使用Ollama和Open WebUI管理本地开源大模型的完整指南

本文主要是介绍使用Ollama和Open WebUI管理本地开源大模型的完整指南，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

🏡作者主页：点击！ 

🤖AI大模型部署与应用专栏：点击！

⏰️创作时间：2024年5月27日12点20分

🀄️文章质量：96分

---

目录

✨️Open-WebUI介绍

优点

💥部署教程

1.打开官网地址

2.安装Docker

3.Open WebUI下载

👁️‍🗨️功能介绍

1.AI编程

2.聊天历史

3.自定义Web的界面

💯趣站💯

---

该篇接着上篇在本地部署大模型

使用 Ollama框架 下载和使用 Llama3 AI大模型的完整指南

http://t.csdnimg.cn/DKfjLhttp://t.csdnimg.cn/DKfjL

✨️Open-WebUI介绍

Open WebUI 是一种基于 Web 的用户界面，用于管理和操作各种本地和云端的人工智能模型。它提供了一个直观的图形化界面，使用户可以方便地加载、配置、运行和监控各种 AI 模型，而无需编写代码或使用命令行界面。

优点

Open-WebUI 是一款功能强大且易于使用的 Web 界面，可让您轻松与大型语言模型 (LLM) 进行交互。它具有以下优点：

用户界面

直观且响应式，可在任何设备上提供卓越的体验。

支持多种主题和自定义选项，以满足您的个人喜好。

性能

快速响应和流畅的性能，即使在处理复杂任务时也是如此。

支持多模型和多模态交互，可实现更强大的功能。

功能

• 全面的 Markdown 和 LaTeX 支持，可轻松格式化和共享文本。
• 本地 RAG 集成，可通过文档检索增强 LLM 功能。
• Web 浏览功能，可直接从聊天中访问和交互网站。
• 提示预设，可快速启动常见对话。
• RLHF 注释，可通过提供反馈来帮助改进 LLM。
• 对话标记，可轻松组织和查找对话。
• 模型管理功能，可轻松添加、删除和更新模型。
• 语音输入和文本转语音，可实现自然语言交互。
• 高级参数微调，可根据您的需要定制 LLM 行为。
• 图像生成集成，可创建令人惊叹的视觉内容。

API

支持 OpenAI API 和其他兼容 API，可扩展 LLM 功能。

提供 API 密钥生成和外部 Ollama 服务器连接等高级功能。

安全性

基于角色的访问控制 (RBAC)，可确保仅授权用户才能访问敏感信息。

模型白名单和受信任的电子邮件身份验证可增强安全性。

后端反向代理支持可保护您的 Ollama 实例。

其他

支持多种语言，可满足全球用户的需求。

定期更新和新功能，确保您始终拥有最佳体验。

官网有更详细的介绍，如想了解去官网查询！

 💯趣站💯

​

前些天发现了一个巨牛的🤖人工智能学习网站，通俗易懂，风趣幽默，忍不住粉香一下给大家,人工智能, 机器算法等......  

点击跳转网站https://www.captainbed.cn/sis/

💥部署教程

1.打开官网地址

打开，开源项目Open-WebUI地址放在下方

点击！https://github.com/open-webui/open-webui

点进去之后里边也是有相应的功能介绍，以及不同环境下的安装(具体看文档介绍)

2.安装Docker

自行去官网安装，安装教程也是十分的简单

3.Open WebUI下载

安装完成之后重启电脑，打开Docker

复制这条命令( Ollama 在您的计算机上使用以下命令)

不同的条件下，有不同的命令，详细见开源地址所述

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

参数详解

• docker run: 启动一个新的 Docker 容器。
• -d: 以守护进程模式运行容器，容器将在后台运行。
• -p 3000:8080: 将本地机器的端口 3000 映射到容器内的端口 8080。这意味着你可以通过访问 http://localhost:3000 来访问运行在容器内的服务。
• --add-host=host.docker.internal:host-gateway: 将主机名 host.docker.internal 映射到 Docker 网关。这对于在容器内访问主机服务很有用。
• -v open-webui:/app/backend/data: 将本地的 open-webui 卷映射到容器内的 /app/backend/data 目录。这用于持久化数据，确保即使容器停止或重新启动，数据也不会丢失。
• --name open-webui: 为容器指定一个名称 open-webui，以便于管理和识别。
• --restart always: 设置容器的重启策略为 always，这意味着容器如果停止（例如由于崩溃或系统重启），Docker 会自动重启它。
• ghcr.io/open-webui/open-webui:main: 使用来自 GitHub 容器注册表（GitHub Container Registry）的 open-webui 镜像，并指定使用 main 标签的版本。

