ローカルAIでPDF・文書チャットする方法｜LM Studio・AnythingLLM・RAGの違い
- 公開日
- 2026-06-06
- 更新日
- 2026-09-30
- 情報確認日
- 2026-09-30
- 編集・運営
- Local AI Compass
ローカルAIでPDFや文書を扱う方法は、単純な文書添付型、文書チャット型、RAG型などに分けて考えると分かりやすいです。短いPDFを少し試すならLM Studioの文書添付、大量の文書を整理して検索したいならAnythingLLMやRAG型の仕組みが候補になります。ただし、社内文書や個人情報を扱う場合は、ローカルモデルか外部APIか、埋め込み処理がどこで行われるかを必ず確認してください。
導入前に確認すること
- Windowsのバージョン、メモリ容量、GPU/VRAM、空き容量を確認する
- 最初は軽量モデル、短い質問、少ない同時作業から始める
- 公式サイトの対応OS、利用規約、モデルのライセンスを確認する
2026年8月時点の文書チャット方式を分ける
文書チャットの比較では、回答モデルを動かすruntime、文書を管理するUI、embedding/RAGを担う検索層を同じものとして扱わないようにします。Open WebUIの現行KnowledgeはFocused Retrieval (RAG)とFull Contextを切り替えられ、knowledgeのscopeやnative function callingによって検索のされ方も変わります。
| 候補 | 公式docsで確認できる範囲 | 選び方 |
|---|---|---|
| Open WebUI Knowledge | Focused Retrieval (RAG)は関連chunkを検索し、Full Contextは文書全体を毎回入れる。knowledgeをmodelやchatへscopeできる | 大きい文書集合はRAG、短い常用資料はFull Contextを試し、provider・保存先・権限を別に確認する |
| AnythingLLM | 文書添付とembedding/RAGを分け、thread / workspace scopeやcontext windowの影響を確認する | 短い資料の全文利用と、複数文書の検索・再利用を別の導入段階にする |
| Ollama Embeddings | `/api/embed`でテキストをvector化するruntime。indexとqueryには同じembedding modelを使う | Ollama単体を文書UIとみなさず、RAG側のembedding部品として接続先を確認する |
Open WebUIのDocument Extraction docsは、PDFやスキャン画像を扱える一方、Temporary Chatではbrowser-only処理になり複雑な形式で制約が出ると説明しています。文書の機密性、抽出経路、保存先、外部providerを同じ「ローカル」という言葉でまとめないことが重要です。
- Open WebUI Knowledge - Focused Retrieval、Full Context、knowledge scopeを見る
- Open WebUI RAG - 文書添付、外部vector database、削除とembeddingを見る
- Open WebUI Document Extraction - PDF・スキャン画像・Temporary Chatの抽出境界を見る
- AnythingLLM Using Documents - 文書添付とRAG、workspace scopeを確認する
- Ollama Embeddings - /api/embedとembedding modelの役割を見る
数値表の正確な合計や、分類結果をsheetへ戻す作業は、PDF・文書チャットの検索とは別工程です。Excelで集計値を確定してから必要な文章列だけをローカルLLMへ渡す手順は、専用ガイドで確認できます。
- Excel・CSVをローカルAIで分析する方法 - PivotTableの集計、CSV保存範囲、結果照合を見る
local modelでもproviderとtoolを確認する
local modelを選んだことは、web search、MCP、embedding、router fallback、Scheduled Jobs、Magic機能、memoryまでlocalになることを意味しません。provider、tool、保存先、ログ、外部通信を分けて確認します。
- ローカルLLMの安全性とprivacy - 履歴、ログ、外部送信、モデル出所を確認する
- AnythingLLM Model Router - fallbackとrouteごとのproviderを確認する
local/cloud/offlineは保存・同期・exportで判定する
「ローカルAI」と書いてあっても、推論場所、文書処理、embedding、会話履歴、同期、export、ログは別の経路です。local modelを選んだことだけで、すべてのファイルと会話が同じPCだけに残るとは判断しません。
| 構成 | 通信が必要になる場面 | 保存・同期・exportで確認すること |
|---|---|---|
