Comment installer et configurer OpenWebUI

Qu'est-ce qu'OpenWebUI ?

OpenWebUI est une interface web open source pour interagir avec des modèles de langage (LLM) comme GPT, Claude ou des modèles locaux via Ollama. Elle transforme un ou plusieurs LLM en une application de chat complète, multi-utilisateurs, avec gestion des accès, historique des conversations et surtout des fonctionnalités RAG (Retrieval-Augmented Generation) pour interroger vos propres documents.

Pour une entreprise, c'est une alternative auto-hébergée à ChatGPT : vos données restent chez vous, vous choisissez vos modèles et vous gardez la main sur les coûts.

Pour une mise en place professionnelle adaptée à vos contraintes, notre agence de développement IA vous accompagne de l'installation à l'optimisation.

Prérequis

Avant d'installer OpenWebUI, prévoyez :

Docker et Docker Compose installés (méthode recommandée), ou Python 3.11+ pour une installation via pip.
2 Go de RAM minimum pour l'interface seule ; 8 Go et plus si vous faites tourner des modèles locaux via Ollama.
Un GPU (optionnel) pour accélérer l'inférence locale et la génération d'embeddings.
Une clé API (OpenAI, Anthropic...) si vous utilisez des modèles cloud plutôt que locaux.

Installation d'OpenWebUI

Méthode 1 : Docker (recommandée)

La façon la plus rapide de lancer OpenWebUI est via Docker. Une seule commande suffit :

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

L'interface est ensuite accessible sur http://localhost:3000. Le volume open-webui garantit que vos données (comptes, conversations, documents) persistent après un redémarrage du conteneur.

Méthode 2 : Docker Compose

Pour une configuration reproductible et facile à versionner, utilisez un fichier docker-compose.yml :

services:
  open-webui:
    image: ghcr.io/open-webui/open-webui:main
    ports:
      - "3000:8080"
    volumes:
      - open-webui:/app/backend/data
    environment:
      - WEBUI_SECRET_KEY=changez-cette-cle
    restart: unless-stopped
volumes:
  open-webui:

Lancez ensuite avec docker compose up -d. Cette approche facilite l'ajout ultérieur d'Ollama, d'une base vectorielle ou d'un reverse proxy dans la même stack.

Méthode 3 : OpenWebUI + Ollama (modèles locaux)

Pour faire tourner des modèles 100% en local (confidentialité, pas de coût par token), associez OpenWebUI à Ollama. L'image groupée embarque les deux :

docker run -d -p 3000:8080 -v ollama:/root/.ollama -v open-webui:/app/backend/data --name open-webui ghcr.io/open-webui/open-webui:ollama

Téléchargez ensuite un modèle, par exemple docker exec -it open-webui ollama pull llama3.1.

Méthode 4 : Installation via pip

Si vous préférez éviter Docker, OpenWebUI s'installe comme un package Python :

pip install open-webui

open-webui serve

L'interface démarre sur http://localhost:8080. Cette méthode convient au test local, mais Docker reste préférable en production.

Première configuration

1. Créer le compte administrateur

À la première connexion, le premier compte créé devient automatiquement administrateur. Il contrôle les utilisateurs, les permissions et les paramètres globaux.

2. Connecter vos modèles

OpenAI (GPT-4o, GPT-4.1...) : renseignez votre clé API dans Paramètres puis Connexions.
Anthropic Claude : ajoutez la clé via une connexion compatible OpenAI ou une fonction dédiée.
Modèles locaux : pointez vers votre serveur Ollama (http://localhost:11434 par défaut).

3. Variables d'environnement clés

OPENAI_API_KEY : clé API OpenAI.
WEBUI_SECRET_KEY : clé secrète de signature des sessions, à définir absolument en production.
WEBUI_URL : URL publique de l'instance (webhooks, OAuth, callbacks).
DATA_DIR : répertoire de données (défaut /app/backend/data).

