Open WebUI auto-hébergé, c’est l’interface de chat la plus répandue pour offrir à une équipe une expérience proche de ChatGPT, tout en gardant les données chez soi. Elle se branche devant Ollama ou devant n’importe quelle API compatible OpenAI, comme un serveur vLLM ou llama.cpp, et ajoute ce qui manque à un simple moteur d’inférence : comptes utilisateurs, historique des conversations, gestion de documents et choix du modèle.
C’est l’un des projets open source les plus suivis sur GitHub dans son domaine, et il est souvent la première brique visible d’une plateforme IA interne. Cette visibilité a une conséquence directe pour les équipes d’exploitation : quand l’interface est lente, les utilisateurs ne savent pas si le problème vient du navigateur, de l’application, de la recherche dans les documents ou du modèle. Il faut pouvoir répondre vite.
Voyons ce qu’apporte Open WebUI, comment l’installer en quelques minutes avec Docker, puis comment le superviser : logs, sonde de santé, export OpenTelemetry et corrélation avec le moteur d’inférence dans un outil comme Dynatrace.
Que fait Open WebUI auto-hébergé ?
Open WebUI est une application web (backend Python, frontend Svelte) qui fournit :
- une interface de conversation multi-modèles, avec historique, dossiers et partage ;
- la gestion des utilisateurs et des rôles, avec un administrateur qui contrôle les modèles accessibles ;
- des connexions à Ollama et à des API compatibles OpenAI, configurables dans l’interface d’administration ;
- une fonction de RAG intégrée : on joint des documents ou des bases de connaissances que le modèle consulte pendant la conversation ;
- des mécanismes d’extension (outils, fonctions, pipelines) pour ajouter des comportements en Python.
Limites à garder en tête : Open WebUI n’est pas un moteur d’inférence. Ses performances dépendent du backend de modèles et, pour le RAG, du modèle d’embeddings et du stockage vectoriel. Sa licence a par ailleurs évolué au fil des versions, avec une clause sur l’image de marque : lisez-la avant un déploiement à grande échelle ou en marque blanche.
En pratique : installer Open WebUI devant Ollama
Étape 1 — Disposer d’un backend de modèles
Le cas le plus simple est un Ollama qui tourne sur l’hôte, sur le port 11434. Notre guide Ollama en local décrit son installation. Vérifiez qu’il répond :
curl -s http://localhost:11434/api/tags
Étape 2 — Lancer le conteneur
La documentation officielle propose une commande de ce type, qui publie l’interface sur le port 3000 et conserve les données dans un volume :
docker run -d --name open-webui --restart always \
-p 3000:8080 \
--add-host=host.docker.internal:host-gateway \
-e OLLAMA_BASE_URL=http://host.docker.internal:11434 \
-v open-webui:/app/backend/data \
ghcr.io/open-webui/open-webui:main
D’autres variantes d’image existent (avec Ollama intégré, avec prise en charge CUDA). Une installation par pip est aussi possible. Les étiquettes et commandes exactes sont dans la documentation d’Open WebUI.
Étape 3 — Créer le compte administrateur
Ouvrez http://localhost:3000 : le premier compte créé devient administrateur. Dans les réglages d’administration, vérifiez la connexion à Ollama, choisissez les modèles visibles et décidez si les nouvelles inscriptions sont ouvertes, en attente de validation ou fermées.
Étape 4 — Ajouter une API compatible OpenAI
Pour brancher un serveur vLLM ou llama.cpp, ajoutez une connexion OpenAI dans l’administration, ou passez l’URL et la clé au démarrage :
-e OPENAI_API_BASE_URL=http://vllm.interne:8000/v1 \
-e OPENAI_API_KEY=cle-du-serveur-vllm
Les modèles exposés par ce serveur apparaissent alors à côté de ceux d’Ollama. Voir vLLM en production pour le côté serveur.
Étape 5 — Préparer la production
Pour un usage partagé, fixez une clé secrète stable pour les sessions (variable WEBUI_SECRET_KEY), placez l’application derrière un reverse proxy TLS, branchez l’authentification d’entreprise (OIDC est pris en charge) et envisagez PostgreSQL à la place de la base SQLite par défaut. Sauvegardez le volume de données : il contient comptes, conversations et documents.
