感谢您点开这篇文章:D，鼠鼠我是一个代码小白，下文是学习开源项目Open WebUI过程中的一点笔记记录，希望能帮助到你～
本人菜鸟，持续成长，能力不足有疏漏的地方欢迎一起探讨指正，比心心～
通过本文，您可以了解：
Open WebUI项目的基本信息和架构
通过ollama部署大模型、通过docker镜像和源码运行Open WebUI项目的方法
项目后端代码在多情景（普通提问、联网搜索提问、上传PDF文件且联网提问、上传PDF文件非联网提问）下的相关代码实现逻辑
RAG模块实现逻辑流程
目录
一、项目基本信息
二、运行项目源码
1、通过ollama部署大模型
1.1、安装ollma
1.2、配置ollama
1.3、下载模型
1.4、运行服务
命令行直接对话
REST API
2、搭建Open WebUI
2.1、通过docker部署
2.2、通过源码构建
编辑
三、项目结构
1、backend目录（后端代码）
1.1、start.sh
1.2、data目录
1.3、open_webui目录
1.3.1、main.py
中间件（应用于FastAPI应用中）
Task Endpoints
Pipelines Endpoints
Config Endpoints
OAuth Login & Callback
1.3.2、apps目录
1.3.2.1、webui/main.py
1.3.2.2、webui/models（重点，数据库实体）
1.3.2.3、openai/main.py
1.3.2.4、openai/chat_interceptor
1.3.3、retrieval目录
main.py
utils.py
2、src目录（前端代码）
四、特定情景下代码链路逻辑
情景1：用户在界面发送消息时，代码调用逻辑：
情景2：用户进行联网搜索提问“武汉今天天气如何”时，代码调用逻辑：
情景3.1：用户上传PDF文件，让其帮忙总结（联网搜索功能关闭），代码逻辑：
情景3.2：用户上传PDF文件，让其帮忙总结，（联网搜索功能开启），代码逻辑：
五、总结
Github：https://github.com/open-webui/open-webui
官方文档：https://docs.openwebui.com/getting-started/
代码版本：v0.3.32（2024.10.6）——本文学习版本，目前最新版本已更新至v0.3.35（截至2024.10.28）
作者本地环境：Ubuntu24.04，纯CPU
通过ollama部署大模型qwen2:7b作为模型端，通过Open WebUI提供用户chat服务。
ollama是大模型部署方案，对应docker，本质也是基于docker的容器化技术
官方地址：https://ollama.com/
开源地址：https://github.com/ollama/ollama
打开官网，点击Downloard，根据操作系统选择对应下载方式。
以Ubuntu24.04为例，通过下述命令下载：
curl -fsSL https://ollama.com/install.sh | sh
#下载完成后查询版本信息
ollama -v
#查看状态
如上，ollama已经成功安装。
通过编辑ollama.service进行配置：
sudo vim /etc/systemd/system/ollama.service
更改HOST
由于Ollama的默认参数配置，启动时设置了仅本地访问，因此需要对HOST进行配置，开启监听任何来源IP。
[Service]
# 配置远程访问
Environment="OLLAMA_HOST=0.0.0.0"
更改模型存储路径
默认情况下，不同操作系统大模型存储的路径如下：
macOS: ~/.ollama/models
Linux: /usr/share/ollama/.ollama/models
Windows: C:\Users.ollama\models
如果要修改模型文件的存储路径，设置如下：
[Service]
# 配置OLLAMA的模型存放路径
Environment="OLLAMA_MODELS=/data/ollama/models"
如果因为指定的目录ollama用户及用户组没有相应权限，导致服务不能启动。可以通过授权给相应的目录权限解决问题：
chown ollama:ollama ollama/models
应用配置
重载systemd并重启Ollama
systemctl daemon-reload
systemctl restart ollama
配置完成后，访问测试。浏览器访问http://IP:11434/，出现Ollama is running代表成功。
ollama的命令和docker操作命令非常相似。可通过shell窗口输入ollama查看相关命令：
******:~/work# ollama
Usage:
ollama [flags]
ollama [command]
Available Commands:
serve Start ollama
create Create a model from a Modelfile
show Show information for a model
run Run a model
pull Pull a model from a registry
push Push a model to a registry
list List models
ps List running models
cp Copy a model
rm Remove a model
help Help about any command
Flags:
-h, --help help for ollama
-v, --version Show version information
Use "ollama [command] --help" for more information about a command.
