pipelines
Pipelines 是一个面向 OpenAI API 兼容客户端的通用插件框架,旨在通过 Python 代码赋予用户构建定制化工作流的能力。它解决了主应用在处理高计算量任务或复杂逻辑时的性能瓶颈,允许将重型运算卸载到独立服务中,从而提升整体系统的可扩展性。
对于开发者而言,Pipelines 提供了无限的可能性:你可以轻松集成各类 Python 库,实现自定义 RAG、函数调用、实时翻译甚至消息安全过滤。它采用 UI 无关架构,只需将客户端的 API 地址指向 Pipelines 实例,即可无缝连接任何支持 OpenAI 协议的界面。项目提供 Docker 一键部署方案及丰富的示例模板,大幅降低开发门槛。
需要注意的是,由于涉及任意代码执行,建议仅加载可信来源的插件。若仅需基础功能增强,Open WebUI 内置函数或许更为便捷;但若追求深度定制与灵活扩展,Pipelines 无疑是强大的利器。
使用场景
某企业技术团队正在基于 Open WebUI 搭建内部知识库问答系统,需要深度集成私有文档检索并实时过滤敏感信息,同时保证系统高可用。
没有 pipelines 时
- 核心服务负载过高,处理复杂的文档检索逻辑导致整体响应缓慢甚至超时。
- 无法灵活接入外部私有数据库,硬编码修改主程序代码维护成本极高。
- 缺乏中间层拦截机制,用户输入可能包含违规内容直接发送给大模型存在风险。
- 每次扩展新功能都需重启主服务,严重影响现有业务的连续性和稳定性。
使用 pipelines 后
- pipelines 独立部署容器专门处理重型 RAG 任务,显著释放了主实例的计算资源。
- 通过自定义 Python 脚本无缝对接私有向量数据库,无需改动前端界面即可实现数据源切换。
- 内置敏感词过滤器在请求进入模型前自动拦截不当内容,保障输出合规性。
- 新增功能以插件形式热加载,不影响其他用户的正常对话体验,迭代效率大幅提升。
pipelines 通过模块化设计实现了计算逻辑与交互界面的解耦,让复杂工作流落地变得简单高效且易于维护。
运行环境要求
- 未说明 (支持 Docker 环境)
未说明 (取决于具体 Pipeline 脚本功能)
未说明

快速开始
Pipelines:与 UI 无关 (UI-Agnostic) 的 OpenAI API 插件框架
[!TIP] 不要使用 Pipelines!
如果你的目标仅仅是添加对 Anthropic 等额外提供商的支持或基本过滤器,你可能并不需要 Pipelines。对于这种情况,Open WebUI 函数 (Open WebUI Functions) 更适合——它是内置的,更方便且更容易配置。然而,当你处理计算密集型任务(例如运行大型模型或复杂逻辑),并希望将其从主 Open WebUI 实例卸载以获得更好的性能和可扩展性时,Pipelines 就会派上用场。
欢迎来到 Pipelines,这是 Open WebUI 的一项倡议。Pipelines 为任何支持 OpenAI API 规范的 UI 客户端带来模块化、可定制的工作流——还有更多!只需几行代码即可轻松扩展功能、集成独特逻辑并创建动态工作流。
🚀 为什么选择 Pipelines?
- 无限可能: 轻松添加自定义逻辑并集成 Python 库,从 AI 智能体到家庭自动化 API。
- 无缝集成: 兼容任何支持 OpenAI API 规范的 UI/客户端。(仅支持管道型管道;过滤器类型需要客户端支持 Pipelines。)
- 自定义钩子 (Hooks): 构建并集成自定义管道。
你可以实现的功能示例:
- 函数调用管道:轻松处理函数调用并使用自定义逻辑增强你的应用。
- 自定义检索增强生成 (RAG) 管道:实施复杂的检索增强生成管道以满足你的需求。
- 使用 Langfuse 进行消息监控:使用 Langfuse 实时监控和分析消息交互。
- 使用 Opik 进行消息监控:使用 Opik 监控和分析消息交互,Opik 是一个用于调试和评估 LLM 应用及 RAG 系统的开源平台。
- 速率限制过滤器:控制请求流量以防止超出速率限制。
- 使用 LibreTranslate 的实时翻译过滤器:将实时翻译无缝集成到你的 LLM 交互中。
- 有毒消息过滤器:实施过滤器以有效检测和屏蔽有毒消息。
- 以及更多!:有了 Pipelines 和 Python,一切皆有可能。查看我们的脚手架 (Scaffolds) 为你的项目起步,了解如何简化开发流程!
