コンテンツ
はじめに
Ollamaのセットアップ
Python仮想環境の構築
Open WebUIプロジェクトの作成
基本の使い方
他のプロバイダを追加する
あとがき
はじめに
公式サイト: https://openwebui.com/
Open Web UIのGitHubページ: https://github.com/open-webui/open-webui
Open WebUIとは、拡張性があり、機能が豊富で、完全にオフラインで動作するAIプラットフォームです。ローカルPC環境でLLM(大規模言語モデル)をChatGPTに似たUI画面で動かせるツールだと考えるとよいでしょう。
なぜOpen WebUIが必要なのか？
「Open WebUIのメリット」の項でいくつか触れますが、最大の長所はローカルモデルを使える点です。機密データを含む書類を読み込んで推論させる場合にもセキュリティ的に安全です。OpenAIやClaude等を筆頭にAPIはどんどん性能が良くなり機能も豊富ですが、流出してはならないデータが含まれている場合はそのままでは推論の実行が難しく、オープンソースのモデルをローカルで使用することでしか解決できない場合があります。
Open WebUIのメリット
Ollamaなどのローカルモデルの場合、プライベートな情報などもセキュリティ上の懸念なく推論を実行できる
Ollamaなどのローカルモデルの場合、APIコストを全く気にせず使用できる
直感的で使いやすいUIで、高度にカスタマイズも可能
複数のプラットフォーム(Ollama, OpenAI(ChatGPT), Claude, Gemini, Groq)からモデルを自由に選択でき、同時に複数のモデルで推論を実行できる
Open WebUIコミュニティによるツール群の開発が活発で、様々なツールを無料で使用できる。さらに自分でツールをカスタマイズすることも可能。
Open WebUIのデメリット
個人的に使っていてデメリットはあまりないと感じていますが、いくつかの注意点があります。
ツール群のインストール(とそのための知識)が必要 => ただし、これは本ガイドがあれば基本操作の範囲では問題なく解決できるはずです。
Ollamaを使う場合、PCのスペックが低いとサイズの大きいモデルの実行速度が落ちたりそもそも使用できなかったりする: これはOpen WebUI自体の問題というよりはローカルモデルを使う上での宿命です。しかし、十分なスペックのローカルPCが用意できない場合でも、必要に応じてOpenAIなどのAPIを使用することでこの欠点は十分に補うことができます。
まとめ
Open WebUIはローカルで使えるLLMのUIツールである。
Open WebUIは非常に使いやすく、高度にカスタマイズも可能である。
ローカルモデルを使用すれば、機密性の高いプライベートな情報を含めても情報流出の心配がない。
Ollamaのセットアップ
Ollamaはローカル環境でオープンソースのLLMモデルを使用するためのツールです。クロスプラトフォーム対応で非常に簡単にインストールや設定が完了することが長所です。デフォルトでOpenAI互換のAPIエンドポイントが使用でき(http://localhost:11434/v1)、アプリ内でOpenAI APIとOllamaを併用する際も非常にスムーズです。
ローカルモデルの性能は日を追うごとに著しく向上しており、2025年8月現在の最新モデルに関してはRAGやAgentといった複雑な用途にも十分耐えうるレベルに達していると言えます。
Ollamaのインストール
OllamaのGitHubページ(https://github.com/ollama/ollama?tab=readme-ov-file#ollama)から、お使いのOSに合わせてインストールを行ってください。
以下のようにollamaコマンドが動作すればインストールは完了です。
$ ollama --version
ollama version is 0.9.6
Ollamaの起動確認
$ curl "http://localhost:11434"
を実行するか、直接 http://localhost:11434 にアクセスした時に、"Ollama is running"というレスポンスが返ってくればOllamaが正常に起動しています。起動していない場合は、アプリケーションからOllamaを手動で起動してください。
モデルのインストール
$ ollama pull <モデル名:タグ名>
で指定したモデルをインストールできます。llama3.1:latestをインストールする場合、
$ ollama pull llama3.1:latest
を実行します。
インストール時の注意点
また、ollama listでインストール済のモデルを確認できます。
$ ollama list
NAME ID SIZE MODIFIED
qwen3:30b 0b28110b7a33 18 GB 3 weeks ago
qwen3:8b 500a1f067a9f 5.2 GB 3 weeks ago
devstral:24b 9bd74193e939 14 GB 3 weeks ago
gemma3n:e4b 15cb39fd9394 7.5 GB 3 weeks ago
deepseek-r1:7b 0a8c26691023 4.7 GB 2 months ago
phi4:14b ac896e5b8b34 9.1 GB 3 months ago
gemma3:12b f4031aab637d 8.1 GB 3 months ago
llama3.2:3b a80c4f17acd5 2.0 GB 10 months ago
nomic-embed-text:latest 0a109f422b47 274 MB 10 months ago
phi3.5:3.8b-mini-instruct-fp16 4611ed13d496 7.6 GB 10 months ago
llama3.1:latest 62757c860e01 4.7 GB 12 months ago
Ollamaコマンドを用いたモデル推論の実行
ollama run <モデル名:タグ名> でコマンドライン上で会話を行えます。
$ ollama run llama3.1:latest
>>> Hi
How can I assist you today?
