Alternatif AnythingLLM: apa yang sebenarnya berpindah saat Anda beralih

Alternatif AnythingLLM yang tepat bergantung pada edisi mana yang Anda tinggalkan — Desktop, Docker yang di-host sendiri, atau Cloud — karena masing-masing gagal karena alasan yang berbeda. Open WebUI dan LibreChat adalah pengganti paling mirip untuk chat multi-pengguna atas dokumen; RAGFlow adalah pilihan ketika keluhannya adalah kualitas retrieval; Onyx cocok untuk pencarian perusahaan berbasis konektor; LM Studio dan Jan cocok untuk pengguna yang hanya menginginkan jendela chat lokal.

Bagian yang dilewatkan oleh daftar bermerek adalah tagihan untuk berpindah. AnythingLLM mengekspor riwayat chat dan tidak ada yang lain, tidak ada alternatif di sini yang mendokumentasikan importer untuknya, dan tool yang Anda tinggalkan tidak sedang bermasalah — Mintplex-Labs/anything-llm menggunakan MIT, tidak diarsipkan, dengan commit pada branch default hingga 17 September 2026 dan v1.16.1 diterbitkan pada 27 Agustus 2026 (GitHub API, diperiksa ulang 21 September 2026). Jadi Anda punya waktu untuk melakukannya dengan benar.

Mengapa orang meninggalkannya, dan edisi mana yang mereka tinggalkan

Empat keluhan mencakup sebagian besar kasus, dan masing-masing merupakan properti terdokumentasi dari edisi tertentu, bukan kelemahan umum.

Baca dari halaman batasan cloud, ikhtisar desktop, dan halaman harga pada 19 September 2026. Dua jebakan penamaan sebelum Anda membandingkan apa pun. Permukaan AnythingLLM sendiri tidak sepakat tentang nama tingkat — halaman harga menyebut Basic dan Pro, dokumentasi menyebut Starter dan Professional, dan tidak ada yang mendamaikannya — jadi pastikan tingkat mana yang digunakan akun Anda. Dan “Pro” menamai dua produk yang tidak berhubungan: Cloud Pro seharga $99/bulanan, dan AnythingLLM Desktop Pro, sebuah kunci lisensi untuk Desktop v1.15.0 dan setelahnya. Halaman Desktop Pro menjelaskan fiturnya tetapi tidak menerbitkan harga, dan anythingllm.com/pro mengembalikan 404, jadi angka apa pun yang Anda lihat terkait nama tersebut berasal dari tempat lain. Tidak ada jumlah seat, kuota penyimpanan, atau kuota penggunaan yang diterbitkan untuk Cloud Basic atau Pro.

Perhatikan apa yang tidak ada dalam daftar tersebut: biaya model itu sendiri. Tagihan itu tidak hilang apa pun tool self-hosted yang Anda pilih, karena masing-masing mengharuskan Anda menyediakan kuncinya. Namun, biayanya tidak identik — default retrieval berbeda di antara produk-produk ini, dan masing-masing menentukan seberapa banyak konteks yang dibawa setiap pertanyaan.

Alternatif mana yang cocok untuk pekerjaan mana

Harga dan metadata repositori diperiksa pada 19 September 2026 terhadap halaman enterprise Open WebUI, librechat.ai, onyx.app/pricing, ragflow.io, dify.ai/pricing, postingan lisensi LM Studio, msty.ai/pricing, dan GitHub API. Tiga catatan penting. Angka $29 dan $129 milik RAGFlow adalah angka promosi yang ditampilkan dicoret dari $59 dan $259, tanpa tanggal berakhir yang dinyatakan, dan halaman tersebut tidak pernah mendefinisikan apa yang dibeli oleh satu “kredit”. Klausul branding Open WebUI, yang dijelaskan dalam halaman lisensinya dan file LICENSE repositori, adalah detail yang paling sering terlewat: mempertahankan branding tetap utuh adalah jalur gratis, sedangkan menghapus atau mengubahnya hanya diizinkan jika deployment memiliki lima puluh atau lebih sedikit pengguna akhir dalam periode tiga puluh hari bergulir, jika Anda memegang izin tertulis sebelumnya yang spesifik dari pemegang hak cipta, atau berdasarkan lisensi enterprise. Dan Onyx adalah nama yang sangat bertabrakan — hanya onyx.app yang dapat menyediakan harga Onyx; pencarian tanpa domain tersebut mengembalikan utilitas pemeliharaan macOS, vendor RIP percetakan, dan beberapa perusahaan lain.

Empat proyek yang tidak seperti yang dikatakan artikel-artikel lama

Daftar alternatif menjadi usang lebih cepat daripada produk yang tercantum di dalamnya. Keempatnya masih sering direkomendasikan dan tidak boleh dimasukkan ke daftar pendek tanpa mengetahui status terkini, semuanya diperiksa pada 19 September 2026.

Satu lagi yang perlu diperlakukan dengan hati-hati: repositori Quivr kini mengarah ke organisasi GitHub yang berbeda, dan README-nya menjelaskan pustaka inti RAG, bukan aplikasi untuk pengguna akhir. Tidak ditemukan pengumuman bertanggal yang menjelaskan perpindahan tersebut, jadi ini adalah fakta tentang pengalihan, bukan tentang akuisisi.

