Alternativas ao AnythingLLM: o que realmente migra quando você troca

A alternativa certa ao AnythingLLM depende de qual das suas três edições você está deixando — Desktop, Docker auto-hospedado ou Cloud — porque elas falham por motivos diferentes. O Open WebUI e o LibreChat são as substituições mais próximas, equivalentes, para chat multiusuário sobre documentos; o RAGFlow é a escolha quando a reclamação é sobre a qualidade da recuperação; o Onyx se encaixa na pesquisa empresarial orientada por conectores; LM Studio e Jan atendem quem só queria uma janela de chat local

A parte que as listas de marcas deixam de fora é a conta da mudança. O AnythingLLM exporta o histórico de chat e nada mais, nenhuma alternativa aqui documenta um importador para ele, e a ferramenta que você está deixando não está em apuros — Mintplex-Labs/anything-llm usa MIT, não está arquivada, tem commits no branch padrão até 17 de setembro de 2026 e a v1.16.1 foi publicada em 27 de agosto de 2026 (API do GitHub, verificada novamente em 21 de setembro de 2026). Portanto, você tem tempo para fazer isso corretamente

Por que as pessoas saem e qual edição estão deixando

Quatro reclamações respondem pela maior parte disso, e cada uma é uma característica documentada de uma edição específica, não uma falha geral

Leia a página de limitações da nuvem, a visão geral do desktop e a página de preços em 19 de setembro de 2026. Duas armadilhas de nomenclatura antes de comparar qualquer coisa. As próprias interfaces do AnythingLLM divergem nos nomes dos níveis — a página de preços diz Basic e Pro, a documentação diz Starter e Professional, e nada reconcilia os dois — portanto confirme em qual deles sua conta está. E “Pro” dá nome a dois produtos sem relação: Cloud Pro a US$ 99/mensais e AnythingLLM Desktop Pro, uma chave de licença para o Desktop v1.15.0 e posteriores. A página do Desktop Pro descreve seus recursos, mas não publica um preço, e anythingllm.com/pro retorna 404; portanto, qualquer valor que você veja associado a esse nome veio de outro lugar. Nenhuma quantidade de assentos, cota de armazenamento ou cota de uso é publicada para Cloud Basic ou Pro

Observe o que não está nessa lista: o custo dos próprios modelos. Essa cobrança não desaparece, independentemente da ferramenta auto-hospedada para a qual você mude, porque todas esperam que você forneça a chave. Ela não é idêntica, porém — os padrões de recuperação diferem entre esses produtos, e eles decidem quanto contexto cada pergunta carrega

Qual alternativa se encaixa em cada tarefa

Preços e metadados dos repositórios verificados em 19 de setembro de 2026 contra a página empresarial do Open WebUI, librechat.ai, onyx.app/pricing, ragflow.io, dify.ai/pricing, a publicação sobre a licença do LM Studio, msty.ai/pricing e a API do GitHub. Três cautelas. Os valores de US$ 29 e US$ 129 do RAGFlow são promocionais, exibidos riscados a partir de US$ 59 e US$ 259, sem data final informada, e a página nunca define o que um de seus “créditos” compra. A cláusula de marca do Open WebUI, detalhada em sua página de licença e no LICENSE do repositório, é o detalhe que a maioria das pessoas ignora: manter a marca intacta é o caminho gratuito, e removê-la ou alterá-la só é permitido quando a implantação tem cinquenta ou menos usuários finais em qualquer período móvel de trinta dias, quando você possui permissão prévia específica por escrito do detentor dos direitos autorais ou sob uma licença empresarial. E Onyx é um nome com colisões graves — somente onyx.app pode fornecer preços do Onyx; uma busca sem o domínio retorna um utilitário de manutenção do macOS, um fornecedor de RIP para impressão e várias outras empresas

Quatro projetos que não são o que artigos antigos dizem

Listas de alternativas envelhecem mais rápido do que os produtos que apresentam. Estes quatro ainda são amplamente recomendados e não devem entrar na lista final sem que você conheça seu estado atual; todos foram verificados em 19 de setembro de 2026

Mais um caso que exige cautela: o repositório do Quivr agora direciona para uma organização diferente no GitHub, e o README descreve uma biblioteca central de RAG, não um aplicativo para usuários finais. Não foi encontrada nenhuma comunicação datada explicando a mudança, portanto isso é um fato sobre o redirecionamento, não sobre uma aquisição.

