Свой приватный ChatGPT за 5 минут: Open WebUI и пул нейросетей с оплатой в рублях

Подписка на ChatGPT Plus за $20 в месяц долгое время была одним из популярных способов подключения своего проекта к LLM для разработчиков, аналитиков и команд, которые всерьез интегрировали нейросети в повседневную работу. Но чем глубже эта интеграция, тем заметнее становятся системные неудобства.

Во-первых, вы оказываетесь заперты в одной экосистеме. Для рефакторинга кода удобнее Qwen, для текстов — GPT, для сложных логических цепочек — другие модели. Держать и оплачивать несколько подписок одновременно — это и дорого, и утомительно.

Во-вторых, доступ к зарубежным сервисам из России превратился в отдельную задачу: постоянный VPN, который регулярно отваливается, риск блокировки аккаунта, сложности с продлением подписки через зарубежные карты.

В-третьих, экономика для команд просто не складывается. Пять сотрудников по $20 в месяц — это $100, и при этом часть команды использует нейросеть от случая к случаю, а платить приходится за полную лицензию каждому.

Решение описанных проблем на первый взгляд очевидно — развернуть собственный независимый веб-интерфейс, один раз подключить к нему API с доступом к пулу моделей и пользоваться с любых устройств без VPN. Но как это реализовать на практике? И здесь я рекомендую обратить внимание на Open WebUI.

Open WebUI — это open-source веб-интерфейс для работы с большими языковыми моделями, который по дизайну и удобству повторяет привычный ChatGPT, но под капотом даёт гораздо больше свободы. Проект активно развивается, имеет огромное сообщество и стал де-факто стандартом для тех, кто хочет работать с LLM без привязки к конкретному провайдеру.

Главная идея проста: вы разворачиваете интерфейс один раз, подключаете к нему API-ключ — и получаете единое рабочее пространство, в котором доступны сразу десятки моделей. Переключаться между ними можно прямо в процессе диалога, не меняя вкладки и не перелогиниваясь.

Открыв Open WebUI, вы сразу попадаете в знакомую среду: слева — список чатов, по центру — поле ввода, сверху — выбор модели. Но дальше начинаются возможности, которых нет в обычном ChatGPT.

Мультимодельный чат. В выпадающем меню сверху перечислены все модели, к которым у вас есть доступ через подключенный API. Начать диалог можно на быстрой и дешёвой модели, а уточняющий сложный вопрос задать более мощной — всё в рамках одной беседы.

Сравнение ответов. Open WebUI позволяет выбрать две модели одновременно и отправить им один промпт. Интерфейс разделится на две колонки, и вы сможете параллельно оценить, какая модель лучше справилась с конкретной задачей — написанием кода, переводом или анализом текста.

Шаблоны промптов. Часто используемые системные инструкции сохраняются в библиотеке и вызываются символом / прямо в поле ввода. Например, роль «Senior Python Code Reviewer» или «Маркетолог, пишущий посты для Telegram» — один раз настроили, потом используете в любом чате.

Роли и командный доступ. Администратор настраивает подключение к API один раз, а обычные пользователи заходят под своими учётными записями. Они работают с нейросетями, но не видят ключей и настроек биллинга.

История и приватность. Все диалоги, теги, загруженные файлы и шаблоны хранятся на сервере, где развёрнут Open WebUI.

Одна из самых мощных возможностей Open WebUI — это поддержка RAG (Retrieval-Augmented Generation). Этот механизм позволяет нейросети отвечать на вопросы не только на основе своих обучающих данных, но и с опорой на ваши собственные файлы. Для бизнеса это значит, что можно «прикрутить» нейросеть к внутренней документации, регламентам или техническим заданиям, не отправляя эти данные в публичные чаты.

Тут важно понимать разницу между двумя способами работы с файлами в интерфейсе.

Если вы просто перетаскиваете PDF или скриншот прямо в окно чата и отправляете сообщение, Open WebUI не отрабатывает по схеме RAG. Он прикрепляет файл к вашему запросу и отправляет его нейросети (если модель поддерживает анализ изображений и документов, например, GPT-4o или Claude). Модель «читает» файл и отвечает на его основе. Это удобно для разовых задач, но файл не сохраняется в базе знаний, нет поиска по релевантности и не появляются источники.

Настоящий RAG работает через Knowledge Base (Базу знаний). В этом случае документ не просто отправляется модели, а разбивается на фрагменты (чанки), для каждого генерируется векторное представление, и всё это сохраняется в локальной векторной базе данных (обычно ChromaDB) на вашем сервере. Когда вы задаете вопрос, система ищет в файлах наиболее релевантные куски текста и передает их модели как контекст.

Чтобы использовать полноценную базу знаний, нужно выполнить несколько шагов:

Шаг 1. Загрузка документов в Knowledge Base

В левом меню Open WebUI (или в разделе Attachments / Documents) вы загружаете нужные файлы: PDF, DOCX, TXT, Markdown, CSV. Open WebUI локально разбивает каждый документ на фрагменты, генерирует эмбеддинги и индексирует их в векторной базе. Вся эта база хранится локально на вашем сервере. Например, если вы развернули OpenWebUI на Dockhost, данные физически находятся в России и не покидают ее пределы.