Apa yang berpindah, dan apa yang tidak

Inilah biaya yang seharusnya menentukan daftar pendek Anda, dan biayanya sama untuk setiap tujuan di halaman ini.

Yang ikut berpindah: riwayat obrolan, dalam tepat empat format — CSV, JSON, JSONL, dan JSON (Alpaca) — yang disediakan melalui endpoint /system/export-chats milik AnythingLLM. Itulah daftar lengkap jenis ekspor dalam kode sumber yang dikirimkan.

Yang tidak ikut: semua hal lainnya. Dokumentasi AnythingLLM ditelusuri untuk mencari ekspor dokumen, ekspor vektor, atau prosedur pencadangan dan pemulihan yang terdokumentasi, tetapi tidak ada yang ditemukan. Ini adalah ketiadaan bukti, bukan bukti kemustahilan — tetapi Anda tidak dapat merencanakan migrasi berdasarkan jalur yang tidak terdokumentasi. Workspace, embedding, dan dokumen itu sendiri tidak memiliki jalur keluar yang terdokumentasi. String impor Community Hub memindahkan keahlian agen, prompt sistem, dan perintah garis miring — tiga jenis item yang menurut dokumentasinya didukung — tetapi hanya antarinstans AnythingLLM, dan pada instalasi yang di-host sendiri, impor keahlian gagal kecuali COMMUNITY_HUB_BUNDLE_DOWNLOADS_ENABLED ditetapkan. Tidak ada alternatif di halaman ini yang mendokumentasikan pengimpor data AnythingLLM; itulah yang saya periksa dalam dokumentasi masing-masing produk. LibreChat adalah satu-satunya yang mendokumentasikan pengimpor percakapan, dan sumber yang disebutnya adalah ChatGPT, Claude, dan ChatbotUI v1 — bukan AnythingLLM.

Jadi, migrasi berarti memasukkan ulang, dan memasukkan ulang memiliki satu prasyarat mutlak: file sumber asli Anda harus ada di luar aplikasi. Secara praktis:

1. Ekspor riwayat obrolan terlebih dahulu, selagi instans masih berjalan. Ini adalah satu-satunya ekspor yang dimiliki AnythingLLM, dan merupakan catatan tentang apa yang sebenarnya ditanyakan orang — nantinya berguna untuk menilai apakah pengganti memberikan jawaban sebaik itu.
2. Kumpulkan dokumen asli dari mana pun asalnya — drive bersama, wiki, sistem tiket — bukan dari dalam AnythingLLM.
3. Salin folder penyimpanan Desktop ke penyimpanan dingin sebelum mencopot apa pun. Lokasi yang terdokumentasi adalah /Users/<usr>/Library/Application Support/anythingllm-desktop/storage di macOS, ~/.config/anythingllm-desktop/storage/ di Linux, dan C:\Users\<usr>\AppData\Roaming\anythingllm-desktop\storage di Windows, sedangkan anythingllm.db di dalamnya adalah basis data SQLite. Perlakukan ini secara ketat sebagai cadangan: dokumentasi tidak memberikan instruksi migrasi, pencadangan, atau pemulihan, dan apakah folder tersebut dapat dipindahkan ke mesin lain atau ke Docker tidak diuji di sini.
4. Siapkan pengganti berdampingan dengan yang lama dan masukkan ulang data. Kemudian ajukan sepuluh pertanyaan yang jawabannya sudah Anda ketahui kepada kedua instans, lalu bandingkan hasilnya. Default pengambilan berbeda di antara produk-produk ini, sehingga korpus yang sama tidak menjamin jawaban yang sama.
5. Kembalikan dengan tidak melakukan apa pun. Biarkan AnythingLLM tetap berjalan sampai langkah 4 lolos; secara default, AnythingLLM menyimpan vektor dalam LanceDB di instans itu sendiri, sehingga indeks lama berada di disk Anda sendiri, bukan di layanan yang telah Anda batalkan.

Mengarahkan klien baru ke endpoint model

Masing-masing dari tujuh produk di bawah ini menerima endpoint pihak ketiga dalam slot penyedia miliknya sendiri, dan masing-masing memiliki gerbang yang berbeda. Slot tersebut kompatibel dengan OpenAI dalam setiap kasus; Jan dan LibreChat juga dapat menggunakan format Anthropic Messages jika Anda memintanya. LM Studio dan Msty Studio sengaja tidak disertakan dalam tabel ini — halaman ini tidak menetapkan jalur endpoint jarak jauh yang terdokumentasi untuk keduanya. Ini adalah langkah konfigurasi ulang, dan mengetahui gerbangnya terlebih dahulu akan membuatnya tetap singkat.

Setiap gerbang di atas dikutip dari halaman penyiapan milik produk itu sendiri: penyedia OpenAI (generic) AnythingLLM, panduan OpenAI-compatible Open WebUI, referensi endpoint khusus LibreChat, halaman penyedia inferensi khusus Onyx, penyiapan kunci API model RAGFlow, halaman endpoint khusus Jan, dan README PrivateGPT.

