打开 WebUI

用于在 Clore.ai GPU 上运行 LLM 的类 ChatGPT 界面

用于在 CLORE.AI GPU 上运行大型语言模型的类似 ChatGPT 的精美界面。

所有示例都可以在通过以下方式租用的 GPU 服务器上运行： CLORE.AI 市场.

为什么选择 Open WebUI？

• 类似 ChatGPT 的界面 - 熟悉且精致的界面

• 多模型 - 轻松在模型之间切换

• 内置 RAG - 上传文档以提供上下文

• 用户管理 - 支持多用户

• 历史记录 - 会话持久化

• Ollama 集成 - 开箱即用

在 CLORE.AI 上快速部署

Docker 镜像：

ghcr.io/open-webui/open-webui:cuda

端口：

22/tcp
8080/http

命令：

# 在后台启动 Ollama
ollama serve &
sleep 5
ollama pull llama3.2

# 启动 Open WebUI（会自动连接到 Ollama）
# 注意：Docker 镜像已处理此项

访问您的服务

部署后，在以下位置查找您的 http_pub URL： 我的订单:

1. 前往 我的订单 页面

2. 单击您的订单

3. 查找 http_pub URL（例如， abc123.clorecloud.net)

使用 https://YOUR_HTTP_PUB_URL 而不是 localhost 在下面的示例中。

验证是否正常运行

# 检查健康状态
curl https://your-http-pub.clorecloud.net/health

# 获取版本
curl https://your-http-pub.clorecloud.net/api/version

响应：

{"version": "0.7.2"}

如果收到 HTTP 502，请等待 1-2 分钟——服务仍在启动中。

安装

使用 Ollama（推荐）

# 先启动 Ollama
docker run -d --gpus all -v ollama:/root/.ollama -p 11434:11434 --name ollama ollama/ollama

# 拉取模型
docker exec -it ollama ollama pull llama3.2

# 启动 Open WebUI
docker run -d -p 8080:8080 \
  --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

一体化（捆绑 Ollama）

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

首次设置

1. 打开 http://your-server:8080

2. 创建管理员账户（第一个用户将成为管理员）

3. 前往 设置 → 模型 → 拉取模型

4. 开始聊天！

功能

聊天界面

• Markdown 渲染

• 代码高亮

• 图像生成（与兼容模型）

• 语音输入/输出

• 文件附件

模型管理

• 可直接从 UI 拉取模型

• 创建自定义模型

• 设置默认模型

• 模型专属设置

RAG（文档聊天）

1. 在聊天中点击 "+"

2. 上传 PDF、TXT 或其他文档

3. 就内容提问

用户管理

• 多用户

• 基于角色的访问控制

• API 密钥管理

• 使用情况跟踪

配置

使用环境变量进行 SSH 和 Jupyter 访问：

docker run -d \
  -e OLLAMA_BASE_URL=http://ollama:11434 \
  -e WEBUI_AUTH=True \
  -e WEBUI_NAME="My AI Chat" \
  -e DEFAULT_MODELS="llama3.2" \
  ghcr.io/open-webui/open-webui:main

关键设置

变量	4s	默认值
OLLAMA_BASE_URL	Ollama API URL	http://localhost:11434
WEBUI_AUTH	启用认证	True
WEBUI_NAME	实例名称	打开 WebUI
DEFAULT_MODELS	默认模型	-
ENABLE_RAG_WEB_SEARCH	RAG 中的网页搜索	False

连接到远程 Ollama

docker run -d -p 8080:8080 \
  -e OLLAMA_BASE_URL=http://remote-server:11434 \
  ghcr.io/open-webui/open-webui:main

Docker Compose

version: '3.8'

services:
  ollama:
    image: ollama/ollama
    container_name: ollama
    volumes:
      - ollama:/root/.ollama
    ports:
      - "11434:11434"
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]

  open-webui:
    image: ghcr.io/open-webui/open-webui:main
    container_name: open-webui
    volumes:
      - open-webui:/app/backend/data
    ports:
      - "8080:8080"
    environment:
      - OLLAMA_BASE_URL=http://ollama:11434
    depends_on:
      - ollama

volumes:
  ollama:
  open-webui:

docker-compose up -d

API 参考

Open WebUI 提供多个 API 端点：

端点	方法	4s
/health	GET	健康检查
/api/version	GET	获取 Open WebUI 版本
/api/config	GET	获取配置
/ollama/api/tags	GET	列出 Ollama 模型（代理）
/ollama/api/chat	POST	与 Ollama 聊天（代理）

检查健康状态

curl https://your-http-pub.clorecloud.net/health

响应： true

获取版本

curl https://your-http-pub.clorecloud.net/api/version

响应：

{"version": "0.7.2"}

列出模型（通过 Ollama 代理）

curl https://your-http-pub.clorecloud.net/ollama/api/tags

大多数 API 操作需要认证。使用网页 UI 创建账户并管理 API 密钥。

提示

更快的响应

1. 使用量化模型（Q4_K_M）

2. 在设置中启用流式传输

3. 如有需要，减少上下文长度

更好的质量

1. 使用更大的模型（13B 及以上）

2. 使用 Q8 量化

3. 在模型设置中调整温度

节省资源

1. 设置 OLLAMA_KEEP_ALIVE=5m

2. 卸载未使用的模型

3. 测试时使用更小的模型

GPU 要求

相同于 Ollama.

Open WebUI 本身使用的资源很少（约 500MB 内存）。

# 使用固定种子以获得一致结果

无法连接到 Ollama

# 检查 Ollama 是否正在运行
curl http://localhost:11434/api/tags

# 如果使用 Docker，请使用主机网络或正确的 URL
docker run --network=host ghcr.io/open-webui/open-webui:main

模型未显示

1. 在设置中检查 Ollama 连接

2. 刷新模型列表

3. 通过 CLI 拉取模型： ollama pull modelname

性能缓慢

1. 检查是否使用了 GPU： nvidia-smi

2. 尝试更小/量化的模型

3. 减少并发用户数

下载所有所需的检查点

设置	GPU	每小时
基础（7B）	按小时费率	~$0.03
标准（13B）	速度	~$0.06
高级（34B）	512x512	~$0.10
企业（70B）	2s	~$0.17

使用以下方式支付

• Ollama - CLI 使用

• LocalAI - 更多后端

• RAG + LangChain - 高级 RAG