由上可知ollama相关命令：
ollama serve # 启动ollama
ollama create # 从模型文件创建模型
ollama show # 显示模型信息
ollama run # 运行模型
ollama pull # 从注册仓库中拉取模型
ollama push # 将模型推送到注册仓库
ollama list # 列出已下载模型
ollama cp # 复制模型
ollama rm # 删除模型
ollama help # 获取有关任何命令的帮助信息
拉取qwen2-7b模型
ollama pull qwen2:7b
#下载成功查看模型
ollama list
可见，已成功拉取：
也可以自定义模型，所谓自定义模型就是不适用Ollama官方模型库中的模型，理论可以使用其他各类经过转换处理的模型，有从GGUF导入和从PyTorch或Safetensors导入两种方式。
所谓从从PyTorch或Safetensors导入Ollama，其实就是使用llama.cpp项目，对PyTorch或Safetensors类型的模型进行转换、量化处理成GGUF格式的模型，然后再用Ollama加载使用 。
参考：Ollama：一个在本地部署、运行大型语言模型的工具-CSDN博客
运行模型
运行模型并进行对话：
ollama run qwen2:7b
如上，运行模型可以直接与模型进行对话。
运行模型后，执行ollama serve命令启动Ollama服务，然后就可以通过API形式进行模型调用。ollama serve会自动启动一个http服务，可以通过http请求模型服务。
参考官方API文档：https://github.com/ollama/ollama/blob/main/docs/api.md
生成回复
curl http://localhost:11434/api/generate -d '{
"model": "qwen2:7b",
"prompt":"你是谁？为什么天空是蓝色的?"
}'
上述localhost也可以换成ip。
若要禁用流式，如下操作：
curl http://ip:11434/api/generate -d '{
"model": "qwen2:7b",
"prompt":"你是谁？为什么天空是蓝色的?",
"stream":false
}'
与模型聊天
curl http://localhost:11434/api/chat -d '{
"model": "qwen2:7b",
"messages": [
{ "role": "user", "content": "天空为什么是蓝色的?" }
]
}'
也可以带历史记录
curl http://localhost:11434/api/chat -d '{
"model": "qwen2:7b",
"messages": [
{
"role": "user",
"content": "why is the sky blue?"
},
{
"role": "assistant",
"content": "due to rayleigh scattering."
},
{
"role": "user",
"content": "how is that different than mie scattering?"
}
]
}'
Open WebUI 是一个可扩展、功能丰富且用户友好的自托管 WebUI，旨在完全离线操作。它支持各种 LLM 运行程序，包括 Ollama 和 OpenAI 兼容的 API。
Github：https://github.com/open-webui/open-webui
Open WebUI：https://docs.openwebui.com/
社区：https://openwebui.com/
使用Docker部署安装Open WebUI。计算机已有ollama，使用以下命令：
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
访问http://IP:3000，创建一个账号(管理员)
登陆账号：
进入Open WebUI后，界面如下。在Settings中进行相关设置
管理员设置，设置外部连接：
设置连接后，在选择模型部分可见上面下载下来的千问模型：
选择模型即可进行对话：
也可以通过本地运行项目源码进行搭建。（以Linux为例）
# Copying required .env file
cp -RPp .env.example .env
# Building Frontend Using Node
npm install
npm run build
cd ./backend
# Optional: To install using Conda as your development environment, follow these instructions:
# Create and activate a Conda environment
conda create --name open-webui-env python=3.11
conda activate open-webui-env
# Install dependencies
pip install -r requirements.txt -U
# Start the application
bash start.sh
在鼠鼠我多次构建的过程中，有次有遇到一个错误，报错如下：
(venv) ******:~/PycharmProjects/openwebui(v0.3.32)/open-webui$ npm run build
> open-webui@0.3.32 build
> npm run pyodide:fetch && vite build
> open-webui@0.3.32 pyodide:fetch
> node scripts/prepare-pyodide.js
Setting up pyodide + micropip
Failed to load Pyodide: Error [ERR_MODULE_NOT_FOUND]: Cannot find module '/home/***/PycharmProjects/openwebuiv0.3.32/open-webui/node_modules/pyodide/pyodide.asm.js' imported from /home/***/PycharmProjects/openwebui(v0.3.32)/open-webui/node_modules/pyodide/pyodide.mjs
at new NodeError (node:internal/errors:405:5)
at finalizeResolution (node:internal/modules/esm/resolve:327:11)
at moduleResolve (node:internal/modules/esm/resolve:980:10)
