Alternatives à AnythingLLM : ce qui migre réellement lors d’un changement

La bonne alternative à AnythingLLM dépend de l’édition que vous quittez parmi ses trois éditions — Desktop, Docker auto-hébergé ou Cloud — car elles échouent pour des raisons différentes. Open WebUI et LibreChat sont les remplacements les plus proches pour un chat multi-utilisateur sur des documents ; RAGFlow est celui à choisir lorsque le problème concerne la qualité de la récupération ; Onyx convient à la recherche d’entreprise pilotée par des connecteurs ; LM Studio et Jan conviennent à une personne qui n’a toujours voulu qu’une fenêtre de chat locale.

La partie que les listes de marques omettent est la facture du changement. AnythingLLM exporte l’historique des conversations et rien d’autre, aucune alternative présentée ici ne documente d’importateur pour ces données, et l’outil que vous quittez n’est pas en difficulté — Mintplex-Labs/anything-llm est sous MIT, n’est pas archivé, contient des commits sur sa branche par défaut jusqu’au 17 septembre 2026 et v1.16.1 a été publiée le 27 août 2026 (API GitHub, revérifiée le 21 septembre 2026). Vous avez donc le temps de faire les choses correctement.

Pourquoi les utilisateurs partent, et quelle édition ils quittent

Quatre reproches expliquent l’essentiel des départs, et chacun correspond à une caractéristique documentée d’une édition précise plutôt qu’à un défaut général.

Consultez la page consacrée aux limitations du cloud, la présentation de Desktop et la page de tarification le 19 septembre 2026. Deux pièges de nomenclature avant toute comparaison. Les propres interfaces d’AnythingLLM ne s’accordent pas sur les noms des niveaux — la page de tarification indique Basic et Pro, la documentation indique Starter et Professional, et rien ne les rapproche — vérifiez donc celui de votre compte. De plus, « Pro » désigne deux produits sans rapport : Cloud Pro à 99 $/mois, et AnythingLLM Desktop Pro, une clé de licence pour Desktop v1.15.0 et les versions ultérieures. La page Desktop Pro décrit ses fonctionnalités mais ne publie aucun prix, et anythingllm.com/pro renvoie une erreur 404 ; tout montant associé à ce nom provient donc d’une autre source. Aucun nombre de sièges, quota de stockage ou quota d’utilisation n’est publié pour Cloud Basic ou Pro.

Notez ce qui ne figure pas dans cette liste : le coût des modèles eux-mêmes. Cette facture ne disparaît pas, quel que soit l’outil auto-hébergé vers lequel vous migrez, car chacun attend de vous que vous fournissiez la clé. Elle n’est toutefois pas identique — les valeurs par défaut de récupération diffèrent entre ces produits, et ils déterminent la quantité de contexte transmise avec chaque question.

Quelle alternative convient à quel besoin

Prix et métadonnées des dépôts vérifiés le 19 septembre 2026 auprès de la page Enterprise d’Open WebUI, de librechat.ai, d’onyx.app/pricing, de ragflow.io, de dify.ai/pricing, de l’article de licence de LM Studio, de msty.ai/pricing et de l’API GitHub. Trois précautions. Les montants de 29 $ et 129 $ de RAGFlow sont des prix promotionnels affichés barrés à partir de 59 $ et 259 $, sans date de fin indiquée, et la page ne définit jamais ce qu’achète l’un de ses « crédits ». La clause de marque d’Open WebUI, détaillée dans sa page de licence et dans le fichier LICENSE du dépôt, est le détail que la plupart des gens manquent : conserver la marque intacte est la voie gratuite, et sa suppression ou sa modification n’est autorisée que si le déploiement compte cinquante utilisateurs finaux ou moins sur toute période glissante de trente jours, si vous détenez une autorisation écrite préalable précise du titulaire du copyright, ou en vertu d’une licence d’entreprise. Enfin, Onyx est un nom fortement sujet à confusion — seul onyx.app peut fournir les prix d’Onyx ; une recherche sans le domaine renvoie un utilitaire de maintenance macOS, un fournisseur de RIP d’impression et plusieurs autres entreprises.

Quatre projets qui ne correspondent pas à ce qu’affirment les anciens articles

Les listes d’alternatives vieillissent plus vite que les produits qu’elles recensent. Ces quatre projets sont encore largement recommandés et ne devraient pas être retenus sans connaître leur état actuel, vérifié le 19 septembre 2026.

Un autre projet à traiter avec prudence : le dépôt de Quivr pointe désormais vers une autre organisation GitHub, et son README décrit une bibliothèque centrale RAG plutôt qu’une application destinée aux utilisateurs finaux. Aucune annonce datée expliquant ce changement n’a été trouvée ; il s’agit donc d’un fait concernant la redirection, pas d’une information sur une acquisition.

Ce qui se migre, et ce qui ne se migre pas

C’est ce coût qui devrait déterminer votre sélection, et il est le même pour chaque destination présentée sur cette page.