| LM Studioのlocal文書チャット | ダウンロード済みmodelのchat・文書RAG・local serverはofflineで使える。model search/download、runtime取得、Windowsのupdate確認は通信する | 会話はWindowsの`%USERPROFILE%\.lmstudio\conversations`配下のJSON。backup時は原本・会話・modelを分け、JSONを手編集しない |
| Open WebUI Knowledge | ブラウザのSync Directoryはhash比較後に追加・変更・削除をuploadし、remote sourceやscheduleはKnowledge Base Sync (oikb)の別経路 | 未変更ファイルは再upload・再embeddingしない。削除はKBから消える。管理者exportはzipだがファイルを`.txt`へ変換し、API処理は完了statusをpollする |
| AnythingLLM Desktop | LLM・embedding・vector DBをlocal/cloudで選べる。anonymous telemetryは別の設定として確認する | Windowsのstorageに`lancedb`、`documents`、`vector-cache`、SQLite、`direct-uploads`、`logs`が分かれる。workspaceから外す操作とMy Documentsからparsed source・cached embeddingsを完全削除する操作を分ける |
| LM Studio Bionicのcloud / remote | Cloudはinternet、account、billing、creditsが必要。RemoteはLM Linkで別端末のlocal modelへ接続する | Cloud推論とlocal/remote推論の実行場所、会話の残る端末、Zero Data Retentionの条件、利用枠を同じ「local」と呼ばない |
- 守る対象を原本、抽出text、embedding/vector、会話、ログ、backup/exportのどれかに分ける。
- LLM、embedding、vector DB、OCR、同期元、remote/cloud endpointを構成図に書き、各経路のproviderと保存先を記録する。
- 同期を使う場合は、追加・変更・削除の順序、未変更ファイルの扱い、処理完了status、失敗時の再実行を確認する。
- exportやbackupを作る場合は、原本が含まれるか、抽出textやembeddingが変換・除外されるか、管理者権限が必要かを確認する。
- 公開PDFで一度試し、通信を止めた時に何が使えなくなるかを確認してから、機密文書を扱う。
削除ボタンで表示が消えたこと、workspaceから外れたこと、検索用vectorやparsed source、会話JSON、logs、backupが消えたことは同じではありません。local/cloud/offlineの判断は、データ種別ごとに保存・同期・export・削除の証跡を残して行います。
- LM Studio Offline Operation - 文書RAGとmodel search・download・updateの通信を分ける
- LM Studio Manage chats - Windowsの会話JSON保存先とbackup範囲を見る
- LM Studio Stateful Chats - stateful storageと`store:false`を確認する
- Open WebUI Knowledge - 差分同期、削除、管理者export、処理statusを見る
- AnythingLLM Privacy & Data - workspace除去とMy Documents完全削除を分ける
- AnythingLLM Desktop Storage - Windowsのvector・documents・logs保存面を見る
- LM Studio Cloud・Local・Remote - cloud、local、別端末remoteの実行場所を比較する
- RAG保存・削除の確認表 - embedding・vector・backupのライフサイクルを確認する
文書チャットは「読ませる」より「検証できる」構成で選ぶ
PDF・文書チャットツールを選ぶ時は、モデルの強さだけでなく、PDF抽出、チャンク分割、引用表示、元資料照合、保存先、外部API設定を確認します。
| 選び方 | 確認すること | 関連 |
|---|---|---|
| 手順重視 | PDF追加から質問まで進める | /articles/anythingllm-pdf-local-ai/ |
| 失敗対策 | 抽出・検索・引用を切り分ける | /articles/anythingllm-pdf-not-working/ |
| 抽出構造 | 表・脚注・読み順・出力形式を照合する | /articles/pdf-rag-ocr-text-extraction-problems/ |
| 分割・検索 | chunkの見出し・表・引用への戻り道を見る | /articles/rag-chunking-retrieval-miss/ |
| 研究地図 | RAGの限界と検証観点を見る | /articles/rag-pdf-hallucination-citation-guide/ |
