、スループットは 30+ token/s で日常会話には十分。RAG には 200 ページの PDF を投入し、パラメータの定義や章末の結論など細かい質問を浴びせたところ、回答の正確度は素のモデルより明らかに上がっていた。これは想定通りで、ベクトル検索は RAG の本分だ。

メモリ消費はフロントエンド単体アイドル時 800MB、Ollama バックエンドはモデルサイズに依存(14b モデルで VRAM 約 10GB)。7b 以下の小型モデルだけなら 4090 は宝の持ち腐れで、3060 12GB や MacBook M シリーズでも十分いける。

Channels は同僚数名を誘って prompt 调试に使ってみた。Slack チャンネルに近いが、各メッセージでモデルを @ できる点が独特で、prompt 工学のチームレビューには ChatGPT Plus 共有より快適だった。

どんな人に向くか

向く層:

  • チームに統一された AI 入口を用意したい運用/技術リード——RBAC と監査ログが揃っている
  • データプライバシーを重視する研究チーム——ドキュメントも会話も全部ローカルに閉じる
  • ローカルとクラウドのモデルを併用したい個人開発者——一つの UI で切り替えられる

向かない層:

  • 軽量チャット UI が欲しいだけのユーザー——LobeChat のほうが単純で起動も速い
  • Docker を触りたくない完全な初心者——まず Cherry Studio を試すのが無難
  • 安定性が極めて重要な本番環境——これはコミュニティプロジェクトで、商用製品ではない

要するに、Open WebUI はセルフホスト型 AI フロントエンドの中で最も多機能だが、その代償として体积と複雑度も高い。ローカルチャットだけが目的なら重すぎる。チーム向け AI 作業環境を求めるなら、現時点でこれ以上の選択肢は見当たらない。

出典: https://github.com/open-webui/open-webui