>>>
シンプルな会話ならばollamaコマンドも使いやすいですが、モデルのパラメータをカスタマイズしたり、複数のモデルを使用したり、Webページを読み込んだりと複雑な作業を行おうと思うとコマンドラインのみでは不便です。Open WebUIはそんな場合に非常に強力なツールとなります。
Python仮想環境の構築
Pythonを触ったことのある方なら、さまざまな仮想環境の構築方法が存在することをご存じでしょう。 手順もさまざまに違う上に、導入方法とインストールするライブラリの内容によってはOSによって動作条件に違いが見られたり、ライブラリの依存関係の管理が煩雑になったりするため、特に初心者は混乱しがちです。経験豊富なエンジニアでも環境構築の方法が書かれていない、あるいは適切でないコードを目にするたびにデバッグに頭を悩ませるほどですので、確実に動作する環境を構築しましょう。
これまでPythonの仮想環境を構築したことがない、あるいは環境構築に慣れていない
確実に動作する環境を手早く作成したい
ライブラリの依存関係を確実に保存しておきたい という場合は、「UVを使って環境構築を行う」の項へと進み、記載された手順に従って環境構築を進めてください。
自分でDockerを用いてPython環境を構築できる
virtualenv, anaconda, miniconda, miniforge, pyenv, poetryなどで十分に使い慣れた環境構築方法がある
といった場合は、もちろん各自のお好きな方法で環境構築して構いません。
uvを使って環境構築を行う
本ガイドではuv(https://docs.astral.sh/uv/)というツールを使っていきます。uvはRust製のPythonパッケージ管理ツールで、高速で安定した動作に加えてパッケージの依存関係で問題が発生することが少ない点が非常に魅力的です。
uvを使うメリット
動作が非常に高速でパッケージのインストールや更新の時間を短縮できる
依存関係を自動で適切に管理してくれる
Apple SiliconのGPUサポートを含んだマルチプラットフォームへの対応ができる
シンプルなコマンドで迅速な環境構築が可能
複数のPythonバージョンをサポートしており、設定ファイルに具体的なバージョンが記載される
uvのインストール
コンテンツ
はじめに
Ollamaのセットアップ
Python仮想環境の構築
Open WebUIプロジェクトの作成
基本の使い方
他のプロバイダを追加する
あとがき
はじめに
公式サイト: https://openwebui.com/
Open Web UIのGitHubページ: https://github.com/open-webui/open-webui
Open WebUIとは、拡張性があり、機能が豊富で、完全にオフラインで動作するAIプラットフォームです。ローカルPC環境でLLM(大規模言語モデル)をChatGPTに似たUI画面で動かせるツールだと考えるとよいでしょう。
なぜOpen WebUIが必要なのか？
「Open WebUIのメリット」の項でいくつか触れますが、最大の長所はローカルモデルを使える点です。機密データを含む書類を読み込んで推論させる場合にもセキュリティ的に安全です。OpenAIやClaude等を筆頭にAPIはどんどん性能が良くなり機能も豊富ですが、流出してはならないデータが含まれている場合はそのままでは推論の実行が難しく、オープンソースのモデルをローカルで使用することでしか解決できない場合があります。
Open WebUIのメリット
Ollamaなどのローカルモデルの場合、プライベートな情報などもセキュリティ上の懸念なく推論を実行できる
Ollamaなどのローカルモデルの場合、APIコストを全く気にせず使用できる
直感的で使いやすいUIで、高度にカスタマイズも可能
複数のプラットフォーム(Ollama, OpenAI(ChatGPT), Claude, Gemini, Groq)からモデルを自由に選択でき、同時に複数のモデルで推論を実行できる
Open WebUIコミュニティによるツール群の開発が活発で、様々なツールを無料で使用できる。さらに自分でツールをカスタマイズすることも可能。
Open WebUIのデメリット
個人的に使っていてデメリットはあまりないと感じていますが、いくつかの注意点があります。
ツール群のインストール(とそのための知識)が必要 => ただし、これは本ガイドがあれば基本操作の範囲では問題なく解決できるはずです。
Ollamaを使う場合、PCのスペックが低いとサイズの大きいモデルの実行速度が落ちたりそもそも使用できなかったりする: これはOpen WebUI自体の問題というよりはローカルモデルを使う上での宿命です。しかし、十分なスペックのローカルPCが用意できない場合でも、必要に応じてOpenAIなどのAPIを使用することでこの欠点は十分に補うことができます。