🔧 工作原理
将 Pipelines 与任何兼容 OpenAI API 的 UI 客户端集成非常简单。启动你的 Pipelines 实例,并将客户端上的 OpenAI URL 设置为 Pipelines URL。就这样!你已准备好利用任何 Python 库满足你的需求。
⚡ Docker 快速开始
[!WARNING] Pipelines 是一个具有任意代码执行能力的插件系统——不要从不可信的来源获取随机管道。
Docker
使用 Docker 进行简化设置:
运行 Pipelines 容器:
docker run -d -p 9099:9099 --add-host=host.docker.internal:host-gateway -v pipelines:/app/pipelines --name pipelines --restart always ghcr.io/open-webui/pipelines:main连接到 Open WebUI:
- 在 Open WebUI 中导航至 Settings > Connections > OpenAI API 部分。
- 将 API URL 设置为
http://localhost:9099,将 API 密钥设置为0p3n-w3bu!。此时你的管道应已激活。
[!NOTE] 如果你的 Open WebUI 运行在 Docker 容器中,请将 API URL 中的
localhost替换为host.docker.internal。
管理配置:
- 在管理面板中,进入 Admin Settings > Pipelines tab。
- 选择你想要的管道,并直接从 WebUI 修改阀门值 (Valve values)。
[!TIP] 如果你无法连接,这很可能是 Docker 网络问题。我们鼓励你自己排查,并在讨论区分享你的方法和解决方案。
如果你需要安装带有额外依赖的自定义管道:
运行以下命令:
docker run -d -p 9099:9099 --add-host=host.docker.internal:host-gateway -e PIPELINES_URLS="https://github.com/open-webui/pipelines/blob/main/examples/filters/detoxify_filter_pipeline.py" -v pipelines:/app/pipelines --name pipelines --restart always ghcr.io/open-webui/pipelines:main
或者,你也可以直接从管理设置安装管道,复制粘贴管道 URL 即可,前提是不需要额外的依赖。
就是这样!现在你已经准备好轻松构建可定制的 AI 集成。享受吧!
与 Open WebUI 一起使用 Docker Compose
使用 Docker Compose 可以简化多容器 Docker 应用程序的管理。
以下是使用 Docker Compose 设置 Open WebUI 和 Pipelines 的示例配置文件 docker-compose.yaml:
services:
openwebui:
image: ghcr.io/open-webui/open-webui:main
ports:
- "3000:8080"
volumes:
- open-webui:/app/backend/data
pipelines:
image: ghcr.io/open-webui/pipelines:main
volumes:
- pipelines:/app/pipelines
restart: always
environment:
- PIPELINES_API_KEY=0p3n-w3bu!
volumes:
open-webui: {}
pipelines: {}
要启动你的服务,运行以下命令:
docker compose up -d
然后你可以使用 http://pipelines:9099(名称与 docker-compose.yaml 中定义的服务名称相同)作为 API URL 连接到 Open WebUI。
[!NOTE]
pipelines服务仅可由openwebuiDocker 服务访问,因此提供了额外的安全层。
📦 安装与设置
通过几个简单的步骤开始使用 Pipelines:
确保已安装 Python 3.11。
克隆 Pipelines 仓库:
git clone https://github.com/open-webui/pipelines.git cd pipelines安装所需的依赖项:
pip install -r requirements.txt启动 Pipelines 服务器:
sh ./start.sh
服务器运行后,将客户端上的 OpenAI URL 设置为 Pipelines URL。这将解锁 Pipelines 的全部功能,集成任何 Python 库并创建适合你需求的自定义工作流。
高级 Docker 构建
如果您创建了自己的 pipelines(管道),可以在构建 Docker 镜像时安装它们。例如,使用下面的代码片段创建一个 bash 脚本,从路径收集文件,将它们添加为安装 URL,并构建已自动安装新 pipelines 的 Docker 镜像。
注意:pipelines 模块在启动时仍会尝试安装您在文件头中发现的任何包依赖项,但它们不会被再次下载。
# build in the specific pipelines
PIPELINE_DIR="pipelines-custom"
# assuming the above directory is in your source repo and not skipped by `.dockerignore`, it will get copied to the image
PIPELINE_PREFIX="file:///app"
# retrieve all the sub files
export PIPELINES_URLS=
for file in "$PIPELINE_DIR"/*; do
if [[ -f "$file" ]]; then
if [[ "$file" == *.py ]]; then
if [ -z "$PIPELINES_URLS" ]; then
PIPELINES_URLS="$PIPELINE_PREFIX/$file"
else
PIPELINES_URLS="$PIPELINES_URLS;$PIPELINE_PREFIX/$file"
fi
fi
fi
done
echo "New Custom Install Pipes: $PIPELINES_URLS"
docker build --build-arg PIPELINES_URLS=$PIPELINES_URLS --build-arg MINIMUM_BUILD=true -f Dockerfile .
📂 目录结构和示例
/pipelines 目录是您的设置核心。在此处添加新模块、自定义现有模块并管理您的工作流。当服务器启动时,/pipelines 目录中的所有 pipelines 将自动加载。
您可以使用 PIPELINES_DIR 环境变量将此目录从 /pipelines 更改为其他位置。
集成示例
在 /examples 目录中找到各种集成示例。这些示例展示了如何集成不同的功能,为构建您自己的自定义 pipelines 提供基础。
🎉 进行中
我们一直在不断进化!我们非常乐意听取您的反馈,并了解哪些 hooks(钩子)和功能最适合您的用例。欢迎随时联系我们,成为我们 Open WebUI 社区的一员!
我们的愿景是推动 Pipelines 成为我们 AI 界面 Open WebUI 的最终插件框架。想象一下,Open WebUI 是 AI 界面的 WordPress,而 Pipelines 是其多样化的插件范围。加入我们这段激动人心的旅程吧!🌍
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

