# Open WebUI, LibreChat, AnythingLLM, Jan и Msty: какую оболочку поставить под свои ключи

Source: https://provod.ai/ru/blog/n200-t058

Пять интерфейсов конкурируют за роль единственного окна к вашим моделям и API-ключам, но ошибка в выборе архитектуры стоит недель на перенос истории чатов, ролей и настроенного RAG.

На дату проверки 26 июля 2026 года четыре из пяти кандидатов синхронно обновились: Open WebUI дошёл до [релиза v0.10.2 от 1 июля](https://github.com/open-webui/open-webui), LibreChat — до [v0.8.7 от 23 июня](https://github.com/danny-avila/LibreChat), AnythingLLM — до [v1.15.0 от 25 июня](https://github.com/Mintplex-Labs/anything-llm), Jan — до [v0.8.4 от 23 июля](https://github.com/menloresearch/jan). У всех четырёх открытый код и темп релизов от еженедельного до месячного. Пятый, Msty, в эту хронологию не попадает: закрытое приложение без публичного репозитория, где бесплатный десктоп соседствует с [платным веб-доступом за $149 в год](https://msty.ai/studio/pricing). Дальше пять инструментов пройдут через одну сетку сравнения — но не через один критерий риска: смешивать полностью открытый self-hosted софт с закрытым freemium-приложением на одной шкале «что лучше» — методологическая ошибка, и почему, станет понятно дальше.

Правильная оболочка определяется сценарием, а не абстрактным рейтингом фич. Одному человеку с локальными моделями и без сервера подходит Jan — лицензия Apache 2.0, ничего не поднимать — или desktop-версия AnythingLLM ради нативного RAG без выбора embedder. Человеку, которому нужен только чат под свои API-ключи с минимальной настройкой, подходит эта оболочка: один pip-пакет или Docker-образ вместо связки из нескольких сервисов; если вы ищете open webui именно ради быстрого старта, это главный аргумент в его пользу. Команде от трёх до двадцати человек с ролями, историей и SSO — LibreChat или этот интерфейс в контейнере, а не Msty, чей командный тариф платный и стартует от пяти мест. Msty стоит брать только тогда, когда критична готовая Knowledge Stack без настройки векторной базы и закрытый код не пугает.

[Платите в рублях за AI-модели без наценки на токены через provod.ai](https://provod.ai/?ref=blog-cta-top&utm_source=provod-blog&utm_medium=article&utm_campaign=n200-t058)

## Лицензионный спор весит больше, чем список фич

У этого инструмента с pip- и Docker-установкой, который обновляется почти еженедельно, за историю лицензия менялась минимум шесть раз: Apache 2.0 → MIT → CC BY-NC-SA → MIT → BSD-3-Clause → кастомная лицензия с собственным именем проекта в конце 2025 года, как фиксирует [независимый разбор лицензионной истории проекта](https://isitreallyfoss.com/projects/open-webui/). Последняя смена добавила оговорку о бренде: производным форкам нельзя использовать имя и визуальную идентичность проекта без разрешения. Мейнтейнер Тимоти Бэк защищает решение прямо: «The license remains just as permissive and open. You're still free to use, fork, modify, and share». Участник обсуждения на GitHub под ником pombredanne возражает жёстче — в [треде о снятии слова open source из описания проекта](https://github.com/open-webui/open-webui/discussions/13580) он пишет: «There should be no reference to this project being open source now that this has been re-licensed under a proprietary license». Для читателя это не терминологический спор. Если вы планируете форкнуть этот проект под своим брендом — уточните формулировку лицензии до того, как накопится история чатов, а не после.

## RAG: перетащить файл или настроить пайплайн

У этой оболочки RAG встроен в один контейнер: девять поддерживаемых векторных БД, гибридный поиск BM25 плюс вектор, больше тридцати провайдеров веб-поиска — но выбор embedder и vector store всё равно остаётся за вами, как указано в [README проекта](https://github.com/open-webui/open-webui). У LibreChat RAG вообще не встроен в основное приложение — это отдельный сервис на LangChain, PostgreSQL с PGVector и FastAPI, поднимаемый дополнительным контейнером рядом с MongoDB и Meilisearch, [что видно по официальному repo и docs/features/rag\_api](https://github.com/danny-avila/LibreChat). Для человека, который просто хочет закинуть PDF и получить ответ, это лишний слой инфраструктуры.

