Effi/docs/04-depannage/openwebui-optimisation-top30.md

Top 30 Outils, Fonctions et Prompts pour Optimiser OpenWebUI (Local-First)

Date de création : 2026-04-05
Contexte : Configuration locale self-hostée (Effi Project)
Objectif : Optimiser l'expérience OpenWebUI pour une IA locale performante

---

Résumé Exécutif

Ce document présente les 30 meilleurs outils, fonctions et configurations pour optimiser OpenWebUI dans un environnement self-hosté. Les recommandations sont classées par catégorie et priorisées selon leur impact pour une utilisation locale (Ollama, infrastructure personnelle).

---

CATÉGORIE 1 : FONCTIONS NATIVES ESSENTIELLES (1-10)

#1 - Sub Agent Tool ⭐⭐⭐⭐⭐

Type : Tool
Auteur : Skyzi000
Downloads : 6.4K+

Description :
Exécute des tâches complexes en autonomie dans un contexte isolé. Décompose les tâches multi-étapes en itérations gérées par un sous-agent dédié, puis retourne uniquement le résultat final pour garder le contexte principal propre.

Avantages :

• Contexte isolé pour tâches complexes (pas de pollution du chat principal)
• Exécution parallèle possible (jusqu'à 5 sub-agents simultanés)
• Support natif des skills et outils builtin
• Gestion automatique des citations et sources
• Compatible avec tous les modèles supportant le function calling natif

Configuration recommandée :

MAX_ITERATIONS: 10
MAX_PARALLEL_AGENTS: 5
EXCLUDED_TOOL_IDS: sub_agent  # Évite la récursion
ENABLE_WEB_TOOLS: true
ENABLE_KNOWLEDGE_TOOLS: true
ENABLE_CODE_INTERPRETER: true

Cas d'usage :

• Recherche multi-sources sur internet
• Analyse de code complexe
• Comparaison de solutions techniques
• Revue de documentation étendue

Installation :
Admin Panel → Tools → Discover → "Sub Agent" → Install

---

#2 - Knowledge Memory (v4.0) ⭐⭐⭐⭐

Type : Function (Filter)
Auteur : normen
Downloads : 395+

Description :
Système de mémoire persistante utilisant les knowledge bases Qdrant pour stocker automatiquement les informations utilisateur. Extraction asynchrone des faits avec modèle séparé, stockage dans knowledge base, récupération via RAG natif.

Avantages :

• Mémoire persistante entre conversations
• Extraction automatique des faits
• Utilise Qdrant déjà présent (pas de service supplémentaire)
• Déduplication automatique via similarité
• Pas de latence ajoutée (extraction asynchrone)

Inconvénients pour usage local :

• Ajoute ~5-10 secondes de traitement par message
• Consomme des requêtes LLM supplémentaires
• Peut être trop lourd pour usage quotidien intensif

Configuration recommandée :

Model: qwen3.5:2b  # Modèle léger pour extraction
Context Messages Count: 5
Enable Query Generation: true
Fetch Memories With Model: false  # Utilise RAG natif
Use Legacy Memory System: false
Knowledge Base Name: memory-base

Verdict :
✅ Excellent pour mémoire complète, ❌ Trop lent pour usage rapide quotidien

---

#3 - Web Search (Builtin) ⭐⭐⭐⭐⭐

Type : Builtin Tool Natif
Disponibilité : Open WebUI 0.7+

Description :
Recherche web intégrée permettant à l'IA d'accéder aux informations actualisées en temps réel. Supporte plusieurs providers (SearXNG, Brave Search, Google Custom Search, etc.).

Avantages :

• Activation instantanée (pas de configuration complexe)
• Résultats avec citations et sources
• Actualisation automatique des connaissances
• Supporte les recherches récentes (actualités, sport, tech)
• Fonctionne offline si SearXNG auto-hébergé

Configuration recommandée :

Provider: SearXNG (auto-hébergé) ou Brave Search
Résultats par recherche: 5-10
Langue: Français + Anglais

Activation :
Admin Panel → Settings → Web Search → Enable

Usage optimal :

• "Quelles sont les dernières nouvelles sur..."
• "Donne-moi le classement actuel de..."
• "Recherche des tutoriels récents sur..."

---

#4 - RAG Document (Knowledge Base) ⭐⭐⭐⭐⭐

Type : Builtin Feature
Vector DB : Qdrant, ChromaDB, PGVector, etc.