at defaultResolve (node:internal/modules/esm/resolve:1193:11)
at ModuleLoader.defaultResolve (node:internal/modules/esm/loader:403:12)
at ModuleLoader.resolve (node:internal/modules/esm/loader:372:25)
at ModuleLoader.getModuleJob (node:internal/modules/esm/loader:249:38)
at ModuleLoader.import (node:internal/modules/esm/loader:335:34)
at importModuleDynamically (node:internal/modules/esm/translators:143:35)
at importModuleDynamicallyCallback (node:internal/modules/esm/utils:112:14) {
url: 'file:///home/***/PycharmProjects/openwebuiv0.3.32/open-webui/node_modules/pyodide/pyodide.asm.js',
code: 'ERR_MODULE_NOT_FOUND'
}
Copying Pyodide files into static directory
node:internal/process/promises:288
triggerUncaughtException(err, true /* fromPromise */);
^
[Error: ENOENT: no such file or directory, open '/home/***/PycharmProjects/openwebuiv0.3.32/open-webui/node_modules/pyodide/python_stdlib.zip'] {
errno: -2,
code: 'ENOENT',
syscall: 'open',
path: '/home/***/PycharmProjects/openwebuiv0.3.32/open-webui/node_modules/pyodide/python_stdlib.zip'
}
Node.js v18.19.1
原因：涉及两方面，一是node.js 版本问题，如下图（官方最新文档要求），目前版本低于要求版本。
另一个方面——文件夹命名问题。原来的项目处于的一个文件夹为“openwebui(v0.3.32)”，其中包含括号和"."，在后续代码执行中，由于路径中包含特殊字符（在这个案例中是括号 ( 和 )），导致命令解释错误或者文件系统路径解析出现问题。在文件或目录名称中使用特殊字符，如括号、星号、问号、波浪线等，经常会导致这类问题，因为这些字符在 Unix 和 Linux 命令行中可能有特殊含义。
解决方法：将项目所处的目录进行重命名为“openwebui_v0_3_32”，即可解决。
Q：点击“+”功能只有“上传文件”，没有“联网搜索”，如何解决？
A：需要管理员在面板中进行设置搜索引擎，本质上是通过api调用：
整个代码语言构成分布如下，其中，Svelte 是一种现代的前端框架，用于构建高性能的Web应用程序。
项目文件如下所示，主要分为前端、后端、测试和部署脚本：
backend目录：后端代码目录，包含API服务、数据库操作等
cypress 目录：包含Cypress测试框架的配置和测试脚本，用于端到端测试
docs目录：文档目录，包含项目说明、安全指南等。
kubernetes ： 包含Kubernetes部署配置文件。
scripts ： 包含各种脚本文件，用于自动化部署、测试或其他任务的脚本。
src ：前端代码目录，存放Svelte组件和相关资源的地方。
static ： 静态文件目录，如图片、CSS、客户端JavaScript等。
test/test_files/image_gen ： 测试目录下的子目录，包含用于测试的图像生成器。
data文件夹：用于存储后端服务需要的数据文件，如数据库、文档等
open-webui文件夹：包含后端服务的主要代码和配置文件
dev.sh：用于本地开发环境的启动脚本
start.sh和 start_windows.bat - 用于启动后端服务的脚本，分别适用于类Unix系统和Windows系统。
启动脚本，最后会启动一个 Uvicorn 服务器，并通过这个命令来运行 open-webui/backend/open_webui/main.py 文件中的FastAPI的 app 应用对象，监听在指定的主机和端口上，并允许所有的转发 IP 地址。
cache - 用于存储应用程序的缓存数据。
functions - 包含一些后端服务使用的函数或脚本。
tools - 包含一些用于后端服务的工具或脚本。
uploads - 用于存储用户上传的文件。
vector_db - 用于存储向量数据库或类似的数据结构。
readme.txt - 包含文件夹的说明或使用指南。
webui.db - 后端服务使用的数据库文件。
apps - 包含后端服务的应用程序逻辑。
data - 与主data文件夹类似，用于存储后端服务需要的数据文件。
migrations - 包含数据库迁移脚本，用于数据库结构的版本控制。
static - 包含静态文件，如图片、CSS、JavaScript等。
test - 包含测试代码和测试用例。
utils - 包含一些后端服务使用的实用工具或函数。
init.py - Python模块初始化文件。
alembic.ini - Alembic数据库迁移工具的配置文件。
config.py - 后端服务的配置文件。
constants.py - 包含后端服务使用的常量。
env.py - 包含环境变量的配置。
main.py - 是后端服务的入口点或主程序。
PipelineMiddleware类：对请求进行预处理和后处理。处理管道中的过滤器调用。
也添加中间件CORSMiddleware、SecurityHeadersMiddleware 以及 PipelineMiddleware 本身，分别负责处理跨域资源共享（CORS）、安全头部设置以及自定义的业务逻辑处理。
设置相关路由
@app.get("/api/models") ： 用于获取模型的列表
@app.post("/api/chat/completed")：完整的聊天补全请求处理流程，包括模型验证、外部API调用、事件处理、全局和本地过滤器调用。
@app.post("/api/chat/actions/{action_id}")：用于处理特定动作的请求。它通过执行与动作ID关联的功能来响应聊天中的动作请求
路由 | 作用 |
|---|---|
GET请求端点/api/task/config | 它返回当前应用的状态配置信息 |
