【2025保姆级】Open-WebUI五大功能区首曝！第二篇：工作空间区打造AI协作中枢，手把手搭建多模态作战室&团队协作全流程拆解

一、引言

在首篇《【2025保姆级】Open-WebUI五大功能区首曝！第一篇：管理员面板深度拆解，手把手讲解&配置AI管理中枢》中，我们完成了 Open-WebUI 的 “中枢神经” 配置——从用户权限到模型质检，从安全防线到多源模型接入，你的AI管理后台已具备全局掌控力。但正如现代战争需要 “指挥中枢” 与 “前线作战室” 的协同，工作空间区正是 Open-WebUI 赋予团队的"多模态作战室"，让AI协作从单向指令升级为立体化生产力闭环。

从 “单兵作战” 到 “集团军协同”
如果说管理员面板是系统的 “战略指挥部”，那么工作空间区则是AI协作的战术执行层。这里汇聚了文件管理、知识库增强（RAG）、工具链扩展（Tools/Pipes）等核心模块，支持：

• 多模态作战： 图文混合输入、多工具链调用，让AI处理复杂任务时"眼观六路，耳听八方"；
• 团队沙盒： 通过权限组划分（如研发组、数据分析组），实现敏感操作隔离与资源安全共享；
• 流程工业化： 从知识库动态更新到自动化流水线（Pipeline），将零散AI交互固化为可复用的生产流程；

二 、提示词

• 功能定位： 也叫提示词模版管理区，通过模板化、社区化设计理念，将零散的提示词调试升级为可复用、可协作的工业化体系，彻底解决 “重复造轮子” 与 “团队知识孤岛” 问题。

• 如何创建： Open-WebUI 提供了三种方式进行创建：

  1. 手动创建：点击右上角的 + 号，会进入到下图所示的创建页面，就可以编写标题、命令、提示词内容信息，最后点击 保存并创建 就会创建我们的提示词模版啦；
     
  2. 手动导出导入：在其它系统导出提示词模版（如下图1所示的 .json 文件，格式内容为下图2所示格式），然后在这里导入；
     
     
  3. 社区导入： 在 Open-WebUI 官方社区 寻找适合你的提示词模版
     
     然后点击 Get
     
     输入你 Open-WebUI 的地址，并点击 Import to WebUI
     
     它会跳转到你的 Open-WebUI 提示词创建页面，点击 保存并创建 即可完成导入
     
     注： 访问控制选择 private 只有管理员可见，选择 public 所有人可见；命名规则如下图二所示
     
     

• 如何使用： 在聊天中，使用 / 即可选择创建好的提示词模版
  
  选择好提示词模版后，直接发送或者填充模版中的必要信息，就可以与大模型交互了
  

三 、知识库

• 功能定位： 知识库是团队的 “第二大脑”——它不仅存储结构化数据，更能通过 RAG（检索增强生成）技术实时增强AI的认知边界，让模型回答提升精准度。Open-WebUI 的工作空间区将知识库从传统的 “文件仓库” 升级为多模态、自进化、可编程的记忆中枢，彻底打破 “文档孤岛” 与 “知识断层”。

• 如何配置： Open-WebUI 提供了三种方式；第一种是 集成 Google 云端硬盘，第二种是 集成 OneDrive，第三种是手动配置，如下：

  1. 创建知识库目录： 点击右上角的 + 号，会进入到下图所示的创建页面，就可以编写知识库名、知识库描述、可见性信息，最后点击 创建知识 就创建好我们的知识库目录啦；
     注： 可见性选择 private 只有管理员可见，选择 public 所有人可见；
     

  2. 上传文档： 进入知识库目录，点击右上角的 + 号，选择对应选项（即可选择单个文件，也可选择整个目录，也可同步之前上传过的目录）
     
     选择好文件后，会进行文档加载过程（这个过程会对文档切片、向量化、存储）
     
     加载完成后，会提示 文件成功添加；如果文件加载失败，可以删除文件后多试几次
     
     点击文件，我们也能看到解析后的文件内容
     

  3. 修改文档： 如果对上述解析后的文件内容不满意，可以手动修改解析后的文档内容，最后点击 保存 就完成了文档的修改；

• 如何使用： 在聊天中，使用 # 即可选择创建好的知识库目录或单个文件。
  
  使用效果如下：
  

注： Open-WebUI 专注于做模型集成和插件扩展功能，对于 RAG 功能其实不是很理想，特别是在非纯文本的文档内容上；目前开源 RAG 项目公认最好最全的是 RAGFlow，后面等 Open-WebUI 的内容讲完，我会专门讲一档 Open-WebUI 集成 RAGFlow 的内容，打造功能、画面双齐全的系统。