Paramétrer le RAG : interroger vos documents

Le vrai intérêt d'OpenWebUI en entreprise, c'est le RAG : poser des questions en langage naturel sur vos propres documents. La qualité des réponses dépend entièrement du paramétrage. Voici les leviers principaux.

1. Chunking (découpage des documents)

Le chunking définit la taille et le chevauchement des fragments de texte indexés. À ajuster selon le type de contenu :

Documents techniques longs : 400-600 caractères, overlap 50-100.
Contenus courts (FAQ, fiches) : 200-300 caractères, overlap 20-30.
Documents scientifiques ou juridiques : 600-800 caractères, overlap 100-150 pour préserver le contexte.

2. Modèle d'embedding

text-embedding-3-small (1536 dim) : bon équilibre performance/coût, idéal pour démarrer.
text-embedding-3-large (3072 dim) : meilleure précision sur contenus complexes, coût supérieur.
Modèles locaux (BGE, E5, Sentence-BERT) : pour les données sensibles à traiter hors ligne.

3. Recherche hybride (BM25 + vecteurs)

Recherche produits/catalogues : poids BM25 0,6-0,7 pour favoriser les correspondances exactes.
Recherche conceptuelle : poids BM25 0,3-0,4 pour privilégier la similarité sémantique.
Équilibre général : poids BM25 0,5.

4. Reranker et Top K

Top K initial : 3-5 documents.
Top K après reranking : 2-3 documents.
Seuil de pertinence : 0,15-0,25 pour filtrer le bruit.

5. Métadonnées et filtres

Ajoutez des champs comme collection, type, annee, auteur.
Filtrez les requêtes pour limiter la recherche aux bons sous-ensembles.
Maintenez un index/glossaire pour les correspondances exactes.

Passer en production

Activez l'authentification et définissez les rôles et permissions.
Placez OpenWebUI derrière un reverse proxy (Nginx, Traefik) avec HTTPS.
Définissez une WEBUI_SECRET_KEY forte et activez le rate limiting.
Sauvegardez le volume de données et la base vectorielle régulièrement.

Mise à jour : avec Docker, récupérez la dernière image puis recréez le conteneur :

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

Watchtower peut automatiser cette étape.

Problèmes fréquents

Page blanche ou port occupé : vérifiez qu'aucun service n'écoute déjà sur le port 3000 et adaptez le mapping -p.
Modèles Ollama invisibles : confirmez l'URL du serveur et la connectivité réseau entre conteneurs.
RAG qui répond à côté : revoyez le chunking et le modèle d'embedding avant de blâmer le LLM.
Données perdues au redémarrage : un volume Docker manquant est presque toujours la cause.

Quand la configuration par défaut ne suffit plus

Installer OpenWebUI prend dix minutes. Obtenir un RAG fiable, rapide et économique sur des volumes réels est une autre histoire. Les paramètres par défaut suffisent rarement dès que l'enjeu devient sérieux. Les situations qui demandent une vraie ingénierie :

Exhaustivité et précision : quand rater une seule réponse n'est pas acceptable (support, juridique, conformité), il faut travailler le recall, le reranking et l'évaluation.
Performance et latence : sur de gros volumes, l'architecture d'indexation et le choix de la base vectorielle font la différence entre une réponse en 1 seconde et en 15.
Coûts trop élevés : embeddings, tokens et appels modèles peuvent vite déraper ; le bon dosage local/cloud et le caching changent tout.
Intégration dans un flow agentique : connecter le RAG à des outils, des actions et d'autres agents demande une orchestration sur mesure.
Confidentialité et RGPD : données sensibles, hébergement souverain, anonymisation et traçabilité des accès.
Contraintes normatives : santé, finance ou secteur public imposent des exigences que la configuration standard ne couvre pas.

Si vous reconnaissez votre cas, c'est exactement ce sur quoi nous intervenons. Parlons de votre projet RAG ou découvrez notre agence IA.

Comment installer et configurer OpenWebUI : Guide complet 2026