POST请求端点/api/task/config/update | 用于更新任务配置。只有管理员用户可以访问此端点，并且需要提供一个符合TaskConfigForm模型的JSON数据体来进行更新操作。 |
POST请求端点/api/task/title/completions | 用于根据给定的提示生成标题 |
POST请求端点/api/task/query/completions | 用于根据用户的对话历史生成搜索查询 |
POST请求端点/api/task/emoji/completions | 用于根据文本内容生成相应的表情符号 |
POST请求端点/api/task/moa/completions | 用于综合多个模型的响应生成最终答案 |
@app.get("/api/pipelines/list")：通过调用get_openai_models函数获取模型列表，然后筛选出包含“pipelines”字段的响应，并返回相应的API URL和索引
@app.post("/api/pipelines/upload")：允许用户上传Python脚本文件作为管道。
接下来的几个段落分别定义了添加、删除管道以及获取管道详情等的端点；
并且定义了一系列API端点，用于管理和获取应用程序的配置信息。
实现完整的OAuth登录和注册流程，包括客户端注册、会话管理、用户认证和JWT令牌生成等功能。
注册了多个路由处理器，处理不同类型api请求，如用户认证、文件上传、模型管理等。
定义相关核心函数：
get_status：根路由处理函数，返回应用的状态信息。
get_function_module：根据管道ID加载函数模块。
get_pipe_models：获取管道模型的详细信息。
execute_pipe：执行管道函数。
get_message_content：从不同的响应类型中获取消息内容。
process_line：处理聊天消息的每一行。
get_pipe_id：从表单数据中获取管道ID。
get_function_params：获取函数参数。
最后定义函数generate_function_chat_completion，实现聊天补全处理相关逻辑。
（未完待续。。。。。。待整理）
设置FastAPI应用、Middleware和依赖注入（中间件会在每次请求前执行，确保在访问模型端点之前已经加载了模型数据）。
设置api路由：
/config：提供了一个GET方法来返回当前的应用程序配置，包括是否启用OpenAI API的功能。
/config/update：接受一个POST请求，更新应用程序的配置，特别是启用或禁用OpenAI API的功能。
/urls和/keys：分别提供了GET方法来显示当前的OpenAI API URLs和Keys列表，以及POST方法来更新这些列表。
/audio/speech：这是一个音频处理的端点，接受用户的语音输入并生成对应的音频文件响应。
设置异步函数，例如fetch_url, cleanup_response, merge_models_lists, get_all_models_raw, get_all_models等。这些函数主要负责与外部API通信、处理JSON数据、合并模型列表等工作。
实现一个简单的聊天系统拦截器，可以用于检查和处理特定的情况，例如不支持的URL或过长的上下文文本。
模块 | 实现 |
解析用户输入 | get_message_text函数：从用户输入中提取文本内容 |
生成聊天响应 | generate_chat_response函数：生成聊天响应，包括生成一个唯一的ID、创建时间、模型名称、选择内容和使用情况 |
拦截器列表 | 包含了一系列的拦截器实例 chat_interceptor_before_lark_doc_content和 chat_interceptor_after_lark_doc_content： 分别在处理飞书文档内容之前和之后使用的拦截器列表。 |
拦截器入口 | 遍历拦截器列表，并调用每个拦截器的 intercept_chat_completion_before_lark_doc_content和intercept_chat_completion_after_lark_doc_content： 分别是在处理飞书文档内容之前和之后调用的拦截器入口函数。 |
拦截器类型 |
检查用户输入中是否包含不支持的URL，如果是，则返回默认回答。
|
拦截器调用 | 在发送聊天请求之前或之后，调用拦截器列表中的拦截器，每个拦截器都会检查请求，并决定是否拦截请求。 |
loaders：从各种来源加载和处理文档内容，适用于需要跨多种文件格式工作的应用场景。
models：定义了用于检索任务的模型
vector：
包含与向量相关的文件，如dbs和connector.py，用于处理向量数据库的连接和交互，以及向量化文本数据以用于相似性搜索。
main.py文件可能包含与向量检索相关的主要逻辑。
web：
包含多个与Web相关的Python文件，如brave.py、duckduckgo.py等，这些文件用于实现与不同搜索引擎（如Brave Search、DuckDuckGo）的交互，以便从这些搜索引擎获取数据。
main.py和utils.py文件可能包含Web应用的主要逻辑和辅助功能。
testdata目录可能包含用于测试的示例数据。
utils.py：一个通用的工具文件，包含在整个应用中使用的辅助函数和类。
main.py：后端服务入口点，主要用于处理文档检索和向量数据库操作。
（下面的内容是旧版本v0.3.21中rag目录，即对应v0.3.32中retrieval目录，两版本肯定有差异，下面是之前学习旧版本的笔记，仅供参考）
配置和模型更新
定义 update_embedding_model 和 update_reranking_model 函数来更新嵌入和重排模型。
使用 get_embedding_function 获取嵌入函数，用于将文本转换为向量表示
API 路由和处理函数
定义了多个 API 路由和处理函数，例如：
/：根路由，返回应用状态。
/embedding：返回嵌入模型的配置。
/reranking：返回重排模型的配置。
/embedding/update 和 /reranking/update：更新嵌入和重排模型的配置。
/config：返回 RAG 应用的配置。
/config/update：更新 RAG 应用的配置。
/template 和 /query/settings：获取和更新查询模板和设置。
/query/doc 和 /query/collection：处理文档和集合的查询请求。
/youtube 和 /web：处理 YouTube 视频和网页内容的存储请求。
/web/search：处理网页搜索请求。
文档和网页处理
定义了 get_loader 函数，根据文件类型选择适当的加载器（如 TikaLoader、TextLoader 等）。
定义了 store_data_in_vector_db 和 store_text_in_vector_db 函数，用于将数据存储到向量数据库中。
错误处理：