まとめ
Open WebUIはローカルで使えるLLMのUIツールである。
Open WebUIは非常に使いやすく、高度にカスタマイズも可能である。
ローカルモデルを使用すれば、機密性の高いプライベートな情報を含めても情報流出の心配がない。
Ollamaのセットアップ
Ollamaはローカル環境でオープンソースのLLMモデルを使用するためのツールです。クロスプラトフォーム対応で非常に簡単にインストールや設定が完了することが長所です。デフォルトでOpenAI互換のAPIエンドポイントが使用でき(http://localhost:11434/v1)、アプリ内でOpenAI APIとOllamaを併用する際も非常にスムーズです。
ローカルモデルの性能は日を追うごとに著しく向上しており、2025年8月現在の最新モデルに関してはRAGやAgentといった複雑な用途にも十分耐えうるレベルに達していると言えます。
Ollamaのインストール
OllamaのGitHubページ(https://github.com/ollama/ollama?tab=readme-ov-file#ollama)から、お使いのOSに合わせてインストールを行ってください。
以下のようにollamaコマンドが動作すればインストールは完了です。
Ollamaの起動確認
を実行するか、直接 http://localhost:11434 にアクセスした時に、"Ollama is running"というレスポンスが返ってくればOllamaが正常に起動しています。起動していない場合は、アプリケーションからOllamaを手動で起動してください。
モデルのインストール
で指定したモデルをインストールできます。llama3.1:latestをインストールする場合、
を実行します。
インストール時の注意点
サイズの大きいモデルはWifi環境で十分なストレージとダウンロード時間を確保して行なってください。
お使いのPCのCPUスペックに注意してください。例えばメモリが32GBの場合、qwen3:30bはモデルサイズが18GBのため動作しますが、llama3.3:70bはモデルサイズが43GBのため動作しません。
また、ollama listでインストール済のモデルを確認できます。
Ollamaコマンドを用いたモデル推論の実行
ollama run <モデル名:タグ名>でコマンドライン上で会話を行えます。シンプルな会話ならばollamaコマンドも使いやすいですが、モデルのパラメータをカスタマイズしたり、複数のモデルを使用したり、Webページを読み込んだりと複雑な作業を行おうと思うとコマンドラインのみでは不便です。Open WebUIはそんな場合に非常に強力なツールとなります。
Python仮想環境の構築
Pythonを触ったことのある方なら、さまざまな仮想環境の構築方法が存在することをご存じでしょう。 手順もさまざまに違う上に、導入方法とインストールするライブラリの内容によってはOSによって動作条件に違いが見られたり、ライブラリの依存関係の管理が煩雑になったりするため、特に初心者は混乱しがちです。経験豊富なエンジニアでも環境構築の方法が書かれていない、あるいは適切でないコードを目にするたびにデバッグに頭を悩ませるほどですので、確実に動作する環境を構築しましょう。
これまでPythonの仮想環境を構築したことがない、あるいは環境構築に慣れていない
確実に動作する環境を手早く作成したい
ライブラリの依存関係を確実に保存しておきたい という場合は、「UVを使って環境構築を行う」の項へと進み、記載された手順に従って環境構築を進めてください。
自分でDockerを用いてPython環境を構築できる
virtualenv, anaconda, miniconda, miniforge, pyenv, poetryなどで十分に使い慣れた環境構築方法がある
といった場合は、もちろん各自のお好きな方法で環境構築して構いません。
uvを使って環境構築を行う
本ガイドではuv(https://docs.astral.sh/uv/)というツールを使っていきます。uvはRust製のPythonパッケージ管理ツールで、高速で安定した動作に加えてパッケージの依存関係で問題が発生することが少ない点が非常に魅力的です。
uvを使うメリット
動作が非常に高速でパッケージのインストールや更新の時間を短縮できる
依存関係を自動で適切に管理してくれる
Apple SiliconのGPUサポートを含んだマルチプラットフォームへの対応ができる
シンプルなコマンドで迅速な環境構築が可能
複数のPythonバージョンをサポートしており、設定ファイルに具体的なバージョンが記載される
uvのインストール