Description :
Système d'indexation de documents (PDF, TXT, MD, DOCX) pour recherche sémantique. Permet à l'IA d'accéder à votre documentation personnelle et projet.

Avantages :

• Indexation automatique de documents multiples
• Recherche sémantique ( compréhension contextuelle)
• Support de 9 bases vectorielles différentes
• Hybrid search (BM25 + vectoriel)
• 5 moteurs d'extraction (Tika, Docling, Azure, Mistral OCR)
• Mode "full context" (injection complète sans chunking)

Configuration recommandée pour usage local :

Vector DB: Qdrant (déjà présent sur effi-server)
Embedding Model: bge-m3 (local, via Ollama)
Chunk Size: 1000
Chunk Overlap: 200
Top K: 5-10

Cas d'usage pour Effi :

• Knowledge base "effi-docs" avec documentation projet
• KB "archives" pour documents techniques
• KB "guides" pour tutoriels et procédures

Création :
Workspace → Knowledge → + New Knowledge

---

#5 - Memory (Native) ⭐⭐⭐⭐⭐

Type : Builtin Feature
Emplacement : Profile → Settings → Personalization → Memory

Description :
Mémoire utilisateur basique intégrée nativement. Permet de stocker manuellement des faits importants sur l'utilisateur qui sont injectés automatiquement dans chaque conversation via <memory_user_context>.

Avantages :

• Zéro latence (pas d'extraction automatique)
• 100% fiable (vous contrôlez ce qui est mémorisé)
• Stockage simple et durable
• Pas de dépendance externe
• Fonctionne offline
• Contrôle total sur la qualité des souvenirs

Inconvénients :

• Pas d'extraction automatique (manuel uniquement)
• Nécessite une mise à jour manuelle

Contenu recommandé pour mémoire :

# Identité
Prénom: Folzo
Profession: Développeur Python
Localisation: France

# Préférences
Langue: Français
Style communication: Direct, concis
Style code: Clean code, SOLID, TDD

# Stack
Langages: Python, JavaScript
Outils: Docker, Git, Linux, Neovim
OS: Fedora (desktop), Ubuntu Server (serveur)

# Infrastructure
Serveur: effi-server (192.168.1.27, Intel J5040, 8GB)
PC Gaming: folzo-Corp (192.168.1.11, Ryzen 5800X3D, RX 7800 XT, 32GB)
Services: Open WebUI, Ollama, Qdrant, N8N

# Projets
Principal: Effi (assistant IA local)

# Règles importantes
- Préférer self-hosté vs cloud
- Toujours expliquer le "pourquoi"
- Commandes prêtes à copier

Verdict :
✅ Solution retenue pour Effi après tests (performant et fiable)

---

#6 - Code Interpreter ⭐⭐⭐⭐

Type : Builtin Tool / Open Terminal
Disponibilité : Open WebUI 0.7+ / Open Terminal

Description :
Permet l'exécution de code Python (et autres langages) directement dans le chat pour analyse de données, calculs complexes, et visualisation.

Avantages :

• Exécution sandboxée (sécurisée)
• Visualisation graphique (matplotlib, plotly)
• Traitement de données (pandas, numpy)
• Génération de fichiers
• Itération et débogage

Modes d'exécution :

1. Browser sandbox : Exécution légère dans le navigateur
2. Open Terminal : Environnement complet Docker ou bare metal

Configuration Open Terminal :

Type: Docker (recommandé) ou Local
Isolation: Container dédié
Packages préinstallés: pandas, numpy, matplotlib, requests

Cas d'usage :

• Analyse de logs
• Calculs statistiques
• Génération de graphiques
• Traitement de CSV/JSON
• Prototypage rapide

---

#7 - Speech-to-Text (Whisper) ⭐⭐⭐⭐

Type : External Service (Docker)
Modèle : faster-whisper (Systran/faster-whisper-large-v3)

Description :
Service de transcription audio en texte utilisant Whisper d'OpenAI (implémentation faster-whisper pour performance). Permet l'entrée vocale dans Open WebUI.