使用 HTTPException 处理错误情况，并返回错误信息。
辅助函数：
定义 get_web_loader、validate_url、resolve_hostname 等辅助函数，用于加载和验证网页内容。
搜索功能：
定义 search_web 函数，用于通过不同的搜索引擎进行搜索。
安全加载器：
定义 SafeWebBaseLoader 类，用于增强错误处理，确保即使某些 URL 无法访问，系统仍然可以正常工作。
rag模块的作用流程：
处理检索增强生成（RAG）任务的函数，主要涉及从不同数据源中提取和查询信息
query_doc 函数：用于从一个指定的集合中查询与给定查询最相关的文档。
query_doc_with_hybrid_search 函数：扩展了基本的查询功能，引入了混合搜索的概念。它不仅使用BM25Retriever进行初步筛选，还结合了ChromaRetriever进行更精确的搜索，并通过EnsembleRetriever组合两者的结果。此外，它还包括一个重排序步骤，通过RerankCompressor对结果进行进一步优化。
merge_and_sort_query_results 函数：用于合并多个查询结果，并对它们按相关性进行排序。它会将所有结果的距离、文档和元数据合并在一起，然后根据距离进行降序或升序排列，最后只保留前K个结果。
query_collection 和 query_collection_with_hybrid_search 函数：这两个函数分别实现了基于普通搜索和混合搜索的多集合查询。它们遍历一组集合名称，对每个集合执行相应的查询操作，并将结果合并和排序后返回。
rag_template 函数：用于替换模板字符串中的占位符，以便在生成的上下文中插入具体的查询和上下文内容。
get_embedding_function 函数：根据不同的嵌入引擎和模型生成对应的嵌入函数。
get_rag_context 函数：从文件列表和消息记录中提取与当前查询最相关的上下文。
get_model_path 函数：用于确定Hugging Face模型的本地路径。
generate_openai_embeddings 和 generate_openai_batch_embeddings 函数：用于调用OpenAI API生成文本的嵌入向量。前者处理单个文本输入，后者则可以处理一批文本输入，适用于批量处理的场景。
ChromaRetriever 类和 RerankCompressor 类：分别是LangChain库中原有的Retriever和DocumentCompressor的具体实现。ChromaRetriever负责从Chroma数据库中检索文档，而RerankCompressor则在检索到的文档基础上进行进一步的重排序。
。。。。。。（未完待续，鼠鼠后面有空会继续更新的惹）
lib：包含可重用的JavaScript或Svelte组件、工具函数、实用程序等
routes:包含Svelte路由文件，用于定义应用程序的页面路由。
app.css:包含全局样式表，定义了样式重置、通用样式或主题。
app.d.ts:TypeScript的声明文件，用于为项目提供类型定义。
app.html:项目的HTML模板文件，通常是应用程序的入口点。
tailwind.css:使用Tailwind CSS时的全局样式文件。
（由于前端不是鼠鼠我学习的重点，所以没在看前端部分了）
核心部分：
1、构建prompt和调用大模型：
"""
[open_webui.apps.ollama.main]
"""
@app.post("/api/chat/{url_idx}")
async def generate_chat_completion(
form_data: GenerateChatCompletionForm,
url_idx: Optional[int] = None,
user=Depends(get_verified_user),
):
log.info(f"/api/chat或/api/chat/{url_idx}")
payload = {**form_data.model_dump(exclude_none=True)}
log.debug(f"{payload = }")
if "metadata" in payload:
del payload["metadata"]
model_id = form_data.model
if app.state.config.ENABLE_MODEL_FILTER:
if user.role == "user" and model_id not in app.state.config.MODEL_FILTER_LIST:
raise HTTPException(
status_code=403,
detail="Model not found",
)
model_info = Models.get_model_by_id(model_id)
if model_info:
if model_info.base_model_id:
payload["model"] = model_info.base_model_id
params = model_info.params.model_dump()
if params:
if payload.get("options") is None:
payload["options"] = {}
payload["options"] = apply_model_params_to_body_ollama(
params, payload["options"]
)
#构建prompt
payload = apply_model_system_prompt_to_body(params, payload, user)
if ":" not in payload["model"]:
payload["model"] = f"{payload['model']}:latest"
url = get_ollama_url(url_idx, payload["model"])
log.info(f"url: {url}")
log.debug(payload)
#调用大模型
return await post_streaming_url(
f"{url}/api/chat",
json.dumps(payload),
stream=form_data.stream,
content_type="application/x-ndjson",
)
构建prompt的apply_model_system_prompt_to_body函数细节：
"""
backend/open_webui/utils/payload.py
"""
# inplace function: form_data is modified
def apply_model_system_prompt_to_body(params: dict, form_data: dict, user) -> dict:
system = params.get("system", None)