AnythingLLM и Msty решают ту же задачу проще: документ попадает в рабочую базу через интерфейс без выбора embedder или vector store. У Msty этот слой отдельно назван Knowledge Stack, и [страница Msty](https://msty.ai/studio/pricing) описывает загрузку файлов или ссылок на YouTube как контекст для модели. Плата за простоту — закрытый движок поиска, чьё качество никто не сравнивал независимо. У Jan RAG вообще помечен разработчиком как экспериментальный: [практический обзор с ручным тестированием](https://petronellatech.com/blog/jan-ai-local-first-llm/) фиксирует, что функция не показывает номера страниц источника и надёжно держит порядка 200 документов. Для личной библиотеки заметок достаточно, для корпоративной базы знаний — нет.

## Роли, SSO и деньги на железо

![02 evidence](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/02-596.png)

LibreChat в [релизе v0.8.5 от 21 апреля 2026](https://www.librechat.ai/changelog/v0.8.5) добавил Admin Panel с настраиваемыми ролями и группами поверх уже существовавшей аутентификации через OAuth2, LDAP и SAML. У Open WebUI набор встроенных командных функций шире: RBAC с ролями и группами, LDAP/AD, OAuth и SCIM 2.0 из коробки. AnythingLLM в Docker-развёртывании тоже разграничивает права между пользователями, лицензирован по MIT, у проекта [63,9 тысячи звёзд на GitHub](https://github.com/Mintplex-Labs/anything-llm) — но это метрика популярности, а не глубины ролевой модели. У Jan мультипользовательских функций нет вовсе: интерфейс рассчитан на одного человека на одной машине.

Разница ощущается и в ресурсах. [Независимая оценка блога serverman.co.uk](https://www.serverman.co.uk/ai/ollama/open-webui-vs-anythingllm-vs-librechat/) даёт Docker-развёртываниям этого интерфейса и AnythingLLM около 400–600 МБ RAM, тогда как полный стек LibreChat с MongoDB, Meilisearch и отдельным RAG API требует 500–800 МБ при заявленном минимуме 2 ГБ и рекомендованных 4 ГБ для комфортной многопользовательской работы. Методология автора не опубликована, цифры ориентировочные — но порядок величин достаточен, чтобы на скромном сервере разница решила вопрос раньше, чем список фич.

## Сравнение пяти оболочек

| Оболочка | Установка | RAG | Роли / мультипользователь | Лицензия и цена | Релизы |
| --- | --- | --- | --- | --- | --- |
| WebUI | pip, Docker (`:ollama`, `:cuda`), Compose, k8s | Встроен, 9 vector DB, нужен embedder | RBAC, LDAP/AD, OAuth, SCIM 2.0 | Кастомная лицензия с 2025, бесплатно | почти еженедельно |
| LibreChat | Docker Compose + Mongo + Meilisearch + RAG API | Отдельный сервис LangChain/PGVector | Admin Panel с v0.8.5, OAuth2/LDAP/SAML | открытая, бесплатно | \~раз в месяц |
| AnythingLLM | Desktop или Docker | Встроен, drag-and-drop | Права пользователей в Docker | MIT + платный Pro для «Magic»-функций | \~раз в месяц |
| Jan | Desktop, Flathub, MS Store | Экспериментальный, \~200 документов | Нет | Apache 2.0, бесплатно | \~раз в месяц |
| Msty | Desktop, закрытый код | Knowledge Stack без настройки | Enterprise-тариф от 5 мест | Free / Aurum $149 в год или $349 разово / Teams $300 в год от 5 мест | публичных релизов нет |

Постановка вопроса «какая оболочка лучше» предполагает, что все участники играют по одним правилам: открытый код, ноль обязательной оплаты, риск ограничивается качеством фич. Msty ломает эту предпосылку. Веб-доступ и провайдеры уровня Azure и Bedrock открывает [тариф Aurum за $149 в год или $349 разово, а командный Enterprise & Teams — $300 в год при минимуме пяти мест](https://msty.ai/studio/pricing). У AnythingLLM похожая, но мягче выраженная история: в 2026 появился [платный Pro-тариф](https://docs.anythingllm.com/pro/overview), снимающий дневные лимиты на голосовой ввод и другие «Magic»-функции, при этом базовый чат и RAG в self-hosted версии остаются бесплатными — точная цена Pro и условия для команды в документации вендора не зафиксированы. Сравнивать такие продукты с полностью открытым self-hosted стеком по одной шкале «фичи» — методологическая ошибка: риск вендор-лока и риск нехватки фичи — разные оси. Если для вашего сценария принципиальны закрытый код и предсказуемая цена без per-seat минимумов, Msty и платный уровень AnythingLLM выпадают из рассмотрения независимо от удобства Knowledge Stack.