四 、工具

4.1 什么是工具？

工具的本质 是 Python 脚本或预封装服务接口，通过 函数调用（Function Calling） 机制与LLM协作。其核心价值在于：

• 能力扩展： 突破LLM的纯文本交互限制，支持代码执行、API调用、硬件控制等物理操作（如控制智能家居、调用摄像头）
• 动态感知： 实时获取外部数据（如股票行情、天气信息），弥补模型静态知识的滞后性
• 流程自动化： 将多步骤任务（如“爬取网页→数据清洗→生成报告”）固化为原子化工具链

4.2 工作原理

4.3 作用

工具通过提供广泛的功能来支持交互式对话的多样化用例，例如：

• Web 搜索： 执行实时 Web 搜索以获取实时信息。
• Image Generation： 根据用户提示生成图像。
• 外部语音合成： 在聊天中提出 API 请求，以集成外部语音合成服务 ElevenLabs，并根据 LLM 输出生成音频。

4.4 工具创建

Open-WebUI 提供了三种方式进行创建：

• 手动创建：点击右上角的 + 号，会进入到下图所示的创建页面，就可以编写工具ID、工具名称、工具描述、具体代码（可以自己提需求，让 DeepSeek 帮写，然后复制到这里）信息，最后点击 保存 就会创建我们的工具啦；
  注： Open-WebuUI 在工具代码上下文中提供了 Valves 和 UserValves 等参数，如果有需要或者想详细了解的，可以参考官网说明
  
• 社区导入： 在 Open-WebUI 官方社区 寻找你中意的工具，接下来的操作步骤与提示词中的步骤一致；
  
  这里补充一点，如果无法通过 Import to WebUI 自动创建，可以点击下图一中的 Download as JSON export ,会导出一个下图二所示的 .json 文件，最后通过第三种方式导入也是可以的；
  
• 手动导出导入：在其它系统导出工具或通过上述第二种方式导出 .json 文件，然后在这里导入；
  

注： 访问控制选择 private 只有管理员可见，选择 public 所有人可见；

4.5 工具使用

在聊天中，点击聊天框左下角的 + ，然后根据场景开启合适的工具（可多选），就可在接下来的聊天中使用这些启用的工具；

4.6 使用案例

原始的大模型是不能捕获当前时间的

但在提问的时，如果勾选上获取当前时间的工具，就可以实时获取当前时间啦；


而且通过日志也能看到，在处理聊天时有调用工具进行处理的日志记录

五 、函数

5.1 什么是函数？

函数 是 Open-WebUI 的轻量级插件，通过预定义逻辑与动态执行环境实现三大核心价值：

• 交互增强： 通过输入输出过滤、上下文修饰，提升用户与模型的沟通效率（如自动补全代码、格式化响应）
• 流程工业化： 将多步骤任务封装为原子化操作单元，形成可复用的AI工作流（如"数据清洗→模型推理→报告生成"管道）
• 生态扩展： 支持第三方函数库的即插即用，快速集成 HuggingFace、GitHub 等平台的优质资源

5.2 函数类型

5.2.1 管道函数

• 功能定位： 构建多模型/多工具协作流水线，形成"虚拟代理"；
• 工作原理： 如下图：
  
  从图中看出，管道函数，可以干预 调用大模型前的逻辑处理、流式响应中的逻辑处理、最终响应后的逻辑处理
• 代码框架：

  from pydantic import BaseModel, Field
  
  class Pipe:
      class Valves(BaseModel):
          MODEL_ID: str = Field(default="")
  
      def __init__(self):
          self.valves = self.Valves()
  
      def pipe(self, body: dict):
          # Logic goes here
          print(self.valves, body)  # This will print the configuration options and the input body
          return "Hello, World!"
  