if not system:
return form_data
if user:
template_params = {
"user_name": user.name,
"user_location": user.info.get("location") if user.info else None,
}
else:
template_params = {}
system = prompt_template(system, **template_params)
form_data["messages"] = add_or_update_system_message(
system, form_data.get("messages", [])
)
return form_data
调用大模型的post_streaming_url函数细节：
"""
backend/open_webui/apps/ollama/main.py
"""
async def post_streaming_url(
url: str, payload: Union[str, bytes], stream: bool = True, content_type=None
):
log.info("post_streaming_url")
r = None
try:
session = aiohttp.ClientSession(
trust_env=True, timeout=aiohttp.ClientTimeout(total=AIOHTTP_CLIENT_TIMEOUT)
)
r = await session.post(
url,
data=payload,
headers={"Content-Type": "application/json"},
)
r.raise_for_status()
if stream:
headers = dict(r.headers)
if content_type:
headers["Content-Type"] = content_type
return StreamingResponse(
r.content,
status_code=r.status,
headers=headers,
background=BackgroundTask(
cleanup_response, response=r, session=session
),
)
else:
res = await r.json()
await cleanup_response(r, session)
return res
except Exception as e:
error_detail = "Open WebUI: Server Connection Error"
if r is not None:
try:
res = await r.json()
if "error" in res:
error_detail = f"Ollama: {res['error']}"
except Exception:
error_detail = f"Ollama: {e}"
raise HTTPException(
status_code=r.status if r else 500,
detail=error_detail,
)
核心代码：
1、生成搜索查询：
"""
backend/open_webui/main.py
"""
@app.post("/api/task/query/completions")
async def generate_search_query(form_data: dict, user=Depends(get_verified_user)):
log.info("/api/task/query/completions")
print("generate_search_query")
if not app.state.config.ENABLE_SEARCH_QUERY:
raise HTTPException(
status_code=status.HTTP_400_BAD_REQUEST,
detail=f"Search query generation is disabled",
)
model_id = form_data["model"]
if model_id not in app.state.MODELS:
raise HTTPException(
status_code=status.HTTP_404_NOT_FOUND,
detail="Model not found",
)
# Check if the user has a custom task model
# If the user has a custom task model, use that model
task_model_id = get_task_model_id(model_id)
print(task_model_id)
model = app.state.MODELS[task_model_id]
if app.state.config.SEARCH_QUERY_GENERATION_PROMPT_TEMPLATE != "":
template = app.state.config.SEARCH_QUERY_GENERATION_PROMPT_TEMPLATE
else:
template = """Given the user's message and interaction history, decide if a web search is necessary. You must be concise and exclusively provide a search query if one is necessary. Refrain from verbose responses or any additional commentary. Prefer suggesting a search if uncertain to provide comprehensive or updated information. If a search isn't needed at all, respond with an empty string. Default to a search query when in doubt. Today's date is {{CURRENT_DATE}}.
User Message:
{{prompt:end:4000}}
Interaction History:
{{MESSAGES:END:6}}
Search Query:"""
content = search_query_generation_template(
template, form_data["messages"], {"name": user.name}
)
print("content", content)
payload = {