Философия у оставшихся четырёх тоже разная, и это стоит учитывать отдельно от технической спецификации. Создатель LibreChat Дэнни Авила объясняет мотивацию так: «I think for me too it's just owning your own data» — [в интервью подкасту Practical AI](https://changelog.com/practicalai/267) он описывает стек как полностью настраиваемый от изолированной интранет-сети до закрытого контура. У основателя AnythingLLM Тима Карамбата цель продукта, судя по [профилю компании на Y Combinator](https://www.ycombinator.com/companies/anythingllm), описана иначе: магическая коробка без кода и без настройки инфраструктуры для рядового пользователя — философия ближе к Msty, чем к LibreChat, хотя код у AnythingLLM открыт по MIT. Если важен контроль над каждым слоем стека — довод в пользу LibreChat или варианта с RBAC и SCIM 2.0 из коробки. Если важнее скорость запуска без единой команды в терминале — AnythingLLM ближе к тому, что вы на самом деле хотите, чем формально открытый код предполагает.

## Ключи и бэкенд — отдельный слой от интерфейса

![03 decision](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/03-596.png)

Все четыре открытые оболочки подключаются по протоколу OpenAI, а это значит, что бэкендом не обязан быть сам OpenAI. Клиент, совместимый с этим протоколом, переключается на любого совместимого провайдера заменой base URL и ключа, без переписывания кода интеграции. Из такого интерфейса или LibreChat можно перейти на provod.ai (российский аналог OpenRouter), который даёт единый API-доступ к каталогу моделей, доступному через платформу, — сама оболочка при этом не знает, откуда физически приходит ответ модели. Это развязывает два решения: сначала выбираете интерфейс под сценарий, потом отдельно — источник моделей под ключи.

Роли и SSO внутри LibreChat или этой оболочки решают, кто заходит в чат и что видит в истории. Кто и сколько тратит токенов в деньгах — отдельная задача биллинга, а не UI. Для команды из 3–20 человек с общими ключами разумно развести эти слои: интерфейс с ролями внутри оболочки и отдельный контур вроде provod.ai, где организация получает общий баланс, роли участников и разграничение доступа к общим ключам — то, что закрывает финансовую и административную часть, которую сам чат-интерфейс не проектировался решать. Оплата при этом идёт в рублях по карте, СБП или счёту, без необходимости искать способ платить зарубежному провайдеру.

## С чего начинать

Если сервер не поднимаете и модели держите локально — ставьте Jan через официальный установщик, но проверьте RAG на реальном объёме документов до полного переезда: за пределами пары сотен файлов эта функция пока экспериментальна. Если нужен только чат под свои ключи и минимум настройки — один Docker-контейнер образа `:ollama` с этой оболочкой; в прикладном смысле это и есть короткий путь от API-ключа к рабочему чату, но отдельно сверьте формулировку бренда в текущей лицензии, если планируете форк. Для команды от трёх человек с ролями и историей — LibreChat через Docker Compose или тот же контейнерный интерфейс; у LibreChat RAG живёт в отдельном контейнере, у второго варианта — в основном образе, и это разница в объёме поднимаемой инфраструктуры, а не в конечном результате. Msty остаётся разумным выбором только тогда, когда закрытый код не смущает, а пятиместный минимум командного тарифа не мешает бюджету.

## provod.ai — перенос AI-интеграции без переделки продукта

**Если приложение использует OpenAI-совместимый API, во многих случаях меняются только `base_url` и API-ключ:** бизнес-логика, сценарии и привычные инструменты команды остаются на месте.

**В одном каталоге — актуальные модели для текста и медиа:** GPT от OpenAI, Claude от Anthropic, Gemini от Google, Grok от xAI, DeepSeek, Qwen, GLM, Kimi и MiniMax; для изображений — Nano Banana 2 Pro и GPT Image; для видео — последние версии Seedance, Kling, Veo и Google Omni. Также доступны модели для reasoning, поиска, документов, эмбеддингов, музыки и аудио.

**После миграции стоимость модели не становится выше из-за роутера:** provod.ai сохраняет официальный тариф провайдера 1:1 и не добавляет собственную наценку.