Avantages :

• Entrée vocale mains libres
• Support multilingue (français excellent)
• Précision élevée
• Fonctionne 100% offline
• Intégration native Open WebUI

Configuration actuelle (effi-server) :

Service: Whisper (Docker)
Port: 8200
Modèle: Systran/faster-whisper-large-v3
Langue: FR
Device: CPU (serveur effi)

Configuration Open WebUI :

AUDIO_STT_ENGINE: openai
AUDIO_STT_OPENAI_API_BASE_URL: http://192.168.1.27:8200/v1
AUDIO_STT_MODEL: Systran/faster-whisper-large-v3

Performance :

• Latence: ~1-3 secondes pour 10-30 secondes d'audio
• Précision: >95% pour français clair
• Utilisation CPU: Modérée (Intel J5040 suffisant)

---

#8 - Text-to-Speech (Openedai-Speech) ⭐⭐⭐

Type : External Service (Docker)
Modèle : openedai-speech

Description :
Service de synthèse vocale pour les réponses de l'IA. Permet d'écouter les réponses plutôt que de les lire.

Avantages :

• Accessibilité (malvoyants, situation mains libres)
• Réponses parlées naturelles
• Multiples voix disponibles
• Fonctionne offline

Configuration actuelle :

Service: Openedai-Speech (Docker)
Port: 8100 (sur folzo-Corp)
Voices: Disponibles dans ./tts-voices

⚠️ Problème actuel :
Connexion refusée au port 8100 depuis effi-server. Nécessite une vérification sur folzo-Corp.

Solution temporaire :
Désactivé dans la configuration Open WebUI jusqu'à résolution.

---

#9 - Image Generation ⭐⭐⭐

Type : Builtin Feature / External API
Providers : DALL-E (OpenAI), ComfyUI (local), Gemini

Description :
Génération d'images directement dans le chat via API externe ou service local (ComfyUI avec Stable Diffusion).

Avantages :

• Création visuelle instantanée
• Intégration fluide dans conversations
• Styles personnalisables (prompt engineering)
• Possibilité d'édition d'images

Options pour usage local :

1. ComfyUI + Stable Diffusion (sur folzo-Corp avec RX 7800 XT)

   • 100% offline
   • Utilise GPU AMD pour génération rapide
   • Nécessite configuration ROCm

2. DALL-E via OpenAI API (cloud)

   • Simple mais payant
   • Haute qualité

Configuration recommandée (local) :

Provider: ComfyUI
URL: http://192.168.1.11:8188 (à configurer sur folzo-Corp)
Modèle: SDXL ou SD 1.5 optimisé pour ROCm

Installation ComfyUI sur folzo-Corp :

# À exécuter sur folzo-Corp
pip install comfyui
# Configurer pour utiliser ROCm (AMD GPU)

---

#10 - Notes ⭐⭐⭐⭐

Type : Builtin Feature
Disponibilité : Open WebUI 0.8+

Description :
Système de prise de notes intégré avec éditeur riche (Markdown et Rich Text). Les notes peuvent être attachées aux conversations pour injection de contexte complet.

Avantages :

• Organisation personnelle hors conversations
• Éditeur riche avec formatage
• AI Enhance (réécriture/amélioration du texte sélectionné)
• Injection de contexte complète (pas de chunking)
• Recherche dans les notes
• Accès agentic (modèles peuvent lire/écrire)

Cas d'usage :

• Journal de bord du projet
• Documentation technique persistante
• Brouillons de documents
• Checklist et tâches
• Templates réutilisables

Création :
Menu latéral → Notes → + New Note

---

CATÉGORIE 2 : OUTILS SPÉCIALISÉS (11-20)

#11 - Home Assistant Tool ⭐⭐⭐⭐

Type : Custom Tool (via Tools)
Usage : Domotique

Description :
Intégration avec Home Assistant pour contrôle des appareils domotiques, automatisation de la maison, et monitoring.

Avantages :

• Contrôle voix/commande des appareils
• Scénarios automatisés
• Monitoring capteurs
• Intégration avec l'écosystème domotique existant

Configuration :

• Nécessite une instance Home Assistant accessible
• Token d'accès API Long-Lived

Cas d'usage pour Effi :

• "Allume la lumière du bureau"
• "Quelle est la température du salon ?"
• "Active le mode cinéma"

Statut : Configuré dans le modèle Effi

---

#12 - Fileshed ⭐⭐⭐

Type : Custom Tool
Usage : Gestion de fichiers

Description :
Outil de gestion et traitement de fichiers uploadés. Permet des opérations avancées sur les documents.

Avantages :

• Upload et traitement batch
• Analyse de fichiers multiples
• Extraction de métadonnées
• Conversion de formats

Statut : Configuré dans le modèle Effi

---

#13 - Web Scraping / Browser Tool ⭐⭐⭐⭐

Type : Tool communautaire
Usage : Extraction web

Description :
Navigation web automatisée pour extraction de contenu, remplissage de formulaires, et scraping de pages.