"model": task_model_id,
"messages": [{"role": "user", "content": content}],
"stream": False,
**(
{"max_tokens": 30}
if app.state.MODELS[task_model_id]["owned_by"] == "ollama"
else {
"max_completion_tokens": 30,
}
),
"metadata": {"task": str(TASKS.QUERY_GENERATION), "task_body": form_data},
}
log.debug(payload)
# Handle pipeline filters
try:
payload = filter_pipeline(payload, user)
except Exception as e:
if len(e.args) > 1:
return JSONResponse(
status_code=e.args[0],
content={"detail": e.args[1]},
)
else:
return JSONResponse(
status_code=status.HTTP_400_BAD_REQUEST,
content={"detail": str(e)},
)
if "chat_id" in payload:
del payload["chat_id"]
return await generate_chat_completions(form_data=payload, user=user)
2、执行搜索查询
"""
backend/open_webui/apps/retrieval/main.py
"""
@app.post("/process/web/search")
def process_web_search(form_data: SearchForm, user=Depends(get_verified_user)):
log.info("调用函数process_web_search")
try:
logging.info(
f"trying to web search with {app.state.config.RAG_WEB_SEARCH_ENGINE, form_data.query}"
)
web_results = search_web(
app.state.config.RAG_WEB_SEARCH_ENGINE, form_data.query
)
except Exception as e:
log.exception(e)
print(e)
raise HTTPException(
status_code=status.HTTP_400_BAD_REQUEST,
detail=ERROR_MESSAGES.WEB_SEARCH_ERROR(e),
)
try:
collection_name = form_data.collection_name
if collection_name == "":
collection_name = calculate_sha256_string(form_data.query)[:63]
urls = [result.link for result in web_results]
loader = get_web_loader(urls)
docs = loader.load()
save_docs_to_vector_db(docs, collection_name, overwrite=True)
return {
"status": True,
"collection_name": collection_name,
"filenames": urls,
}
except Exception as e:
log.exception(e)
raise HTTPException(
status_code=status.HTTP_400_BAD_REQUEST,
detail=ERROR_MESSAGES.DEFAULT(e),
)
核心代码：
1、接收处理保存用户上传的PDF文件
"""
backend/open_webui/apps/webui/routers/files.py
"""
@router.post("/")
def upload_file(file: UploadFile = File(...), user=Depends(get_verified_user)):
log.info("调用函数：upload_file")
log.info(f"file.content_type: {file.content_type}")
try:
unsanitized_filename = file.filename
filename = os.path.basename(unsanitized_filename)
# replace filename with uuid
id = str(uuid.uuid4())
name = filename
filename = f"{id}_{filename}"
file_path = f"{UPLOAD_DIR}/{filename}"
contents = file.file.read()
with open(file_path, "wb") as f:
f.write(contents)
f.close()
file = Files.insert_new_file(
user.id,
FileForm(
**{
"id": id,
"filename": filename,
"meta": {
"name": name,
"content_type": file.content_type,
"size": len(contents),
"path": file_path,
},
}
),
)
try:
process_file(ProcessFileForm(file_id=id))
file = Files.get_file_by_id(id=id)
except Exception as e:
log.exception(e)
log.error(f"Error processing file: {file.id}")
if file:
return file
else:
raise HTTPException(
status_code=status.HTTP_400_BAD_REQUEST,
detail=ERROR_MESSAGES.DEFAULT("Error uploading file"),
)
except Exception as e:
log.exception(e)
raise HTTPException(
status_code=status.HTTP_400_BAD_REQUEST,
detail=ERROR_MESSAGES.DEFAULT(e),
)
2、上述调用的处理文件的函数
"""