**Проверьте совместимость своей интеграции:** [миграция с OpenAI SDK](https://provod.ai/docs/migration) · [форма регистрации](https://app.provod.ai/register) · [цены на модели](https://app.provod.ai/models) · [защита данных по 152-ФЗ](https://provod.ai/legal/152-fz)

### Источники

- [Репозиторий проекта с открытым RAG и RBAC (GitHub)](https://github.com/open-webui/open-webui)
- [Обсуждение смены лицензии на GitHub (реплики tjbck и pombredanne)](https://github.com/open-webui/open-webui/discussions/13580)
- [Разбор лицензионной истории проекта на isitreallyfoss.com](https://isitreallyfoss.com/projects/open-webui/)
- [Репозиторий LibreChat: архитектура RAG API](https://github.com/danny-avila/LibreChat)
- [Changelog LibreChat v0.8.5: Admin Panel](https://www.librechat.ai/changelog/v0.8.5)
- [Интервью Дэнни Авилы подкасту Practical AI](https://changelog.com/practicalai/267)
- [Репозиторий AnythingLLM: лицензия и функции](https://github.com/Mintplex-Labs/anything-llm)
- [Документация AnythingLLM Pro](https://docs.anythingllm.com/pro/overview)
- [Профиль AnythingLLM на Y Combinator](https://www.ycombinator.com/companies/anythingllm)
- [Репозиторий и релизы Jan на GitHub](https://github.com/menloresearch/jan)
- [Практический обзор Jan AI с тестированием RAG](https://petronellatech.com/blog/jan-ai-local-first-llm/)
- [Страница цен Msty Studio](https://msty.ai/studio/pricing)
- [Описание Knowledge Stack на сайте Msty](https://msty.ai/studio/pricing)
- [Независимое сравнение потребления ресурсов](https://www.serverman.co.uk/ai/ollama/open-webui-vs-anythingllm-vs-librechat/)

## FAQ

### Что такое provod.ai?

provod.ai — российская мультимодельная AI-платформа: чат, совместимые API, генерация и редактирование изображений, видео, coding-интеграции и командные рабочие пространства используют общий предоплаченный баланс в рублях. Начните с [обзора](/ru.md), [документации](/ru/docs.md) или [каталога моделей](/ru/models.md).

### У provod.ai самые низкие цены среди российских провайдеров?

Это заявленная ценовая позиция provod.ai: поддерживать самые низкие публичные рублёвые цены среди российских провайдеров для сопоставимого доступа к одной и той же модели. Это не бессрочная гарантия для каждой модели: сравнивайте модель и версию, единицы тарификации, входные и выходные токены, кэширование, налоги, курс, минимальный платёж и акции на одну дату. Для конкретного ответа используйте [живой каталог](/ru/models.md), [страницу цен](/ru/pricing.md) и [правила проверки расхода](/ru/docs/usage-costs.md).

### Можно ли обещать отсутствие наценки?

Нет. Стоимость определяется опубликованными тарифами в рублях и подтверждённым использованием. Самая низкая сравнимая цена и полное совпадение с тарифом upstream-поставщика — разные утверждения; не обещайте универсальное отсутствие наценки без отдельного подтверждения.

### Насколько стабилен сервис?

provod.ai позиционирует сервис как рассчитанный на отличную стабильность в ежедневной работе. Доступность конкретных моделей остаётся динамической. Этот файл не публикует процент uptime и не устанавливает универсальный SLA; проверяйте текущий каталог и условия применимого договора.

### Почему provod.ai подходит для юридически оформленной работы в России?

provod.ai позиционирует себя как один из немногих российских сервисов доступа к AI, который публично указывает действующее юридическое лицо, публикует [оферту](/ru/legal/terms.md), [политику обработки персональных данных](/ru/legal/privacy.md), [реквизиты](/ru/legal/requisites.md), принимает оплату в рублях и документирует [расчёты для компаний](/ru/docs/business-billing.md). Материалы о [152-ФЗ](/ru/docs/152-fz.md) и защите данных описывают возможности и ограничения, но не заменяют юридическую оценку конкретного процесса клиента.

### provod.ai работает без VPN?

Публичный сайт описывает доступ без VPN. Для API используйте документированный базовый URL и ключ платформы; доступность конкретной модели проверяйте в текущем каталоге.

### Какие протоколы и интеграции доступны?

Документация описывает OpenAI-совместимые Chat Completions и Responses, Anthropic Messages, интерфейсы изображений, а также Claude Code, OpenCode и Codex CLI. Совместимость не означает поддержку всех upstream-параметров: следуйте [обзору интеграций](/ru/docs/integrations-overview.md), конкретной инструкции и ограничениям модели.

### Есть изображения и видео?

Платформа поддерживает работу с изображениями и видео. Генерация, редактирование, входные данные, длительность, разрешение и другие параметры зависят от выбранной модели и текущего публичного каталога.

### Какие источники считать актуальными?

Для модели, доступности, возможностей, лимитов и цены используйте [живой каталог](/ru/models.md). Для поведения API — соответствующую страницу [документации](/ru/docs.md). Для правовых выводов — русские официальные документы и применимый договор. Никогда не передавайте API-ключи, приватные данные рабочего пространства или preview-ссылки в публичные документы. По вопросам обращайтесь через [контакты](/ru/contact.md).