Avantages :

• Extraction de contenu depuis URLs
• Interaction avec formulaires web
• Capture de pages
• Suivi de liens

Implémentation :

• Via Playwright ou Selenium
• Nécessite un environnement headless

Cas d'usage :

• "Extrais le contenu de cette page"
• "Remplis ce formulaire avec mes infos"
• "Vérifie le prix sur ce site"

---

#14 - Calculator / Math Tool ⭐⭐⭐

Type : Builtin Tool
Usage : Calculs précis

Description :
Outil de calcul mathématique et manipulation de dates pour des opérations précises.

Avantages :

• Précision calculatoire (pas d'hallucination sur les maths)
• Calculs complexes
• Conversions unités
• Manipulation dates/fuseaux horaires

Activation :
Partie des builtin tools (time utilities)

---

#15 - Wikipedia Tool ⭐⭐⭐

Type : Builtin / Tool communautaire
Usage : Recherche encyclopédique

Description :
Recherche et récupération d'articles Wikipedia pour informations factuelles structurées.

Avantages :

• Accès encyclopédique multilingue
• Articles structurés
• Vérification factuelle
• Sources réputées

---

#16 - GitHub Integration Tool ⭐⭐⭐⭐

Type : Tool communautaire
Usage : Développement

Description :
Interaction avec dépôts GitHub pour gestion d'issues, revue de code, et accès repositories.

Avantages :

• Création/lecture d'issues
• Revue de Pull Requests
• Accès au code source
• Gestion des projets

Configuration :

• Token GitHub Personal Access Token

Cas d'usage :

• "Liste les issues ouvertes sur effi"
• "Crée une issue pour ce bug"
• "Montre-moi le diff de la dernière PR"

---

#17 - Translation Tool ⭐⭐⭐

Type : Tool / Feature
Usage : Multilingue

Description :
Traduction automatique entre langues avec conservation du contexte.

Avantages :

• Traduction de documents entiers
• Conservation du formatage
• Support de nombreuses langues
• Intégration fluide

Note :
Moins nécessaire si le modèle principal est multilingue (qwen3.5 supporte très bien le français)

---

#18 - Database Query Tool ⭐⭐⭐

Type : Tool communautaire
Usage : Données

Description :
Permet à l'IA d'interroger des bases de données SQL (PostgreSQL, MySQL, SQLite) ou NoSQL.

Avantages :

• Requêtes SQL sécurisées
• Visualisation des résultats
• Analyse de données structurées
• Gestion des permissions

Configuration :

• String de connexion (sécurisé)
• Schéma de base de données (optionnel pour contexte)

---

#19 - Calendar & Reminder Plugin ⭐⭐⭐

Type : Tool / Integration
Usage : Productivité

Description :
Gestion de calendrier et rappels intégrés pour planification et organisation.

Avantages :

• Création d'événements
• Rappels programmés
• Synchronisation possible (Google Calendar, CalDAV)
• Vue d'ensemble planning

Cas d'usage :

• "Rappelle-moi de faire la sauvegarde demain"
• "Ajoute une réunion à mon calendrier"
• "Qu'est-ce que j'ai prévu cette semaine ?"

---

#20 - File Upload & Processing ⭐⭐⭐⭐

Type : Builtin Feature
Usage : Documents

Description :
Gestion avancée des fichiers uploadés avec prévisualisation, extraction de texte (OCR), et analyse.

Avantages :

• Support multiple formats (PDF, DOCX, TXT, images)
• Extraction OCR pour images
• Analyse de documents complexes
• Prévisualisation intégrée
• Chunking intelligent pour RAG

Formats supportés :

• Documents : PDF, DOCX, TXT, MD
• Images : PNG, JPG, WEBP (avec OCR)
• Code : Tous formats
• Data : CSV, JSON, XML

---

CATÉGORIE 3 : PROMPTS SYSTÈME OPTIMISÉS (21-26)

#21 - Role-Based System Prompt (Effi Style) ⭐⭐⭐⭐⭐

Type : Configuration Modèle

Description :
Prompt définissant clairement le rôle, la personnalité, le ton, et les règles de l'assistant. Essentiel pour la cohérence des réponses.