| 安全性 | 保存先・ログ・外部APIを見る | /articles/local-rag-privacy-checklist/ |
- PDF/RAG/引用確認の親ガイド - PDF回答が間違う場所を全体で確認する
- AnythingLLM検証チェックリスト - 公開PDFで根拠確認の手順を作る
- 引用faithfulness確認 - 引用がある回答を元PDFで照合する
- ローカルRAGのプライバシー - 外部API・埋め込み・保存先・ログを確認する
LM StudioとAnythingLLMは担当が違う
LM Studioはモデルを動かす側、AnythingLLMは文書やPDFをワークスペースに入れて検索・参照する側です。PDFの回答が弱い時は、モデル性能だけでなく、文字抽出、埋め込み、検索、チャンク分割、質問範囲の指定を分けて確認します。
| 層 | 担当 | 確認すること |
|---|---|---|
| モデル実行 | LM Studio / Ollama | 単体で短い質問に答えられるか、base URLやmodel名が合うか |
| 文書/RAG | AnythingLLMなど | PDFの文字抽出、埋め込み、検索範囲、引用確認 |
| 外部API | OpenAI互換APIなど | 送信される文書断片、料金、API key、ログ方針 |
- AnythingLLMでPDFを読む設定手順 - PDF追加から質問まで進む
- PDFが期待通りに答えない時の直し方 - 抽出・埋め込み・検索を切り分ける
- Hermes DesktopとLM Studioの接続手順 - モデル実行側のAPI接続を確認する
先に結論：PDFの量と機密度で選ぶ
短いPDFを少し試すだけなら、まずLM Studio単体や軽い文書貼り付けで十分な場合があります。複数PDFや資料を横断したいなら、AnythingLLMのような文書/RAGツールを使うと整理しやすくなります。
仕事や商用利用では、アプリ本体だけでなく、接続するモデル、埋め込み、外部API、文書の権利と社内ルールを確認してください。このページはAnythingLLM単体の使い方ではなく、PDF・文書チャットの比較と選び方を整理する入口です。
- WindowsでAnythingLLMにPDFを読ませる具体手順 - 実際の設定へ進む
- AnythingLLMとは？WindowsでPDFを読む手順とLM Studio/Ollama連携 - ツール概要と最短ルートを確認する
- 機密文書をローカルLLMで扱う前の注意 - 通信先・保存先・ログを確認する
文書チャット7方式の選び分け
| 方式 | ローカル完結 | PDF適性 | 導入 | まず試す用途 |
|---|---|---|---|---|
| AnythingLLM | 構成次第で高い | 高い | 中 | 複数PDFをワークスペースで検索 |
| LM Studio単体 | 高い | 限定的 | 易 | モデル単体の会話・短い添付の確認 |
| Ollama単体 | 高い | UIは別途 | 中 | API・CLIのモデル実行基盤 |
| Open WebUI | 構成次第で高い | 高い | 中 | Ollama等に会話UIと文書機能を追加 |
| NotebookLM | 低い | 高い | 易 | クラウドで資料を素早く整理 |
| ChatGPT | 低い | 高い | 易 | 外部サービス利用が許される文書の分析 |
| 自作ローカルRAG | 高くできる | 高い | 難 | 検索・権限・評価を細かく設計 |
「ローカルアプリを使う」だけで通信がゼロになるとは限りません。生成モデル、埋め込み、OCR、同期の各設定を確認し、機密文書では組織ルールを優先してください。
AnythingLLMを商用利用・業務利用する前に確認すること
商用利用の可否はAnythingLLM本体だけでは決まりません。利用する生成モデル、埋め込みモデル、外部API、取り込む文書、組織の規程を組み合わせて確認します。ここでは法的判断をせず、確認範囲を整理します。
- AnythingLLM本体の現在のライセンスと利用規約
- 生成に使うLLMのライセンスと用途制限
- 埋め込みモデルのライセンスと再配布・業務利用条件
- 外部APIを使う場合に送信される文書断片とログ方針
- 社内文書、個人情報、契約情報を扱う組織ルール
- 回答の誤りを誰が確認し、原文へ戻れるか
結論：PDFの量と繰り返し利用で選ぶ
| 用途 | 向く方法 | 理由 |
|---|---|---|
| 短いPDFを一度だけ要約 | 文書添付に対応するチャットUI | 準備が少なく試しやすい |
| 複数PDFへ繰り返し質問 | AnythingLLMなどの文書ワークスペース | 資料を整理し、検索して再利用しやすい |
| 社内検索や独自アプリ | RAG構成 | 検索・権限・UIを目的に合わせて設計できる |
| クラウドで手軽に使う | NotebookLMやChatGPT等 | 導入は早いが、送信範囲と規約の確認が必要 |
ツールの役割を混同しない
文章を読み、回答を生成するモデル実行側です。
文書追加、検索、会話履歴、ワークスペースを扱います。
質問に関連する文書を検索して回答モデルへ渡す設計です。
文章の意味を数値化し、近い断片を探すために使います。