5.2.2 过滤器函数

• 功能定位： 动态修饰输入提示词与输出结果，实现交互优化；
• 工作原理： 如下图：
  
  从图中看出，过滤器函数，可以干预 调用大模型前的逻辑处理、流式响应中的逻辑处理、最终响应后的逻辑处理
• 代码框架：

  from pydantic import BaseModel
  from typing import Optional
  
  class Filter:
      # Valves: Configuration options for the filter
      class Valves(BaseModel):  
          pass
  
      def __init__(self):
          # Initialize valves (optional configuration for the Filter)
          self.valves = self.Valves()
  
      def inlet(self, body: dict) -> dict:
          # This is where you manipulate user inputs.
          print(f"inlet called: {body}")
          return body  
  
      def stream(self, event: dict) -> dict:
          # This is where you modify streamed chunks of model output.
          print(f"stream event: {event}")
          return event
  
      def outlet(self, body: dict) -> None:
          # This is where you manipulate model outputs.
          print(f"outlet called: {body}")
  

注： 通过上述管道函数和过滤器函数的工作原理及代码框架，不难发现，过滤器是将管道函数细分成更小的功能块；管道函数能完成的功能过滤器函数也是可以做到的，反之亦然；但是官方拆成两个函数一定是有意义的（功能职责划分），所以还是推荐按照职责划分使用（过滤器函数的职责是对输入输出内容进行敏感词等过滤；管道函数的职责是对本次交互过程进行增强，如集成外部 API、自定义模型行为和创建创新功能等）

5.2.3 操作函数

• 功能定位： 在 UI 界面添加自定义按钮，扩展用户侧快捷操作；
• 代码框架：

  """
  title: Example Action
  author: open-webui
  author_url: https://github.com/open-webui
  funding_url: https://github.com/open-webui
  version: 0.1.0
  required_open_webui_version: 0.3.9
  """
  
  from pydantic import BaseModel, Field
  from typing import Optional, Union, Generator, Iterator
  
  import os
  import requests
  import asyncio
  
  
  class Action:
      class Valves(BaseModel):
          pass
  
      def __init__(self):
          self.valves = self.Valves()
          pass
  
      async def action(
          self,
          body: dict,
          __user__=None,
          __event_emitter__=None,
          __event_call__=None,
      ) -> Optional[dict]:
          print(f"action:{__name__}")
  
          response = await __event_call__(
              {
                  "type": "input",
                  "data": {
                      "title": "write a message",
                      "message": "here write a message to append",
                      "placeholder": "enter your message",
                  },
              }
          )
          print(response)
  
          if __event_emitter__:
              await __event_emitter__(
                  {
                      "type": "status",
                      "data": {"description": "adding message", "done": False},
                  }
              )
              await asyncio.sleep(1)
              await __event_emitter__({"type": "message", "data": {"content": response}})
              await __event_emitter__(
                  {
                      "type": "status",
                      "data": {"description": "added message", "done": True},
                  }
              )
  
  

5.3 函数创建

Open-WebUI 提供了三种方式进行创建：

• 手动创建：点击右上角的 + 号，会进入到下图所示的创建页面（默认是过滤器函数的代码框架，如果要改成其它函数，可以复制上面对应的函数代码框架），然后完成相应的代码编写（可以自己提需求，让 DeepSeek 帮写，然后复制到这里），最后点击 保存 就成功创建我们的函数啦；
  注： Open-WebuUI 在函数代码上下文中提供了 Valves 和 UserValves 等参数，如果有需要或者想详细了解的，可以参考官网说明
  

• 社区导入： 在 Open-WebUI 官方社区 寻找你中意的函数，接下来的操作步骤与提示词中的步骤一致；
  
  注： Open-WebUI 官方社区 提供了非常丰富的函数供大家选择，强烈建议一定去逛逛（可能打开新世界的大门额😏）我这里推荐几个实用的：

  • Dynamic Vision Router： 在聊天中，如果有图片，会使用视觉模型解析图片，实现多模态。
  • RAGFLOW_COT： 解决集成 RagFlow 后的思维链问题。
  • Dify Workflow： 集成 Dify 工作流。