Structure optimale :

# Identité
Tu es [Nom], l'assistante IA [type] de [Utilisateur]
Date et heure : {{CURRENT_DATE}} {{CURRENT_TIME}}

# Langue et ton
- Langue : [Français/Anglais/...]
- Ton : [Professionnel/Conversationnel/...]
- Style : [Concis/Détaillé/...]

# Règles de réponse
1. [Règle 1]
2. [Règle 2]
3. [Règle 3]

# Spécialités
- [Domaine 1] : [Approche]
- [Domaine 2] : [Approche]

# Actions sensibles
- [Action] : [Comportement requis]

# Mémoire
<memory_user_context></memory_user_context>

Exemple concret (Effi) : Voir le prompt configuré dans le modèle Effi (déjà optimisé)

---

#22 - Chain-of-Thought Prompt ⭐⭐⭐⭐

Type : Technique de prompting

Description :
Activation du raisonnement étape par étape pour des réponses plus précises et vérifiées.

Formulation :

"Réfléchis étape par étape avant de répondre. 
Explique ton raisonnement de manière concise."

Avantages :

• Réduction des erreurs
• Raisonnement visible
• Meilleure logique
• Moins d'hallucinations

Usage : À ajouter dans le system prompt ou à demander explicitement pour les questions complexes.

---

#23 - Context Window Optimization Prompt ⭐⭐⭐⭐

Type : Configuration technique

Description :
Configuration et prompt optimisant l'utilisation de la fenêtre de contexte (32K-128K tokens).

Configuration recommandée (qwen3.5:9b) :

num_ctx: 32768  # Maximum pour ce modèle
temperature: 0.7

Prompt d'optimisation :

"Pour les documents longs, concentre-toi sur les sections pertinentes. 
Si le contexte est trop long, fais un résumé des points clés."

Avantages :

• Traitement de longs documents
• Conservation des informations importantes
• Résumé automatique si nécessaire

---

#24 - Multi-Step Task Prompt ⭐⭐⭐⭐

Type : Structure de prompting

Description :
Format structurant les tâches complexes en étapes numérotées pour assurer la complétude.

Format :

<mission>[Objectif clair]</mission>
<etapes>
1. [Étape 1 détaillée]
2. [Étape 2 détaillée]
3. [Étape 3 détaillée]
</etapes>
<format>[Format de sortie attendu]</format>
<contraintes>[Limites à respecter]</contraintes>

Usage :
À utiliser dans les prompts pour Sub Agent

---

#25 - Language Constraint Prompt ⭐⭐⭐

Type : Règle de langue

Description :
Forçage de la langue de réponse pour assurer la cohérence.

Formulations :

"Réponds UNIQUEMENT en français, quelle que soit la langue utilisée."
"Si la question est en anglais, réponds en français."
"Maintiens la conversation en français."

Note :
qwen3.5 est très bon en français, donc moins critique que pour d'autres modèles.

---

#26 - Safety & Ethics Prompt ⭐⭐⭐

Type : Règles de sécurité

Description :
Intégration de règles de sécurité pour les actions risquées.

Exemple :

"Pour toute action destructive (rm, format, suppression), 
demande une confirmation explicite avant d'exécuter."

---

CATÉGORIE 4 : CONFIGURATIONS & OPTIMISATIONS TECHNIQUES (27-30)

#27 - GPU Quantization (GGUF) ⭐⭐⭐⭐⭐

Type : Optimisation modèle Formats : Q4_K_M, Q5_K_M, Q6_K

Description :
Réduction de la précision des poids du modèle pour économiser VRAM tout en maintenant la qualité.

Recommandations pour RX 7800 XT 16GB :

• Q4_K_M : Équilibre optimal (4.5GB → 16GB utilisable)
• Q5_K_M : Qualité supérieure (5.5GB)
• Q6_K : Qualité quasi-FP16 (7GB)

Avantages :

• Économie 50-75% VRAM
• Vitesse d'inférence améliorée
• Possibilité de charger des modèles plus grands
• Peu de perte de qualité (Q4_K_M et Q5_K_M)

Téléchargement GGUF :

ollama pull qwen3.5:9b-q4_K_M
# ou créer un Modelfile personnalisé

Verdict :
✅ Essentiel pour optimisation locale

---

#28 - KV Cache Management ⭐⭐⭐⭐

Type : Optimisation mémoire

Description :
Gestion du cache Key-Value pour optimiser les conversations longues.