ローカルで行う意味と限界
| ローカルの利点 | 確認が必要な点 |
|---|---|
| 文書を手元の環境で処理しやすい | 更新・バックアップ・アクセス権は自分で管理 |
| モデルや検索設定を選べる | PC性能で速度と精度の上限が変わる |
| 継続利用の構成を作りやすい | 外部APIや同期を使えば通信が発生する |
最初の選び方フロー
- PDFがテキストPDFか、スキャン画像PDFかを確認する。
- 一度だけ使うか、複数資料を繰り返し検索するか決める。
- LM StudioまたはOllamaで回答モデルを単体確認する。
- 繰り返し使うならAnythingLLMなどの文書UIを追加する。
- 精度が足りない時だけ、埋め込み、chunk、RAG設定を見直す。
ローカルAIでPDF・文書チャットする方法は1つではない
PDFをAIに読ませる方法は、単純にモデルへ全文を渡すだけではありません。短い文書を添付して質問する方法、文書管理ツールでチャットする方法、RAGで検索して回答する方法、APIで自作する方法があります。
どれが正解かは、文書の長さ、文書数、機密性、検索したいのか要約したいのか、PCスペック、外部APIを使えるかで変わります。
文書添付型とは
文書添付型は、チャット画面にPDFやテキストを添付し、その場で質問する使い方です。短いPDFや少量の資料を試すには分かりやすい入口になります。
一方で、長いPDFや複数文書をまたいだ検索には向かない場合があります。コンテキスト長やモデル負荷の影響も受けます。
文書チャット型とは
文書チャット型は、AnythingLLMのように文書をワークスペースへ入れて、チャットから参照する使い方です。個人メモ、PDF、資料をまとめて扱いたい人に向きます。
ただし、ツールが裏側でどのモデル、埋め込み、ベクトルDB、外部APIを使うかを確認する必要があります。
RAG型とは
RAG型は、質問に関係しそうな文書の一部を検索し、それをAIに渡して回答させる考え方です。大量文書や検索用途では重要になります。
- RAG・埋め込み・ベクトルDBの仕組み - PDFチャットの裏側を確認する
- 埋め込みモデルとは - 意味検索に使うモデルの役割を見る
PDF・文書チャット方法の比較表
| 方法 | 向いている用途 | 強み | 弱み | 注意点 | 関連記事 |
|---|---|---|---|---|---|
| LM Studioの文書添付 | 短いPDF、少量文書の確認 | 画面で試しやすい | 大量文書検索には弱い場合 | 長文ではコンテキスト長に注意 | コンテキスト長とは |
| AnythingLLMの文書チャット | PDFやメモのワークスペース化 | 文書管理とチャットを分けやすい | 設定や接続先の確認が必要 | 外部APIや埋め込み設定を確認 | AnythingLLMでPDFを読むには |
| RAG構成 | 複数文書から検索して回答 | 必要部分を探して渡せる | 仕組みの理解が必要 | 検索ずれや根拠確認が重要 | RAG・埋め込み・ベクトルDBの仕組み |
| APIで自作 | 自分のWebアプリやツール組み込み | 自由度が高い | 実装と検証が必要 | JSON出力や権限管理も見る | ローカルAIをAPIで使う方法 |
| クラウドAI利用 | 手早い検証、PC負荷を避ける | セットアップが軽い場合 | データ送信や料金が発生 | 社内文書は規約確認が必要 | ローカルAIとクラウドAIの違い |
LM StudioでPDFを扱う場合
LM Studioは、短いPDFやテキストを使ってモデル単体の文書理解を試す入口として見やすい候補です。まず短い資料で、要約、箇条書き、根拠確認を試すと判断しやすくなります。
長いPDFや複数PDFでは、コンテキスト長、モデルサイズ、GPU/VRAM、回答速度の問題が出やすくなります。
AnythingLLMでPDFを扱う場合
AnythingLLMは、PDFやメモをワークスペースとして扱いたい人に向きます。文書を入れて質問する用途では、LM Studio単体より文書活用に寄った考え方ができます。
ただし、PDFを入れれば必ず正しく答えるわけではありません。文字抽出、分割、埋め込み、検索、チャットモデルが関係します。
用途別おすすめ表
| 目的 | まず試す候補 | 注意点 | 次に読む記事 |
|---|---|---|---|
| 数ページのPDFを試したい | LM Studioの文書添付 | 長すぎる入力は避ける | コンテキスト長とは |
| 長いPDFを要約したい | 短く分割してLM Studio、またはAnythingLLM | 全文一括にこだわらない | PDFが期待通りに答えない理由 |
| 複数PDFから検索したい | AnythingLLMやRAG型 | 埋め込みと検索ずれを見る | RAG・埋め込み・ベクトルDB |
| 社内文書を扱いたい | ローカル設定を確認できる構成 | 外部送信と保存先を確認 | 埋め込みモデルとは |
| 個人メモを検索したい | AnythingLLM、RAG、API自作 | メモの分割とタグも重要 | ローカルAIでJSON出力する方法 |
| 自分のWebアプリに組み込みたい | APIで自作 | JSON出力と検証が必要 | ローカルAIをAPIで使う方法 |
