Open WebUI : l'interface de votre IA locale

Vous avez Ollama installé et un modèle téléchargé, mais chaque question signifie ouvrir un terminal ou utiliser la web chat d'Ollama, qui fonctionne mais est rudimentaire. Open WebUI comble ce passage : c'est une interface web complète, de type ChatGPT, qui se connecte à vos modèles locaux et les transforme en un produit d'usage quotidien — avec des comptes multi-utilisateurs, la gestion des documents, la personnalisation des modèles et des outils. Dans ce guide, vous l'installez, vous la reliez à Ollama, vous la personnalisez et je vous dis honnêtement où finit son territoire.

Pourquoi Open WebUI

Ollama fait le travail de moteur : il exécute le modèle et offre une API. Sa web chat intégrée (http://localhost:1111) fonctionne, mais n'a pas de comptes, n'organise pas sérieusement les conversations et ne vous laisse pas connecter des documents ou des extensions.

Open WebUI ajoute la couche d'interface :

• Conversations organisées : chats enregistrés, renommables, regroupés dans des dossiers.
• Multi-utilisateurs : chaque personne a son propre compte et son propre espace ; un administrateur contrôle les modèles et les permissions.
• Documents (RAG) : vous chargez des PDF, des documents de texte et des pages web ; le modèle s'en sert comme base pour répondre.
• Personnalisation par modèle : prompt système, température, paramètres de génération visibles et modifiables.
• Outils et plugins : web search, outils de la communauté, fonctions Python pour étendre le comportement.

Si vous utilisez Ollama seul, le saut n'est pas énorme. Si vous voulez que votre IA locale devienne quelque chose que vous utilisez chaque jour, ou que vous partagez avec d'autres personnes, Open WebUI est le passage naturel.

Installation

Deux chemins. Le plus propre est Docker, parce qu'Open WebUI embarque déjà tout ce dont elle a besoin :

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

Trois détails qui comptent :

• -p 3000:8080 — l'application s'ouvre sur http://localhost:3000 ; le numéro à gauche peut être changé à volonté.
• --add-host=host.docker.internal:host-gateway — permet au conteneur de trouver Ollama qui tourne sur la machine.
• -v open-webui:/app/backend/data — le volume où se sauvegardent comptes, chats et documents. Ne le perdez pas : c'est tout.

La voie alternative, sans Docker :

pip install -U open-webui
open-webui serve

À ce stade, l'application répond sur http://localhost:8080. Ça fonctionne bien pour un test rapide, mais la version Docker est celle conseillée pour l'usage quotidien : mises à jour avec un docker pull et moins de dépendances à gérer à la main.

Au démarrage, l'installation demande la création du premier compte : celui qui crée le premier compte devient administrateur. Ne négligez pas le passage — vous l'utiliserez pour ajouter des utilisateurs et gérer les modèles.

Connecter Ollama

Ouvrez http://localhost:3000 (ou le port que vous avez choisi), créez le premier compte et, si l'installation n'a pas déjà trouvé Ollama toute seule, allez dans Paramètres → Paramètres d'administration → Connecter un modèle et ajoutez un nouveau backend :

• Nom : Ollama (ou ce que vous préférez)
• URL : http://127.0.0.1:1111 si Ollama tourne sur la même machine sans Docker, ou http://host.docker.internal:1111 si Open WebUI tourne dans Docker
• Clé API : pas besoin, Ollama n'en exige pas

Vous confirmez et les modèles que vous avez téléchargés (ollama list) apparaissent dans le sélecteur en haut, prêts à l'emploi.

Un conseil pratique : tous les modèles téléchargés ne doivent pas rester visibles. Avec plusieurs utilisateurs, l'administrateur peut décider quels modèles chaque groupe voit, pour que la barre reste lisible.

Personnalisation

C'est ici que se fait la différence avec la web chat d'Ollama. Depuis le menu de chaque modèle, ouvrez son panneau de configuration :

• Prompt système : définissez le comportement de base du modèle. Un exemple qui fonctionne bien pour l'usage quotidien : « Répondez de manière concise et directe. Si vous ne connaissez pas la réponse, dites-le clairement au lieu d'inventer. »
• Température : 0,2-0,5 pour des réponses factuelles et techniques, 0,7-0,9 pour l'écriture créative.
• Longueur maximale de la réponse : utile pour limiter les réponses sur du matériel lent.

Deux fonctions méritent attention si vous utilisez Open WebUI sérieusement.

Les documents. Vous chargez des PDF, des fichiers texte, du markdown ou des pages web dans une base de connaissances ; le système les divise en fragments et les transforme en embeddings, pour que le modèle puisse répondre en citant vos documents au lieu de son propre entraînement. Le flux : créez une base de connaissances, chargez les fichiers, puis associez-la à un modèle dans son panneau de configuration. C'est le moyen le plus simple de faire du RAG avec des outils locaux.

Les outils et les plugins. Open WebUI inclut une web search intégrable (avec des moteurs auto-hébergés comme SearXNG) et un écosystème de plugins : des outils qui donnent de nouvelles capacités au modèle (calculatrice, base de données, API externes) et des fonctions Python qui changent le comportement de la plateforme. Ils s'installent depuis le panneau, s'activent par modèle.

Le multi-utilisateurs. Si la machine est partagée — une petite équipe, la famille — chaque personne crée son propre compte. Les chats restent privés par compte, l'administrateur attribue modèles et bases de connaissances par groupe. C'est la différence entre un outil personnel et un outil d'équipe.

Limites honnêtes

• C'est une pile complète, pas un fichier léger. Le conteneur embarque base de données et services : il consomme plus de RAM que vous ne l'imaginez (comptez au moins 2-3 Go juste pour l'interface, indépendamment du modèle).
• Le RAG est basique. Ça fonctionne bien pour des documentations et des recueils de textes, mais n'attendez pas la qualité d'un système RAG dédié avec pipeline de chunking avancé. Pour un usage structuré sérieux des documents, c'est un point de départ, pas une destination finale.
• Les modèles sont ceux du backend. Open WebUI ne télécharge pas de modèles : elle utilise ceux qu'Ollama (ou llama.cpp, ou une API compatible) a déjà. Le dimensionnement reste un travail à votre charge — et les articles sur le choix d'un modèle couvrent cette partie.
• Ce n'est pas un serveur d'inférence. Il sert une chat, pas le débit de production. Pour servir un modèle à de nombreux utilisateurs simultanés avec des performances maximales, vLLM est l'outil adapté.
• Les mises à jour changent les choses. Les versions récentes ont redessiné l'interface et réorganisé les paramètres : après une mise à niveau, certains chemins dans le menu peuvent ne plus se trouver où vous les aviez appris.

En résumé

Open WebUI est la couche qui transforme un modèle local en un produit : comptes, conversations organisées, documents, personnalisation, outils. Installation en une commande, connexion à Ollama en une minute. Si votre IA locale vit aujourd'hui dans un terminal, demain elle vit dans le navigateur — et elle est utilisable même par ceux qui n'y connaissent rien aux commandes de configuration.

Article généré par IA