Paramètres clés :

num_ctx: 32768        # Taille contexte
num_batch: 512        # Taille batch
num_gpu: 1            # GPU unique

Optimisations avancées :

• Flash Attention (si supporté)
• KV cache quantization (expérimental)
• Sliding window attention

---

#29 - Model Loading Strategy ⭐⭐⭐

Type : Gestion ressources

Description :
Stratégie de chargement et maintien des modèles en mémoire.

Paramètre keep_alive :

keep_alive: 5m    # Maintient le modèle 5 minutes après dernière utilisation
# Options: 5m, 10m, 30m, 1h, ou -1 (infini)

Pour usage intensif local :

# Dans ollama.service ou config.json
{"keep_alive": "30m"}

Avantages :

• Réponses instantanées après première requête
• Pas de temps de chargement répété
• Meilleure expérience utilisateur

---

#30 - Parallel Processing & Batch ⭐⭐⭐

Type : Optimisation throughput

Description :
Configuration du traitement parallèle pour maximiser l'utilisation GPU.

Paramètres :

num_batch: 512      # Requêtes traitées en parallèle
num_thread: 8       # Threads CPU (sur 5800X3D)

Limitations avec votre setup :

• Le 5800X3D (8C/16T) est excellent
• Le RX 7800 XT 16GB est le bottleneck principal
• Optimiser pour latence (1 utilisateur) plutôt que throughput

Recommandation :
Priorité à num_batch: 512 et num_ctx: 32768 pour latence optimale.

---

CLASSEMENT GLOBAL PAR PRIORITÉ

Tier S (Essentiels - À installer/configurer immédiatement)

1. ✅ Sub Agent Tool (déjà installé)
2. ✅ Web Search (builtin, activer)
3. ✅ RAG Knowledge Base (créer effi-docs)
4. ✅ Memory Native (remplir avec faits clés)
5. ✅ Role-Based System Prompt (déjà configuré)

Tier A (Fortement recommandés)

6. Whisper STT (déjà configuré)
7. Notes (builtin, commencer à utiliser)
8. Code Interpreter (si analyse de code fréquente)
9. Q4_K_M Quantization (optimisation VRAM)
10. Home Assistant (si domotique)

Tier B (Selon besoins spécifiques)

11. Image Generation (ComfyUI sur folzo-Corp)
12. GitHub Tool (si dev fréquent)
13. Web Scraping (si besoin extraction)
14. Chain-of-Thought prompting (ajouter au besoin)
15. Calendar Integration (si besoin productivité)

Tier C (Optionnels/Avancés)

16-30. Autres tools selon cas d'usage spécifique

---

RECOMMANDATIONS IMMÉDIATES POUR EFFI

Actions prioritaires (cette semaine)

1. Créer la Knowledge Base "effi-docs"

   Workspace → Knowledge → + New Knowledge
   - Name: effi-docs
   - Upload: README.md, docs/, docker-compose.yml
   - Attacher au modèle Effi
   

2. Remplir la Memory Native

   Profile → Settings → Personalization → Memory
   - Copier le contenu défini dans ce document
   

3. Activer Web Search

   Admin Panel → Settings → Web Search → Enable
   - Configurer SearXNG si auto-hébergé
   - Ou utiliser Brave Search API
   

4. Optimiser les paramètres du modèle

   Admin Panel → Models → Effi → Edit
   - num_ctx: 32768
   - temperature: 0.7
   - repeat_penalty: 1.05
   

5. Tester Sub Agent

   Nouveau chat → Demande complexe multi-sources
   Ex: "Compare Docker et Podman pour serveur domestique"
   

Configuration à long terme

• Image Generation : Installer ComfyUI sur folzo-Corp (ROCm)
• TTS : Résoudre le problème de connexion Openedai-Speech
• GitHub Tool : Si besoin d'intégration développement
• Home Assistant : Si pas encore fait et domotique présente

---

CONCLUSION

Ces 30 outils couvrent l'ensemble des besoins pour une expérience OpenWebUI locale optimale :

• Fonctionnalités étendues (Sub Agent, Web Search, RAG)
• Productivité (Notes, Memory, Code Interpreter)
• Accessibilité (STT, TTS, Image Generation)
• Performance (Quantization, KV Cache, Context Window)

La configuration actuelle d'Effi (Sub Agent + Memory Native + qwen3.5:9b 32K) est déjà excellente. Les prochaines étapes prioritaires sont la création de la knowledge base et l'activation du web search.

---

Document généré par : OpenCode (Effi Assistant)
Date : 2026-04-05
Version : 1.0
Projet : Effi - Configuration OpenWebUI Optimale