Ce qui vous accompagne : l’historique des conversations, dans exactement quatre formats — CSV, JSON, JSONL et JSON (Alpaca) — fourni par l’endpoint /system/export-chats d’AnythingLLM. Il s’agit de la liste complète des types d’export du code livré.

Ce qui ne vous accompagne pas : tout le reste. La documentation d’AnythingLLM a été examinée pour trouver un export de documents, un export de vecteurs ou une procédure documentée de sauvegarde et de restauration, et aucun n’a été trouvé. Il s’agit d’une absence de preuve plutôt que d’une preuve d’impossibilité — mais vous ne pouvez pas planifier une migration autour d’un chemin non documenté. Les espaces de travail, les embeddings et les documents eux-mêmes ne disposent d’aucune voie documentée de sortie. Les chaînes d’importation du Community Hub déplacent les compétences des agents, les prompts système et les commandes slash — les trois types d’éléments indiqués comme pris en charge par la documentation — mais uniquement entre des instances AnythingLLM, et sur les installations auto-hébergées, les importations de compétences échouent sauf si COMMUNITY_HUB_BUNDLE_DOWNLOADS_ENABLED est défini. Aucune alternative présentée sur cette page ne documente d’importateur pour les données AnythingLLM ; c’est ce que j’ai vérifié dans la documentation propre à chaque produit. LibreChat est le seul à documenter un importateur de conversations, et les sources qu’il cite sont ChatGPT, Claude et ChatbotUI v1 — pas AnythingLLM.

La migration signifie donc une réingestion, et celle-ci impose une condition préalable stricte : vos fichiers source d’origine doivent exister en dehors de l’application. En pratique :

1. Exportez d’abord l’historique des conversations, tant que l’instance fonctionne encore. C’est le seul export disponible dans AnythingLLM, et il constitue la trace de ce que les utilisateurs ont réellement demandé — utile ensuite pour évaluer si la remplaçante répond aussi bien.
2. Rassemblez les documents d’origine là où ils se trouvaient — le lecteur partagé, le wiki, le système de tickets — et non depuis AnythingLLM.
3. Copiez le dossier de stockage de Desktop dans un stockage à froid avant de désinstaller quoi que ce soit. Les emplacements documentés sont /Users/<usr>/Library/Application Support/anythingllm-desktop/storage sur macOS, ~/.config/anythingllm-desktop/storage/ sur Linux et C:\Users\<usr>\AppData\Roaming\anythingllm-desktop\storage sur Windows ; le fichier anythingllm.db qui s’y trouve est la base de données SQLite. Considérez ceci strictement comme une sauvegarde : la documentation ne fournit aucune instruction de migration, de sauvegarde ou de restauration, et la possibilité de déplacer ce dossier vers une autre machine ou dans Docker n’a pas été testée ici.
4. Mettez la remplaçante en place à côté de l’ancienne et réingérez les données. Posez ensuite dix questions aux deux instances dont vous connaissez déjà les réponses, puis comparez-les. Les valeurs par défaut de récupération diffèrent entre ces produits ; le même corpus ne garantit donc pas les mêmes réponses.
5. Pour revenir en arrière, ne faites rien. Maintenez AnythingLLM en fonctionnement jusqu’à ce que l’étape 4 soit validée ; AnythingLLM stocke par défaut les vecteurs dans une instance LanceDB locale, de sorte que l’ancien index se trouve sur votre propre disque et non dans un service que vous avez résilié.

Connecter le nouveau client à un endpoint de modèle

Chacun des sept produits ci-dessous accepte un endpoint tiers dans son propre champ de fournisseur, et chacun applique une condition différente. Dans tous les cas, le champ est compatible avec OpenAI ; Jan et LibreChat utilisent également le format Anthropic Messages si vous le leur demandez. LM Studio et Msty Studio sont volontairement absents de ce tableau : cette page n’a pas établi de procédure documentée pour un endpoint distant pour l’un ou l’autre. Il s’agit de l’étape de reconfiguration, et connaître la condition à l’avance permet de la garder courte.

Chaque condition ci-dessus est citée depuis la page de configuration du produit concerné : fournisseur OpenAI (générique) d’AnythingLLM, guide OpenAI-compatible d’Open WebUI, référence des points de terminaison personnalisés de LibreChat, page du fournisseur d’inférence personnalisé d’Onyx, configuration de la clé d’API du modèle de RAGFlow, page des points de terminaison personnalisés de Jan et README de PrivateGPT.

