Open WebUI

11 października 2026
#AI #Selfhost

TL;DR

Zrezygnowałem z subskrypcji na rzecz API – OpenRouter jako API do modeli – i postawiłem własne środowisko do promptowania: Open WebUI na LXC (Proxmox). Jedno miejsce dla wszystkich LLM i funkcje, których webowe platformy nie dają: kolejkowanie promptów, notatki, archiwum rozmów, dostęp do internetu (SearXNG + Firecrawl), RAG, sandbox terminalowy i YouTube API. Efekt: pełna kontrola, wyraźny wzrost efektywności pracy z modelami oraz obniżenie kosztów o 71%.

CEL

Wszystko kręciło się wokół subskrypcji: jeden dostawca, jeden interfejs, miesięczny cykl rozliczenia niezależny od zużycia tokenów – przy zamknięciu się na jeden model LLM, bez możliwości testowania innych, więc skakanie między platformami było czasochłonne i mało efektywne, a każdy kolejny interfejs to kolejna warstwa trudności w postaci trzymania promptów i materiałów na zewnątrz. Do tego dochodziło to, że część dostawców w ogóle nie ma własnej strony do promptowania – udostępniają tylko API – więc duża część LLM była dla mnie niedostępna.

Szukałem rozwiązania czterech problemów:

  • odejścia od subskrypcji na rzecz API,
  • obniżenia kosztów,
  • jednego miejsca do pracy z różnymi LLM,
  • wycisnięcia tyle ile się da z LLM bez ograniczeń dostarczanych interfejsów webowych.

ROZWIĄZANIE

Platforma API – OpenRouter

Pierwszy krok: jedno miejsce z dostępem do wszystkich LLM, bez przepinania kart między dostawcami. Rozwiązał to w 100% OpenRouter. Ważna funkcja: lista LLM z informacją o popularności w danym temacie – szybko oceniam, czy dany model ma sens, filtrując np. po Learn. Dzięki temu mocno zwiększyłem rotację modeli i dużo częściej korzystam z LLM.

Na dodatek śledzę wydatki i wyszukuję modele znacząco tańsze od wiodących dostawców – nie zderzam się z limitami czasowymi przy zachowaniu niskich kosztów.

Efektem ubocznym była nauka większej rozważności w wydawaniu tokenów: nauczyłem się myśleć i planować rozmowę z LLM, co w przypadku subskrypcji określam jako niemożliwe.

Dlaczego Open WebUI

Platforma OpenRouter od razu mnie nie przekonała, z jednego prostego powodu: brak sensownego GUI. Po co mam zamieniać wygodny interfejs od takiego Claude na rzecz… tego czegoś?

Ale bilans wypadł jasno: jak tylko rozwiążę problem z brakiem GUI, zyski z API przewyższają to, co daje jakakolwiek gotowa platforma.

Padło na Open WebUI. Dwa powody: self-host i bardzo dobrze rozpisany roadmap rozwoju projektu – wersja 0.7 na tyle mnie zainteresowała i przekonała, że postanowiłem zaryzykować. Jak się okazało, rozwój tej platformy jest tak potężny, że przy każdej aktualizacji pojawia się coś nowego, wartego uwagi.

Kolejkowanie promptów

Zabawne jest to, że kiedy opowiadam ludziom, pierwszą reakcją jest lekki uśmieszek w stylu „głupie głupoty". Wcale się nie dziwię, bo brzmi to absurdalnie. Jaki wyróżnik? Kiedy AI mi odpowiada, mogę w kolejce wysłać kolejne zapytanie – zostanie automatycznie i natychmiast wysłane, jak tylko skończy odpowiadać. Odświeżenie przeglądarki nic nie zmienia, nie trzymam z tyłu głowy myśli „muszę to wysłać", a gdy sygnał dźwiękowy informuje mnie o gotowej odpowiedzi, czekam na drugi, bo moje drugie pytanie już leci w kolejce.

Dla mnie to poziom wygody na tyle wysoki, że kiedy zdarza mi się odpalić Gemini, Claude czy ChatGPT w przeglądarce, jestem natychmiast poirytowany, że muszę czekać z wysłaniem promptu, który już mam gotowy.

Notatki

Drobna rzecz, która wprowadza niesamowitą wygodę. Idea banalna: miejsce, gdzie trzymam swoje notatki – tytuł i tekst. Nic więcej. Magia w dwóch rzeczach: notatkę jednym poleceniem podpinam do rozmowy (AI sobie ją przeczyta) oraz mogę powiedzieć AI, żeby zapisał coś do notatek. Niesamowicie przydatna rzecz.

Biblioteka promptów

Kolejna funkcja, która nie robi żadnej rewolucji, ale jest zrobiona tak, że po prostu dobrze działa. Ktoś tutaj naprawdę zrobił solidny research, czego potrzebują użytkownicy. Chodzi o miejsce, gdzie przygotowuję prompty i dzielę je na foldery. Nie brzmi niezwykle – takie prompty mogę trzymać w Obsidianie i kopiować. Ale właśnie w tym jest mały szczegół: na telefonie jednym poleceniem podpinam prompta. Proste i genialne.

Totalnym game changerem jest placeholder w promptcie: po wklejeniu (przypominam – jednym skrótem) od razu otwiera się okno graficzne, w którym wpisuję swoje zapytanie. Efekt: gotowy prompt wraz z moim pytaniem.