社内文書・個人情報なら何に注意するか
社内文書や個人情報を扱う場合は、ローカルモデルか外部APIか、埋め込み処理がどこで行われるか、ベクトルDBやワークスペースの保存先はどこかを確認してください。
ローカルAIでも、クラウド埋め込みや外部APIを使う設定ならデータ送信が発生する可能性があります。商用利用や業務利用は、ツール、モデル、API、社内ルールを分けて確認してください。
コンテキスト長と文書チャットの関係
短い文書なら、チャットの文脈にそのまま入れて処理できる場合があります。長いPDFや複数文書では、コンテキスト長が足りない、重くなる、要点が抜けるといった問題が出やすくなります。
- コンテキスト長とは - 長文・PDFが重くなる理由を確認する
PDFがうまく読めないときの確認ポイント
- PDFが画像スキャンで文字抽出できていない
- 文書が長すぎてコンテキストに入りきらない
- RAGの検索結果が質問とずれている
- 埋め込みモデルが日本語文書に合っていない
- チャットモデルの日本語力や指示追従が足りない
- 外部API/ローカル設定を混同している
初心者はどれから試すべきか
まず短いPDFを1つだけ使い、LM Studioなどで要約と根拠確認を試します。うまくいけば少し長い文書へ進み、複数文書検索が必要になった段階でAnythingLLMやRAG型を検討します。
最初から大量文書、社内文書、本番データを入れるのは避けてください。テスト用資料、短い入力、ローカル/外部接続の確認から始めるのが安全です。
次に読む記事
- AnythingLLMでPDFを読むには - 文書チャットの準備と注意点を見る
- PDFが期待通りに答えない理由 - 回答ずれの原因を確認する
- 埋め込みモデルとは - 意味検索に使うモデルを理解する
- ローカルAIでJSON出力する方法 - 文書処理結果をアプリで扱う次の段階へ進む
よくある質問
ローカルAIでPDFを読むなら何から試せばいいですか？
まず短いPDFを1つだけ使い、LM Studioなどで要約や根拠確認を試すのが現実的です。複数文書検索が必要になったらAnythingLLMやRAG型を検討してください。
LM StudioとAnythingLLMはどちらがPDF向きですか？
短いPDFを少し試すならLM Studioが分かりやすい場合があります。文書をワークスペースとして管理し、複数文書から検索したいならAnythingLLMが候補になります。
PDFを入れればAIは全部読んでくれますか？
必ず全部を正しく読むとは限りません。PDFの文字抽出、コンテキスト長、文書分割、検索、モデル性能が関係します。
大量のPDFにはRAGが必要ですか？
大量文書ではRAGの考え方が役立つことが多いです。ただし、RAGでも検索ずれや埋め込み設定の問題は起こるため、根拠確認が必要です。
社内文書をローカルAIで扱っても安全ですか？
安全とは断定できません。ローカルモデルか外部APIか、埋め込み処理、保存先、ツール設定、社内ルールを確認してください。
PDFがうまく読めない原因は何ですか？
画像スキャン、文字抽出失敗、長すぎる文書、検索ずれ、日本語モデルの相性、PCスペック不足などが考えられます。
LM Studio単体とAnythingLLMは何が違いますか？
LM Studioは主にモデルを探して実行する側です。AnythingLLMはPDFや文書をワークスペースに取り込み、検索して回答へ使う側です。短い文書の一時利用と、複数文書の継続利用で選び分けます。
NotebookLMやChatGPTよりローカルAIの方が安全ですか？
ローカル処理は外部送信を減らせる可能性がありますが、設定、同期、外部API、OS、バックアップを含めて確認が必要です。安全性を自動的に保証するものではなく、文書の機密度と組織ルールに合わせて判断してください。
次に読むおすすめルート
PDFや資料を読ませたい人
先に基本を押さえ、モデル単体の確認後にAnythingLLMへ進みます。
- PDF回答が間違う理由
- オンデバイスRAG/NPU研究
- RAGのCPU/GPU/NPU負荷分解
- Quant.npuとNPU向け静的量子化
- LENSで見るNPUレイテンシ予測
- AnythingLLMでPDFを読むには？商用利用前の確認も整理
- PDFを読ませても期待通りに答えない理由
- PDF抽出・OCR・表の崩れ
- WindowsでローカルOCRを選ぶ方法
- チャンク分割と検索漏れ
- 引用faithfulness確認
- AnythingLLM検証チェックリスト
- ローカルLLMの安全性とプライバシー
- ローカルRAGのプライバシー
- RAG・埋め込み・ベクトルDBの仕組み
- GGUF安全とRAG/NPU研究
- 知らないGGUFを動かす前に
- 埋め込みモデルとは
- 日本語PDFと埋め込みモデル
- コンテキスト長とは
- 仕事のPDFを入れる前の確認
- AnythingLLMの解説
- まずローカルAIの基本ガイド
- PCスペックの見方
- 診断ページ
あなたはどのタイプ？
- 初めてローカルAIを触る人 - まず全体像をつかみ、LM StudioとOllamaの違い、モデルサイズの考え方を順番に確認します。
- LM Studio・Ollamaの症状別トラブルを解決したい人 - 起動、モデルロード、Prompt Processing、generation、API接続、GPU確認をツール別に分けて読みます。