O que migra e o que não migra

Este é o custo que deve decidir sua lista final, e ele é o mesmo para todos os destinos desta página.

O que vem com você: histórico de chat, em exatamente quatro formatos — CSV, JSON, JSONL e JSON (Alpaca) — disponibilizado pelo endpoint /system/export-chats do AnythingLLM. Essa é a lista completa de tipos de exportação no código-fonte distribuído.

O que não vem: todo o resto. A documentação do AnythingLLM foi pesquisada em busca de uma exportação de documentos, uma exportação de vetores ou um procedimento documentado de backup e restauração, e nada foi encontrado. Isso é ausência de evidência, não prova de impossibilidade — mas não é possível planejar uma migração com base em um caminho não documentado. Workspaces, embeddings e os próprios documentos não têm uma rota de saída documentada. As strings de importação do Community Hub movem habilidades de agentes, prompts do sistema e comandos de barra — os três tipos de item que a documentação lista como compatíveis — mas somente entre instâncias do AnythingLLM; em instalações auto-hospedadas, as importações de habilidades falham a menos que COMMUNITY_HUB_BUNDLE_DOWNLOADS_ENABLED esteja definido. Nenhuma alternativa desta página documenta um importador para dados do AnythingLLM; foi isso que verifiquei, na documentação própria de cada produto. O LibreChat é o único que documenta algum importador de conversas, e as fontes que ele menciona são ChatGPT, Claude e ChatbotUI v1 — não AnythingLLM.

Portanto, migração significa reingerir os dados, e a reingestão tem um pré-requisito indispensável: seus arquivos de origem originais precisam existir fora do aplicativo. Na prática:

1. Exporte primeiro o histórico de chat, enquanto a instância ainda estiver em execução. Essa é a única exportação que o AnythingLLM oferece, e ela registra o que as pessoas realmente perguntaram — algo útil mais tarde para avaliar se o substituto responde tão bem quanto o original.
2. Reúna os documentos originais de onde quer que tenham vindo — o drive compartilhado, a wiki, o sistema de tickets — e não de dentro do AnythingLLM.
3. Copie a pasta de armazenamento do Desktop para um armazenamento frio antes de desinstalar qualquer coisa. Os locais documentados são /Users/<usr>/Library/Application Support/anythingllm-desktop/storage no macOS, ~/.config/anythingllm-desktop/storage/ no Linux e C:\Users\<usr>\AppData\Roaming\anythingllm-desktop\storage no Windows, e anythingllm.db dentro dela é o banco de dados SQLite. Trate isso estritamente como um backup: a documentação não fornece instruções de migração, backup ou restauração, e não foi testado aqui se essa pasta pode ser movida para outra máquina ou para o Docker.
4. Mantenha o substituto em execução ao lado do antigo e faça a reingestão. Em seguida, faça dez perguntas às duas instâncias cujas respostas você já conhece e compare os resultados. Os padrões de recuperação diferem entre esses produtos, portanto o mesmo corpus não garante as mesmas respostas.
5. Faça a reversão não fazendo nada. Mantenha o AnythingLLM em execução até a etapa 4 ser aprovada; por padrão, o AnythingLLM armazena os vetores em um LanceDB na própria instância, portanto o índice antigo está no seu próprio disco, não em um serviço que você cancelou.

Apontando o novo cliente para um endpoint de modelo

Cada um dos sete produtos abaixo aceita um endpoint de terceiros em seu próprio campo de provedor, e cada um tem uma exigência diferente. O campo é compatível com OpenAI em todos os casos; Jan e LibreChat também aceitam o formato Anthropic Messages se você solicitar isso. LM Studio e Msty Studio foram omitidos desta tabela de propósito — esta página não estabeleceu um caminho remoto documentado para nenhum dos dois. Esta é a etapa de reconfiguração, e conhecer a exigência antecipadamente é o que a mantém curta.