Une limite à clarifier avant toute configuration. Dans AnythingLLM, LibreChat, RAGFlow, Dify et Cherry Studio, l’embedder est enregistré comme un fournisseur distinct du modèle de chat, avec son propre chemin de base et sa propre clé. Kunavo ne fournit ni modèle d’embedding ni modèle de conversion parole-texte ; pointer un embedder vers Kunavo renvoie donc une erreur « model is not available ». Les complétions de chat sont la seule étape d’un pipeline RAG à laquelle Kunavo peut répondre. Laissez l’embedder sur le modèle local fourni ou sur un autre fournisseur :

# Chat goes to an OpenAI-compatible endpoint.
LLM_PROVIDER='generic-openai'
GENERIC_OPEN_AI_BASE_PATH='https://api.kunavo.com/v1'
GENERIC_OPEN_AI_API_KEY='sk-...'
GENERIC_OPEN_AI_MODEL_PREF='claude-haiku-4-5'
GENERIC_OPEN_AI_MODEL_TOKEN_LIMIT=200000

# Embeddings do NOT. Kunavo serves no embedding model, so the
# embedder stays on the bundled local one (or another vendor).
EMBEDDING_ENGINE='native'
EMBEDDING_MODEL_PREF='Xenova/all-MiniLM-L6-v2'

Cette séparation n’est pas une particularité d’AnythingLLM : l’API RAG de LibreChat possède son propre EMBEDDINGS_PROVIDER et son propre RAG_OPENAI_BASEURL, et RAGFlow, Dify et Cherry Studio enregistrent chacun les modèles d’embedding à un endroit différent des modèles de chat. Prévoyez également les deux volets séparément dans votre budget. Pour le volet récupération de la conception, consultez Implémentation de RAG ; pour savoir ce que couvre ou non la surface compatible, consultez API compatible avec OpenAI.

Coût d’un mois de chat après le changement

Le client est gratuit dans presque toutes les lignes ci-dessus ; le montant récurrent correspond donc aux tokens. Il s’agit d’un calcul illustratif de tokens, pas d’un coût mesuré ni d’un plafond de facturation. Supposons qu’une petite équipe pose 1 200 questions par mois, chaque échange envoyant 6 000 tokens d’entrée (chunks récupérés, invite système et un peu d’historique) et renvoyant 500 tokens de sortie — soit 7,2 M de tokens d’entrée et 0,6 M de tokens de sortie par mois. Les tarifs sont ceux du catalogue Kunavo en vigueur, par million de tokens.

Deux interprétations. Premièrement, avec cette configuration, le choix du modèle fait varier la facture d’un facteur d’environ 2.0 entre les lignes la moins chère et la plus chère, tandis que les paramètres de récupération qui déterminent combien de chunks sont inclus dans ces 6 000 tokens d’entrée sont définis dans le client, et non chez le fournisseur : optimisez donc le client avant de comparer les tarifs. Deuxièmement, mettez ce chiffre en regard des coûts d’hébergement : un forfait Cloud à 50 $/mois inclut l’hébergement, mais exige toujours que vous fournissiez la clé ; la comparaison oppose donc hébergement plus tokens à votre propre hôte Docker plus les mêmes tokens.

Le montant du catalogue Kunavo constitue un plancher de facturation et non un plafond : lorsque l’amont communique son coût, la facture correspond au montant le plus élevé entre le coût du catalogue et le coût amont multiplié par la majoration applicable. Les frais de cache, les appels d’image ou de vidéo et tout coût de votre embedder auprès d’un autre fournisseur sont exclus de cet exemple. Le rechargement minimal est de $10 de crédit prépayé — un minimum de financement, pas des frais de tâche ni un abonnement. Consultez les détails de facturation.

Configuration du remplacement

Si vous choisissez Open WebUI, Kunavo en publie une référence de configuration : le guide de configuration d’Open WebUI. Il s’agit d’un document de configuration publié, et non d’un test de compatibilité : aucun des clients de cette page n’a été testé en conditions réelles avec le point de terminaison de Kunavo, et tout ce qui précède provient de la documentation, des fichiers de licence, du code source publié et des métadonnées de dépôt propres à chaque projet. Conservez une route fonctionnelle pendant vos essais, exécutez une tâche limitée, puis consultez le montant effectivement enregistré par votre compte. Créez un compte Kunavo lorsque vous êtes prêt à créditer une clé.

Vous hésitez encore entre deux outils précis plutôt qu’entre l’ensemble des solutions ? AnythingLLM vs Open WebUI oppose directement les deux options les plus proches, et LibreChat vs Open WebUI couvre l’autre sélection courante. Optimisation des coûts de l’IA explique comment réduire la part liée aux tokens une fois votre choix arrêté.

Questions fréquentes

Pages tarifaires des fournisseurs, documentation produit, fichiers de licence, code source publié et métadonnées de dépôt de chaque projet cité ci-dessus, vérifiés le 19 septembre 2026 puis revérifiés le 21 septembre 2026, uniquement à partir de sources de première partie. Les tarifs des tokens Kunavo proviennent du catalogue en vigueur, et chaque exemple en dollars présenté ici correspond à un calcul illustratif de tokens plutôt qu’à un coût mesuré. Aucun client de cette page n’a été testé en conditions réelles avec le point de terminaison de Kunavo.