LibreChat：可自托管的多模型 AI 对话平台，ChatGPT 的开源平替

选型困境：多模型对话平台，到底该往哪个方向站

需求听起来很简单：给团队接一个能同时调 OpenAI、Claude、DeepSeek 和本地 Ollama 的对话前端。但真去翻 GitHub，你会发现候选列表长到离谱——Open WebUI、LobeChat、AnythingLLM、LibreChat，个个都是几万 star，个个都宣称"支持多模型、可自托管、有 RAG、有插件"。简介读起来几乎一样，真正拉开差距的是多用户治理、扩展方式和部署复杂度这三件事，而这三样恰好都不在 README 的第一屏。

这篇按"你实际会遇到什么坑"的角度，把 LibreChat 和三个最常被拿来对比的项目拆开看。

竞品全景

LibreChat：可自托管的多模型 AI 对话平台，ChatGPT 的开源平替

TypeScript 技术栈，MIT 协议，约 45k star。它把自己定位成"增强版 ChatGPT Clone"，但真正区别于同类的是企业级的多用户体系：多账号、角色权限、OIDC/LDAP/SAML 单点登录、按用户限流。同时它把 Agents、MCP、Code Interpreter、DALL·E、OpenAPI Actions 都做进了同一套 UI，模型侧覆盖 OpenAI Responses API、Anthropic、Azure、AWS Bedrock、Vertex AI、Groq、Mistral、OpenRouter、DeepSeek。核心配置走一个 librechat.yaml，改配置不动代码。

Open WebUI

Python + SvelteKit，自托管圈子里流行度最高的一个。优势是部署最轻、对 Ollama 本地模型的体验打磨得最细、内置 RAG 开箱即用。扩展靠 Python 的 Functions / Pipelines，能直接改写请求和响应链路，灵活度高但要求你会写后端代码。多用户能力存在，但整体更像"给小团队和个人的强力前端"。

LobeChat

Next.js 写的，Apache-2.0（部分能力在商业版）。它的强项是设计感和插件市场，模型服务商的接入抽象做得干净，插件生态是同类里最像样的。但客户端优先的架构让它的服务端治理能力偏弱，多用户和权限在社区版里不是重点。

AnythingLLM

MIT，Node.js。它其实不在同一个战场——核心是"把一堆文档变成可检索的知识库工作区"，对话只是出口。如果你要的是文档问答而不是通用聊天平台，它的向量库管理和嵌入模型选择比前面几个都专业。

我会从哪些维度比

光看功能清单没意义，下面五个维度决定的是你上线三个月后会不会推倒重来：部署运维成本（几个容器、要不要外部数据库）、模型接入广度、多用户与权限治理、扩展方式（配置驱动还是代码驱动）、以及 RAG 是否够用。社区活跃度我也放进表格，但它对选型的权重其实最低——这几个项目都不会突然死掉。

核心对比

关键差异一：配置驱动 vs 代码驱动

这是 LibreChat 和 Open WebUI 最本质的分野。LibreChat 加一个模型、接一个 MCP 工具，全在一个 YAML 里声明：

# librechat.yaml
version: 1.2.8
endpoints:
  custom:
    - name: "DeepSeek"
      apiKey: "${DEEPSEEK_API_KEY}"
      baseURL: "https://api.deepseek.com/v1"
      models:
        default: ["deepseek-chat", "deepseek-reasoner"]
        fetch: true

mcpServers:
  filesystem:
    command: npx
    args: ["-y", "@modelcontextprotocol/server-filesystem", "/data"]

Open WebUI 的扩展则是直接往请求链路里插 Python：

class Filter:
    def inlet(self, body: dict, __user__: dict) -> dict:
        body["messages"].insert(0, {
            "role": "system",
            "content": "只允许基于内部知识库作答。"
        })
        return body

取舍很清楚：LibreChat 让运维和产品同学也能改行为，但你要做深度的请求级改写，就得动 TS 源码；Open WebUI 反过来，能力上限更高，代价是每次升级都要担心自定义 Function 会不会挂。

关键差异二：多用户治理不是"有登录"

很多项目号称支持多用户，实际只是加了张用户表。LibreChat 真正的差异点在于它把角色权限、SSO 对接、按用户/按模型的用量与限流当成一等公民——这是"给一个 50 人团队发账号"和"自己用"之间的分水岭。Open WebUI 有用户组但治理粒度偏粗，LobeChat 社区版基本不做这件事（留给商业版），AnythingLLM 是工作区隔离而非账号治理。如果你的需求里出现"给不同部门配不同模型权限""限制每人每月 token 额度""接公司 SSO"中的任意一条，选型范围会瞬间收窄到 LibreChat 和少数几个。

按场景选型

• 团队/企业内部统一入口，要分子账号、要接 SSO、要控用量 → LibreChat。
• 个人或三五人小团队，主要在本地跑 Ollama，要最快跑起来 → Open WebUI，别折腾 MongoDB 和 Meilisearch 了。
• 核心诉求是把几十份 PDF/文档变成可问答的知识库 → AnythingLLM，它的向量化和检索调优比通用平台细。
• 看重界面质感、插件生态，愿意折腾前端，且多用户需求不强 → LobeChat。
• 要在一套部署里同时切换多家商业 API 和本地模型，还要 Agent + MCP 工具调用 → LibreChat。

结论

我的推荐是：当你的使用场景从"个人工具"升级为"组织基础设施"时选 LibreChat。它在多模型接入广度上和 Open WebUI 打平，但多用户治理、SSO、按人限流这几块是同类里少有的做到生产可用的，MIT 协议也不会有商业授权上的后顾之忧。代价是部署组件更多（数据库 + 搜索服务），且深度定制需要改 TypeScript。

反过来说，如果你只是自己用、或者团队不超过一只手，Open WebUI 在部署成本和开箱体验上更划算，为了用不上的权限系统去维护一套 Mongo + Meilisearch 不划算；如果需求本质是文档问答，直接上 AnythingLLM，别拿通用聊天平台硬凑 RAG。选型的关键不是比谁功能多，而是先回答"这套东西是给几个人用、要不要为他们的行为负责"。