Archiwum

Bardzo niepozorna funkcja, którą doceniłem długo później i zacząłem czerpać z niej korzyści przypadkiem. Rozmów z LLM jest bardzo dużo (zwłaszcza przy API), więc naturalne usuwanie starych wątków – z niejasnego, nieprzemyślanego powodu – zamieniłem na archiwizowanie. Ku mojemu zdziwieniu: kazałem LLM poszukać informacji o RAG, o który pytałem kiedyś, on zaczął szukać w archiwum i znalazł! Nagle okazało się, że mam ogromną bazę danych, do której mogę w każdej chwili sięgnąć, a buduję ją nieświadomie – jedyny filtr: do archiwum wrzucam to, co sensowne, a nie 100 zapytań o pogodę. Nie dość, że wszystko jest u mnie lokalnie, to mogę to w każdej chwili eksportować albo poprosić AI o przeszukanie archiwum w poszukiwaniu konkretnej informacji.

Dostęp do internetu i wyszukiwarka

Kolejny kamień milowy: dowolny (tak, dowolny) LLM zyskuje wzrost inteligencji o około 260% (wiem, bo liczyłem). Konfiguracja: przeczytałem 2 strony dokumentacji i w 30 minut poskładałem całość. Podpinamy dwie rzeczy: silnik do wyszukiwania – lokalnego „google" (SearXNG) oraz silnik do scrapingu stron (Firecrawl). Efekt: LLM nie dość, że może przeszukiwać internet, to jeszcze każdą stronę może wyciągnąć od początku do końca i ją przeczytać – wrzucam linka, on go odpala, analizuje i ściąga wszelkie informacje. W 100% rozwiązuje to problem przeterminowanych informacji.

Przykład z życia: pytałem o rewizję do programu, na początku podał mi złe informacje, więc poprosiłem o weryfikację – dzięki temu ściągnął dokumentację, przeczytał ją i okazało się, że za pierwszym razem czytał ją zbyt pobieżnie. Po zapoznaniu poprawił swój błąd.

Nagle skończyły się problemy z kłótnią kto ma rację, bo AI ma dostęp do całego internetu. Poziom skoku jakości był tak duży, że przy rozmowach ze znajomymi, którzy korzystają z tych samych LLM, mamy zupełnie inne doświadczenia – u mnie nie występowały problemy z „głupim modelem".

RAG

Funkcja, z której – przyznaję – obecnie, w dobie LightRAG i agentów AI, korzystam praktycznie wcale. Mimo to o niej wspominam, bo dała mi bardzo fajny wstęp do RAG, który określam jako ważną lekcję. Krótko mówiąc: baza danych dla LLM – wrzucam swoje notatki albo dokumentację i chat ma dostęp do dodatkowej wiedzy, szybko i tanio. Ciekawostka: podawanie tekstu jest na tyle lekkie, że można skorzystać z lokalnego LLM bez karty graficznej. Czym jest RAG – odsyłam do mojego artykułu o LightRAG, gdzie omawiam wektorową podstawę działania.

Terminal, czyli jak z chatu zrobić agenta

Obecnie dla mnie coś obowiązkowego: po co LLM ma się męczyć, jak można dać mu piaskownicę do zabawy. Twórcy Open WebUI przygotowali specjalnego dockera, co podpinamy do naszego OWUI – kiedy mówię mu „wygeneruj kod", „sprawdź", „zmień" albo zwyczajnie chcę mu któryś plik wrzucić, ma swoją piaskownicę. Potrafi szybko i sensownie zaprojektować prostą stronę internetową czy podmienić pliki, bo może zainstalować dowolne narzędzie, którego potrzebuje. Nie jest to może jeszcze poziom agenta AI, ale jesteśmy na bardzo mocnym styku. Wisienka: do tego jest interfejs, więc przerzucanie plików, ściąganie czy prosta komenda w dockerze bez wychodzenia z czatu. Główny zysk: kolejne podbicie efektywności pracy z LLM.

YouTube API – miły dodatek

Nie będę się rozpisywać: po wrzuceniu linka z YouTube wbudowany silnik API wyciąga napisy i od razu podaje do LLM. Ma to swoje humory – zdarza mu się zawiesić i trwać w nieprzerwanej pętli – ale jest to dosłownie wbudowane w Open WebUI, więc jako funkcja zero-konfiguracyjna działa dobrze.

WNIOSKI

Opisałem wybrane funkcje, które zrobiły na mnie największe wrażenie. Zdaję sobie sprawę, że nie opisałem sporo innych dodatków – zapoznałem się z nimi za mało albo zrezygnowałem, bo (jeszcze) nie widziałem zastosowania. Jeżeli pojawi się coś istotnego, może powstanie vol. 2 jako duży update.

Uwagi techniczne i wnioski:

  • mam zainstalowane Open WebUI na LXC w Proxmox (brak gotowego skryptu Proxmox),
  • nie korzystałem z aplikacji na PC,
  • wszystko, co poruszyłem, łatwo znaleźć na stronie projektu – dokumentacja Open WebUI jest bardzo dobrze opisana,
  • obecnie korzystam z DeepSeek Flash & Pro v4.x oraz GLM 5.x,
  • coraz częściej korzystam z agentów AI (pi.dev), mimo to przewiduję, że z Open WebUI nie zrezygnuję nigdy.

Niewielkim nakładem sił – wystarczy umieć czytać dokumentację – mamy darmowe środowisko do promptowania z LLM na tak wysokim poziomie, że nasuwa się tylko jedna myśl: „Stop, we have many!".

Artykuł napisałem w trzecim kwartale 2026 – dane mogą (ale nie muszą) być już przeterminowane. Zdaję sobie sprawę, jak szybki jest rozwój LLM, mimo to podjąłem ryzyko i opisałem moje doświadczenia.