Шаг 2. Включение RAG в чате

Открываете новый или существующий чат. В настройках чата (обычно это иконка скрепки или документа рядом с полем ввода, либо переключатель в верхней панели) включаете опцию «Attachments» / «RAG» / «Search». Теперь чат будет искать информацию в загруженных документах.

Шаг 3. Формулировка запроса

Пишете вопрос в поле ввода. Вы можете использовать символ #, чтобы явно выбрать конкретную базу знаний из списка (например, #Документация_проектаX — какие требования к БД?), или оставить все подключенные базы активными. Open WebUI находит в векторной базе 3-5 наиболее релевантных фрагментов и подмешивает их в промпт перед отправкой в LLM.

Шаг 4. Проверка источников (Citations)

Под ответом модели появляется кнопка «Citations» (Источники). Нажав на нее, вы увидите, из каких именно абзацев или страниц загруженных документов нейросеть взяла информацию. Это позволяет мгновенно проверить точность ответа и не допустить «галлюцинаций».

Представьте, что в вашей команде есть объемное техническое задание (ТЗ) на разработку приложения, которое хранится в PDF.

Вместо того чтобы каждый раз загружать этот файл в чат и просить модель проанализировать его заново (что стоит дорого и занимает время), администратор загружает PDF в Knowledge Base.

Теперь любой сотрудник команды может открыть чат, включить RAG, ввести #ТЗ_проекта и задать вопрос: «Какие требования к хранению данных указаны в разделе 4?». Нейросеть мгновенно найдет нужные фрагменты в документе, ответит на них, опираясь только на исходный текст, и покажет ссылки на страницы-источники.

Таким образом, вы получаете полностью приватную корпоративную базу знаний, работающую на вашем сервере в РФ, с доступом для всей команды.

Сама по себе установка Open WebUI — это лишь половина решения. Вторая половина — это то, к какому API вы его подключаете. И здесь запуск на платформе, которая также является ИИ агрегатором, дает заметное преимущество. Рассмотрим запуск приложения в связке с LLM инференсом на примере платформы Dockhost.

Dockhost предоставляет единый OpenAI-совместимый эндпоинт и один API-ключ, к которому подключается сразу весь пул доступных моделей: семейство OpenAI (GPT-5, GPT-5.4-mini), Qwen (3.5, 3.7), Grok, Xiaomi MIMO, DeepSeek и другие. В интерфейсе Open WebUI все они появляются в одном выпадающем списке — без необходимости регистрироваться у каждого провайдера отдельно, получать разные ключи и хранить их в разных местах.

Сценарий использования получается очень естественным. Вы открываете чат, выбираете, например, qwen3.5-35b для генерации первичных идей. В том же диалоге переключаетесь на gpt-5.4-mini, чтобы проверить сложные расчёты. Всё списывается с единого баланса в рублях, без VPN, без зарубежных карт, без переключения между сервисами.

Процесс запуска занимает буквально несколько минут и не требует дополнительных настроек сервера.

Запуск приложения. В панели Dockhost переходите в раздел «Приложения», в категории AI выбираете Open WebUI и подбираете конфигурацию. Для комфортной работы 1–3 пользователей хватает базового пресета — 1 CPU, 2 GiB RAM, около 820 ₽ в месяц. Нажимаете «Установить», и платформа сама собирает контейнер, выделяет домен, подключает сетевой диск и выпускает SSL-сертификат.

Получение API-ключа. В левом меню переходите в «AI-Платформа → LLM инференс» и создаёте новый ключ. Он выглядит как dh-v1-... — его и адрес эндпоинта нужно будет скопировать (адрес эндпоинта можно взять в документации https://docs.dockhost.ru/manual/ai/inference)

Подключение к Open WebUI. Открываете сгенерированный URL вашего приложения, при первом входе регистрируете аккаунт администратора. В Admin Settings → Connections → OpenAI API вставляете эндпоинт Dockhost и ключ. Сохраняете — и в выпадающем списке моделей сразу появляется весь доступный пул.

Доступ для команды. В Admin Settings → Users создаёте учётные записи для коллег. Они заходят по своим логинам, работают с нейросетями, но не видят настроек подключения и биллинга.

Open WebUI - отличный многофункциональный инструмент для командной работы с LLM. Закрывает большинство потребностей пользователей. А в связке с LLM инференсом от РФ агрегатора дает дополнительные преимущества в виде доступа к пулу моделей в едином контуре и с оплатой всего сервиса в одном аккаунте в РФ. Если вам и вашей команде важна возможность работать с пулом LLM в едином рабочем пространстве, без рисков блокировок и прозрачной оплатой, без подключения множества отдельных сервисов, рекомендуем обратить внимание на платформу Dockhost.