• 手动导出导入：在其它系统导出函数或通过上述第二种方式导出 .json 文件，然后在这里导入；
  

5.4 函数使用

5.4.1 管道函数

• 管道函数本身会创建一个新模型，然后在聊天时直接选择使用，如：
  RAGFLOW-COT 这个管道函数会创建了一个 ragflow-cot 的新模型
  
  
  然后在聊天窗口中，会多出来 ragflow-cot 这个模型，直接选择使用即可
  

5.4.2 过滤器函数

过滤器函数的使用也提供两种方式：

• 第一种：全局启用，所有的模型都会使用到这个过滤器函数；如下图中，将全局开关打开就表示全局启用；
  
• 第二种：在后续 六、模型 中引用过滤器函数，请查看具体内容；

5.4.3 操作函数

操作函数的使用与过滤器函数一致，也是同样两种方式，这里就不赘述了；

注： 所有的函数都可以设置一些配置参数，点击 设置 按钮查看，是否需要填写必要参数；

如：RAGFLOW_COT 这个函数，需要填写以下三个参数，否则函数无法使用；

5.5 使用案例

5.5.1 管道函数

使用管道函数集成 RAGFLOW 的知识库助手，会创建 ragflow-sop-cot 的新模型

然后在聊天窗口中，选择 ragflow-sop-cot 模型就行交互，正常输出内容，且效果杠杠的👍

5.5.2 过滤器函数

全局启用动态视觉路由过滤器函数，且将视觉模型改为 Pro/Qwen/Qwen2-VL-7B-Instruct


DeepSeek-R1是不具备图片解释功能的，但因全局启用了动态视觉路由过滤器函数，它会自动路由到 Pro/Qwen/Qwen2-VL-7B-Instruct 视觉模型，进行处理

5.5.3 操作函数

全局启用官方模版操作函数（作用是在模型回复消息末尾追加自定义文本）

所有的模型回复消息下方，都有操作函数按钮

加上自定义消息，点击 确认 后，消息末尾会追加自定义消息

六 、模型

• 功能定位： 模型 模块不仅是 AI 能力的核心载体，更是实现业务场景深度适配的 “原子单元”。作为工作空间区的核心组件，模型 模块通过模块化封装、动态调度与混合增强技术，将传统的大语言模型（LLM）升级为可编程、可协作、可进化的智能体集群（大白话：利用各种接入的原始大模型，配置的函数、工具、知识库搭建一个新的模型<智能体>）。

• 模型创建： Open-WebUI 提供了三种方式进行模型创建：手动创建、社区导入、导出导入；其中社区导入、导出导入方式与前面的内容高度相似，这里就不展开讲解，这里重点讲解手动创建的内容：

  1. 模型图像： 可上传本地图片作为模型图像；
  2. 模型名称： 模型的名称；
  3. 模型ID： 模型唯一标识；
  4. 模型描述： 模型的详情描述；
  5. 添加标签： 对模型添加标签，供搜索模型时使用；
  6. 可见性： public（所有人可见）、 private（与权限组一起使用，不配置权限组将只有管理员可见）；
  7. 系统提示词： 模型的系统提示词；
  8. 高级参数： 与模型聊天时各种调优参数；对话区有相同配置，我们放到对话区一起详细讲解；
  9. 提示词建议： 给模型添加默认提示词模版；效果如下：
     
  10. 知识库： 给模型添加 三、知识库 中的知识库；使用这个模型时，一定会在关联的知识库中检索内容，作为提问的背景（RAG）；
  11. 工具： 给模型添加 四、工具 中启用的工具；使用这个模型时，会选择性使用关联的工具辅助大模型完成回答任务；
  12. 过滤器： 给模型添加 5.4.2 过滤器函数 中启用的过滤器； 使用这个模型时，一定会使用关联的过滤器函数；
  13. 自动化（PIPE）： 给模型添加 5.4.3 操作函数 中启用的操作函数；使用这个模型时，一定会使用关联的自动化；
  14. 能力： Vision（是否支持图像输入）、Usage（是否展示本次响应的 Token 使用信息）、Citations（是否展示知识库引用）

• 模型使用： 上述模型创建会在模型列表中新增一个对应模型，直接选择使用即可；如：上述创建了一个具有生图功能，并关联MySQL知识库的模型 DeepSeek-R1-Plus ，直接在聊天模型中选择使用即可；
  