Satu batasan yang perlu ditetapkan sebelum Anda mengonfigurasi apa pun. Di AnythingLLM, LibreChat, RAGFlow, Dify, dan Cherry Studio, embedder didaftarkan sebagai penyedia terpisah dari model obrolan, dengan jalur dasar dan kuncinya sendiri. Kunavo tidak menyediakan model embedding maupun model speech-to-text, sehingga mengarahkan embedder ke sana akan menghasilkan kesalahan "model is not available". Penyelesaian obrolan adalah satu-satunya tahap pipeline RAG yang dapat dijawab Kunavo. Biarkan embedder menggunakan model lokal yang disertakan, atau gunakan vendor terpisah:

# 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'

Pemisahan itu bukan keunikan AnythingLLM: API RAG LibreChat memiliki EMBEDDINGS_PROVIDER sendiri dan RAG_OPENAI_BASEURL sendiri, sedangkan RAGFlow, Dify, dan Cherry Studio masing-masing mendaftarkan model embedding di tempat yang berbeda dari model obrolan. Pisahkan anggaran untuk kedua bagian tersebut. Untuk sisi pengambilan dalam rancangan, lihat implementasi RAG; untuk cakupan permukaan kompatibel dan hal-hal yang tidak dicakupnya, lihat API yang kompatibel dengan OpenAI.

Biaya obrolan selama sebulan setelah Anda beralih

Kliennya gratis di hampir setiap baris di atas, sehingga angka berulangnya adalah token. Ini adalah perhitungan token ilustratif, bukan biaya terukur dan bukan batas maksimum tagihan. Anggap sebuah tim kecil mengajukan 1.200 pertanyaan per bulan, dengan setiap giliran mengirim 6.000 token input (potongan yang diambil, prompt sistem, dan sedikit riwayat) serta mengembalikan 500 token output — 7,2 juta input dan 0,6 juta output per bulan. Tarifnya adalah harga katalog Kunavo yang berlaku per juta token.

Ada dua cara membaca. Pertama, pada pola ini, pilihan model mengubah tagihan sekitar 2,0 kali antara baris termurah dan termahal, sementara pengaturan pengambilan yang menentukan berapa banyak potongan masuk ke dalam 6.000 token input ditetapkan di klien, bukan penyedia — jadi sesuaikan klien sebelum mencari tarif. Kedua, bandingkan dengan angka hosting: paket Cloud seharga $50/bulan mencakup hosting dan tetap mengharuskan Anda membawa kunci, sehingga perbandingannya adalah hosting ditambah token versus host Docker Anda sendiri ditambah token yang sama.

Jumlah yang tercantum dalam katalog Kunavo merupakan batas minimum tagihan, bukan batas maksimum: ketika penyedia hulu melaporkan biayanya, tagihan adalah nilai yang lebih besar antara biaya katalog dan biaya penyedia hulu dikalikan markup yang berlaku. Biaya cache, panggilan gambar atau video, serta biaya apa pun yang dikenakan untuk embedder Anda di tempat lain tidak termasuk dalam contoh ini. Isi ulang minimum adalah $10 dalam kredit prabayar — jumlah minimum untuk pendanaan, bukan biaya tugas atau langganan. Lihat detail penagihan.

Menyiapkan pengganti

Jika Open WebUI menjadi pilihan Anda, Kunavo menerbitkan referensi konfigurasi untuknya: panduan penyiapan Open WebUI. Itu adalah dokumen penyiapan yang diterbitkan, bukan pengujian kompatibilitas — tidak ada klien di halaman ini yang diuji saat runtime terhadap endpoint Kunavo, dan semua hal di atas dibaca dari dokumentasi, file lisensi, kode sumber yang diterbitkan, dan metadata repositori milik setiap proyek. Pertahankan jalur yang berfungsi saat mencobanya, jalankan satu tugas yang dibatasi, lalu baca biaya yang benar-benar dicatat akun Anda untuk tugas tersebut. Buat akun Kunavo saat Anda siap mendanai kunci.

Masih memutuskan antara dua alat tertentu, bukan seluruh bidang? AnythingLLM vs Open WebUI membandingkan pasangan terdekat secara langsung, sedangkan LibreChat vs Open WebUI membahas daftar pendek umum lainnya. Optimasi biaya AI membahas pengurangan sisi token setelah Anda menentukan pilihan.

Pertanyaan umum

Halaman harga vendor, dokumentasi produk, file lisensi, kode sumber yang diterbitkan, dan metadata repositori untuk setiap proyek yang disebutkan di atas diperiksa pada 19 September 2026 dan diperiksa ulang pada 21 September 2026, hanya dari sumber pihak pertama. Tarif token Kunavo berasal dari katalog aktif, dan setiap contoh dolar di sini adalah perhitungan token ilustratif, bukan biaya terukur. Tidak ada klien di halaman ini yang diuji saat runtime terhadap endpoint Kunavo.