backend/open_webui/apps/retrieval/main.py
"""
@app.post("/process/file")
def process_file(
form_data: ProcessFileForm,
user=Depends(get_verified_user),
):
log.info("调用函数：process_file")
try:
file = Files.get_file_by_id(form_data.file_id)
collection_name = form_data.collection_name
if collection_name is None:
collection_name = f"file-{file.id}"
if form_data.content:
# Update the content in the file
# Usage: /files/{file_id}/data/content/update
VECTOR_DB_CLIENT.delete(
collection_name=f"file-{file.id}",
filter={"file_id": file.id},
)
docs = [
Document(
page_content=form_data.content,
metadata={
"name": file.meta.get("name", file.filename),
"created_by": file.user_id,
"file_id": file.id,
**file.meta,
},
)
]
text_content = form_data.content
elif form_data.collection_name:
# Check if the file has already been processed and save the content
# Usage: /knowledge/{id}/file/add, /knowledge/{id}/file/update
result = VECTOR_DB_CLIENT.query(
collection_name=f"file-{file.id}", filter={"file_id": file.id}
)
if len(result.ids[0]) > 0:
docs = [
Document(
page_content=result.documents[0][idx],
metadata=result.metadatas[0][idx],
)
for idx, id in enumerate(result.ids[0])
]
else:
docs = [
Document(
page_content=file.data.get("content", ""),
metadata={
"name": file.meta.get("name", file.filename),
"created_by": file.user_id,
"file_id": file.id,
**file.meta,
},
)
]
text_content = file.data.get("content", "")
else:
# Process the file and save the content
# Usage: /files/
file_path = file.meta.get("path", None)
if file_path:
loader = Loader(
engine=app.state.config.CONTENT_EXTRACTION_ENGINE,
TIKA_SERVER_URL=app.state.config.TIKA_SERVER_URL,
PDF_EXTRACT_IMAGES=app.state.config.PDF_EXTRACT_IMAGES,
)
docs = loader.load(
file.filename, file.meta.get("content_type"), file_path
)
else:
docs = [
Document(
page_content=file.data.get("content", ""),
metadata={
"name": file.filename,
"created_by": file.user_id,
"file_id": file.id,
**file.meta,
},
)
]
text_content = " ".join([doc.page_content for doc in docs])
log.debug(f"text_content: {text_content}")
Files.update_file_data_by_id(
file.id,
{"content": text_content},
)
hash = calculate_sha256_string(text_content)
Files.update_file_hash_by_id(file.id, hash)
try:
result = save_docs_to_vector_db(
docs=docs,
collection_name=collection_name,
metadata={
"file_id": file.id,
"name": file.meta.get("name", file.filename),
"hash": hash,
},
add=(True if form_data.collection_name else False),
)
if result:
Files.update_file_metadata_by_id(
file.id,
{
"collection_name": collection_name,
},
)
return {
"status": True,
"collection_name": collection_name,
"filename": file.meta.get("name", file.filename),
"content": text_content,
}
except Exception as e:
raise e
except Exception as e:
log.exception(e)
if "No pandoc was found" in str(e):
raise HTTPException(
status_code=status.HTTP_400_BAD_REQUEST,
detail=ERROR_MESSAGES.PANDOC_NOT_INSTALLED,
)
else:
raise HTTPException(
status_code=status.HTTP_400_BAD_REQUEST,
detail=str(e),
)
开源项目目前还在不断更新迭代，相信后面会有更好的功能体验。本人水平有限，有错轻喷谢谢～
提示：请勿发布广告垃圾评论，否则封号处理！！