七 、Pipeline

7.1 什么是Pipeline？

Pipeline 是 Open-WebUI 生态中一个独立且模块化的插件框架 ，旨在为任何支持 OpenAI API 规范的 UI 客户端提供可定制的工作流扩展能力。其核心理念是允许开发者通过编写轻量级代码，在用户与大型语言模型（LLM）的交互过程中注入自定义逻辑，实现从简单过滤到复杂多模型协作的全流程控制。

7.2 Pipeline与函数的区别

维度	函数（Functions）	管道（Pipelines）
运行环境	内嵌于 Open-WebUI 服务器，依赖其运行时环境	作为独立服务运行（需单独部署 Pipelines 服务器）
功能范围	轻量级插件，侧重单一功能（如按钮、简单逻辑）	复杂工作流，支持多步骤处理（如 RAG、多模型协作）
灵活性	受限于 Open-WebUI 的 API 和沙盒环境	几乎无限制，可调用任意 Python 库和外部服务
用户交互	通过界面直接配置（如过滤器或管道函数）	需在客户端设置 OpenAI URL 指向 Pipelines 服务
安全性	相对安全（运行在受控环境中）	需谨慎管理（因支持任意代码执行，存在安全风险）

7.3 Pipeline服务部署

• docker部署： 请使用以下命令：

  docker run -d -p 9099:9099 --add-host=host.docker.internal:host-gateway -v pipelines:/app/pipelines --name pipelines --restart always swr.cn-north-4.myhuaweicloud.com/ddn-k8s/ghcr.io/open-webui/pipelines:main
  

• docker-compose部署： 在 docker-compose.yml 文件中添加如下配置：

    pipelines:
      image: swr.cn-north-4.myhuaweicloud.com/ddn-k8s/ghcr.io/open-webui/pipelines:main
      container_name: pipelines
      ports:
        - "9099:9099"
      volumes:
        - pipelines:/app/pipelines
      extra_hosts:
        - host.docker.internal:host-gateway
      restart: always
  

• 裸机部署：
  1. 安装python： 参考这篇文章
     注： python推荐版本为3.11.x，官方有说明
     
  2. 克隆 Pipelines 存储库：

     git clone https://github.com/open-webui/pipelines.git
     cd pipelines
     

  3. 安装所需的依赖项：

     pip install -r requirements.txt
     

  4. 启动管道服务器：

     sh ./start.sh
     

7.4 Pipeline连接

在外部连接中添加新的连接，URL填写：docker部署：http://pipelines:9099，裸机部署：http://localhost:9099；秘匙：0p3n-w3bu!（固定）
添加成功后，密匙旁边会有 Pipeline 图标

7.5 Pipeline安装使用

上述 Pipeline 连接成功后，进入到 Pipeline 页面后，管道 URL 自动选择上述外部连接中配置的 URL（如果配置了多个连接，就可以自有选择了）

Open-WebUI 提供了两种方式进行 Pipeline 安装：

• 手动安装：点击 点击此处选择py文件，会让你选择一个本地编写好的 python 文件，然后点击右边的 上传符号，它会加载到下面 Pipeline 值中，填写好 Pipeline 需要的参数值，就可以使用了；
• Github URL 安装：在 Github 上选择一个 python 文件（如下图一，选择 Open-WebUI 官方pipelins项目中的示例python文件google_translation_filter_pipeline.py），然后点击右边的 下载符号，它会加载到下面 Pipeline 值中，填写好 Pipeline 需要的参数值，就可以使用了；
  
  

八 、总结

至此，Open-WebUI 工作空间区的“多模态作战室”已全面竣工！🎉🎉🎉 通过提示词工业化、知识库动态化、工具链原子化、函数协同化、模型场景化五大核心模块的深度配置，你的团队将实现从“人机对话”到“人-机-知识三元融合”的质变升级。

💡 趣味冷知识
当工作空间区的所有模块均完成配置时，系统会生成一枚《头号玩家》风格的虚拟勋章，隐藏在工作空间右上角的齿轮图标中——这是 Open-WebUI 对“完全体数字指挥官”的终极认证！🎮

🚧 下一站预告
《【2025保姆级】Open-WebUI五大功能区首曝！第三篇：用户设置区——个性化定义与隐私控制，打造你的专属AI人格》即将上线！