Comment superviser Open WebUI ?
Santé et disponibilité
Le backend expose un endpoint /health utilisable par une sonde Kubernetes, un healthcheck Docker ou un moniteur synthétique HTTP. Un moniteur de navigateur qui se connecte et ouvre une conversation teste en plus le parcours réel.
Logs
docker logs -f open-webui
Le niveau de détail se règle par variable d’environnement (un niveau global et des niveaux par composant). Les logs montrent les appels aux backends de modèles, les erreurs de connexion et le traitement des documents pour le RAG. Évitez le niveau de débogage en production : il peut contenir des extraits de conversations.
Traces et métriques OpenTelemetry
Les versions récentes d’Open WebUI intègrent une instrumentation OpenTelemetry, activable par variables d’environnement : une variable d’activation générale, puis une variable par signal (traces, métriques, logs, désactivés par défaut) et l’endpoint OTLP standard. Exemple indicatif, à vérifier dans la page « Observabilité » de la documentation :
-e ENABLE_OTEL=true \
-e ENABLE_OTEL_TRACES=true \
-e OTEL_EXPORTER_OTLP_ENDPOINT=http://otel-collector:4317 \
-e OTEL_SERVICE_NAME=open-webui
On obtient des spans pour les requêtes HTTP du backend et ses appels sortants (base de données, client HTTP vers les modèles). Si le moteur d’inférence émet lui aussi des traces, comme vLLM, la propagation du contexte W3C permet de suivre une question de l’interface jusqu’au GPU.
Corréler l’interface et le modèle dans Dynatrace
Le Collector OpenTelemetry reçoit les traces d’Open WebUI et les envoie à l’endpoint OTLP de Dynatrace avec un jeton d’API. En parallèle, OneAgent ou le Collector collecte les logs du conteneur et les métriques de l’hôte, et les métriques du backend de modèles arrivent par leur propre chemin. Dans les traces distribuées, on distingue alors le temps passé dans l’application, dans la recherche documentaire et dans la génération. La méthode est celle de notre article OpenTelemetry de bout en bout, appliquée à un parcours IA.
Indicateurs utiles : disponibilité de /health, latence des requêtes de chat, taux d’erreurs vers chaque backend de modèles, durée d’indexation des documents, nombre d’utilisateurs actifs.
Bonnes pratiques
- Fermez les inscriptions publiques ou imposez une validation par l’administrateur.
- Épinglez une version de l’image plutôt que
mainen production, et lisez les notes de version avant chaque mise à jour. - Définissez une politique de conservation des conversations et informez les utilisateurs.
- Activez OpenTelemetry sur l’interface et sur le moteur d’inférence pour obtenir des traces de bout en bout.
- Sauvegardez régulièrement le volume de données et la base.
Questions fréquentes
Open WebUI fonctionne-t-il sans Ollama ?
Oui. Il suffit de configurer une ou plusieurs connexions vers des API compatibles OpenAI (vLLM, llama.cpp, un service hébergé) ; Ollama est optionnel.
Peut-on brancher l’authentification d’entreprise ?
Oui, Open WebUI prend en charge OIDC et d’autres mécanismes décrits dans sa documentation, ainsi qu’une gestion des groupes et des permissions.
Open WebUI exporte-t-il des traces OpenTelemetry ?
Les versions récentes, oui, via des variables d’environnement. Vérifiez les noms exacts dans la documentation de votre version.
Conclusion
Open WebUI transforme un moteur d’inférence en service utilisable par toute une équipe. C’est aussi le premier endroit où les utilisateurs perçoivent un problème : instrumentez-le dès le départ et reliez-le au moteur de modèles pour savoir où se perd le temps. Pour assembler l’ensemble, consultez notre comparatif des stacks IA open source auto-hébergées.
span.observer est un blog indépendant de la communauté, non affilié à Dynatrace LLC ni aux projets cités. Les marques citées appartiennent à leurs propriétaires. Les outils évoluent vite : vérifiez les commandes et options dans leur documentation officielle.