复制完成之后打开我们的cmd命令行

复制copy的命令一键运行即可

等待下载完成即可

安装完成之后访问本地的3000端口

也可以点击自己的Docker，点击访问即可

首次登录需要创建用户

注册一个用户

成功的登录到UI界面

成功的进入之后，我们选择相应的模型，因为我本地下载过8B的模型，所以它自动会识别的。

选择好模型之后，我们来对他进行提问

可以看出类似于ChatGPT的聊天框十分的便捷

但是在访问的时候占用的是本地的内存和CPU，大家可以明显的看出 CPU飙升(我个人的笔记本性能没有那么好，并且是集成显卡)。

回答的速度是根据自己电脑的性能挂钩，并且选择的模型，也可以选择自己适合的模型

可以看出回答的也是十分的详细

👁️‍🗨️功能介绍

1.AI编程

测试以下编程能力

问题：

用shell脚本编写一个ping通网段所有主机 要求如果可以访问返回YES，否则就NO

它的回答：

下面是一个 shell 脚本，用于检查指定网络范围内的所有主机是否可访问，并相应地返回“YES”或“NO”：ping

#!/bin/bash# Set the network range (e.g. 192.168.1.0/24)
NETWORK_RANGE="192.168.1.0/24"# Set the number of hosts to ping (e.g. 254 for a /24 subnet)
NUM_HOSTS=$(ipcalc -n $NETWORK_RANGE | awk '{print $2}' | grep -oE '[0-9]+$')# Initialize the result
RESULT="NO"# Ping each host in the network range
for i in $(seq 1 $NUM_HOSTS); doHOST=$NETWORK_RANGE".$iif ping -c 1 -W 1 $HOST &> /dev/null; thenRESULT="YES"breakfi
doneecho "$RESULT"

让我解释一下脚本的工作原理：

1. 我们使用（一种计算 IP 地址范围的工具）设置要 ping 的网络范围和主机数量。例如，如果我们要检查子网中的所有主机，我们将设置 和 。ipcalc``192.168.1.0/24``NETWORK_RANGE="192.168.1.0/24"``NUM_HOSTS=$(ipcalc -n $NETWORK_RANGE | awk '{print $2}' | grep -oE '[0-9]+$')

2. 我们将结果初始化为“NO”（假设并非所有主机都可以访问）。

3. 我们使用循环和命令遍历网络范围内的每个主机，该命令生成从 1 到 的数字序列。对于每个主机，我们通过将网络范围与主机编号（例如，等）连接起来构建完整的IP地址。for``seq``$NUM_HOSTS``192.168.1.1``192.168.1.2

4. 我们用来检查主机是否可访问。如果是，我们将结果更新为“YES”并打破循环。ping

5. 最后，我们打印结果。

您可以将此脚本保存到文件（例如 ）中，并使用 .然后，您可以通过在终端中执行来运行它。ping_network.sh``chmod +x ping_network.sh``./ping_network.sh

注意：此脚本假定您已安装在系统上。如果没有，您可以使用包管理器安装它（例如，在基于 Ubuntu 的系统上）。此外，如果网络范围较大或主机响应缓慢，则此脚本可能需要一段时间才能运行。您可以修改脚本以使用，或者如果需要加快该过程。ipcalc``apt-get install ipcalc``parallel processing``concurrent ping

可以看的出来回答的也是十分的详细

可以看出回答的十分的仔细，不仅写出了脚本，而且还对于代码进行解释，我仅仅采用的是8B的模型，还有更高的模型。

2.聊天历史

当我们退出网页之后，重新登录，发现聊天记录仍然是在的，十分的便捷

就像官网所说的那样

• 🔄 再生历史访问：轻松重温和探索您的整个再生历史。

• 📜 聊天记录：轻松访问和管理您的对话记录。

• 📬 存档聊天：毫不费力地存储与 LLM 的完整对话以供将来参考，保持整洁整洁的聊天界面，同时允许轻松检索和参考。

3.自定义Web的界面

管理链接更新模型

多的就不在介绍，大家部署完成之后自行实践，设置的项十分的重要。

同时还支持很多功能，自定义模型

上传下载好的模型文件

GGUF 文件模型创建：通过直接从 Web UI 上传 GGUF 文件，轻松创建 Ollama 模型。简化流程，提供从机器上传或从 Hugging Face 下载 GGUF 文件的选项。

同时还支持图像生成集成，OpenAI API集成，外部Ollama服务器链接，多用户管理，等等... 感兴趣的话可以去开源项目的文档去详细的了解，对你十分的有帮助

这篇关于使用Ollama和Open WebUI管理本地开源大模型的完整指南的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---