- GPUなし・低スペックPCの人 - 軽量モデル、メモリ別の目安、重いときの確認ポイントを先に見ます。
- PDFや資料を読ませたい人 - 先に基本を押さえ、モデル単体の確認後にAnythingLLMへ進みます。
- ローカルAIエージェントを試したい人 - Bionic、Ollama、AnythingLLM、Hermesを役割別に分け、local/cloud、tool、保存、PC負荷を順番に確認します。
- 開発・API連携したい人 - LM StudioとOllamaの違いを確認し、API、長文処理、RAGまで段階的に進みます。
関連チェック先
- AnythingLLM Docs - Embedding Models、Language Models、Vector Database、Security & Access、Privacy & Data Handlingなどの公式入口です。
- LM Studio API / Developer Docs - LM Studioのnative REST API、/api/v1/*、OpenAI互換endpoint、ローカルサーバー機能を確認できます。
- Ollama API - Ollamaのlocal /api、cloud APIのbase URL、Python/JavaScriptライブラリを確認できます。
- Retrieval-Augmented Generation: A Comprehensive Survey of Architectures, Enhancements, and Robustness Frontiers - RAGが事実不整合や知識更新を補う一方、retrieval quality、grounding fidelity、robustnessなどの課題を持つことを整理したプレプリントです。
- AnythingLLM Model Router setup - calculated rule、LLM-classified rule、fallback、cache、sticky routeの公式ドキュメントです。
- AnythingLLM Scheduled Jobs overview - job、run、schedule、allowed tools、結果保存、single-user modeの公式ドキュメントです。
- Why AnythingLLM Pro? - AnythingLLM Desktopの無料範囲とMagic featuresのfree tier/Proの公式説明です。
- AnythingLLM Using Documents - 文書添付、embedding/RAG、workspace・thread scope、context windowの現行説明です。
- AnythingLLM Privacy & Data Handling - telemetry、workspaceからの除去、My Documentsからのparsed source・cached embeddings完全削除を確認する公式ドキュメントです。
- AnythingLLM Desktop Storage - Windowsのstorage配下にあるlancedb、documents、vector-cache、SQLite、direct-uploads、logsを確認する公式ドキュメントです。
- Open WebUI Knowledge - Focused Retrieval (RAG)、Full Context、knowledge scope、検索・埋め込み・agentic retrievalの公式説明です。
- Open WebUI RAG - 文書添付、RAG、Full Context、外部vector database、削除とembeddingの公式説明です。
- Open WebUI Document Extraction - PDF・スキャン画像・画像文書の抽出とTemporary Chat時のbrowser-only処理を確認できます。
- Ollama Embeddings - /api/embed、semantic search、RAG、index/queryで同じembedding modelを使う考え方を確認できます。
- LM Studio Offline Operation - モデル取得後のlocal chat・文書RAG・local serverと、model search・download・runtime・updateで必要な通信を分ける公式ドキュメントです。
- LM Studio Manage chats - Windowsの会話保存先、JSON形式、chatのfolder・duplicate・fileの扱いを確認する公式ドキュメントです。
- LM Studio Stateful Chats - native chatのstateful storage、response_id、`store:false`によるstateless chatを確認する公式ドキュメントです.
- LM Studio Bionic: Cloud・Local・Remote model - Bionicのmodel pickerで選ぶcloud・local・remoteの実行場所、必要条件、Root modelを確認できます。