Cada exigência acima foi citada na própria página de configuração do produto: provedor OpenAI (genérico) do AnythingLLM, guia compatível com OpenAI do Open WebUI, referência de endpoint personalizado do LibreChat, página do provedor de inferência personalizado do Onyx, configuração de chave de API de modelo do RAGFlow, página de endpoints personalizados do Jan e README do PrivateGPT.

Um limite que vale a pena estabelecer antes de configurar qualquer coisa. No AnythingLLM, LibreChat, RAGFlow, Dify e Cherry Studio, o embedder é registrado como um provedor separado do modelo de chat, com seu próprio caminho base e sua própria chave. O Kunavo não oferece modelo de embeddings nem modelo de conversão de fala em texto, portanto apontar um embedder para ele retorna um erro de "model is not available". Conclusões de chat são a única etapa de um pipeline de RAG que o Kunavo pode atender. Mantenha o embedder no modelo local incluído ou em um fornecedor separado:

# 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'

Essa separação não é uma peculiaridade do AnythingLLM: a API de RAG do LibreChat tem seu próprio EMBEDDINGS_PROVIDER e seu próprio RAG_OPENAI_BASEURL, e RAGFlow, Dify e Cherry Studio registram modelos de embeddings em um local diferente dos modelos de chat. Faça o orçamento das duas partes separadamente também. Para o lado de recuperação do projeto, consulte Implementação de RAG; para saber o que a superfície compatível cobre e o que não cobre, consulte API compatível com OpenAI.

Quanto custa um mês de chat depois da mudança

O cliente é gratuito em quase todas as linhas acima, portanto o número recorrente são os tokens. Isto é uma aritmética ilustrativa de tokens, não um custo medido nem um teto de cobrança. Considere uma equipe pequena fazendo 1.200 perguntas por mês, em que cada turno envia 6.000 tokens de entrada (trechos recuperados, prompt do sistema e um pouco de histórico) e retorna 500 tokens de saída — 7,2 milhões de tokens de entrada e 0,6 milhão de tokens de saída por mês. As tarifas são os preços atuais do catálogo do Kunavo por milhão de tokens.

Duas leituras. Primeiro, nesse cenário, a escolha do modelo altera a conta por um fator de aproximadamente 2.0 entre as linhas mais barata e mais cara, enquanto as configurações de recuperação que determinam quantos trechos entram nesses 6.000 tokens de entrada são definidas no cliente, não no provedor — portanto ajuste o cliente antes de pesquisar tarifas. Segundo, compare isso com os valores de hospedagem: um plano Cloud de US$ 50/mês compra a hospedagem e ainda exige que você forneça a chave, portanto a comparação é hospedagem mais tokens contra seu próprio host Docker mais os mesmos tokens.

O valor do catálogo do Kunavo é um piso de cobrança, não um limite: quando o upstream informa sua cobrança, a conta é o maior valor entre o custo do catálogo e o custo do upstream multiplicado pela margem aplicável. Cobranças de cache, chamadas de imagem ou vídeo e qualquer custo do seu embedder em outro lugar ficam fora deste exemplo. O complemento mínimo é US$10 em crédito pré-pago — um mínimo de financiamento, não uma taxa por tarefa nem uma assinatura. Consulte detalhes de cobrança.

Configurando o substituto

Se você optar pelo Open WebUI, o Kunavo publica uma referência de configuração para ele: o guia de configuração do Open WebUI. Esse é um documento de configuração publicado, não um teste de compatibilidade — nenhum dos clientes desta página foi testado em tempo de execução contra o endpoint do Kunavo, e tudo acima foi extraído da documentação própria de cada projeto, dos arquivos de licença, do código-fonte publicado e dos metadados do repositório. Mantenha uma rota funcional disponível enquanto testa, execute uma tarefa limitada e depois leia a cobrança que sua conta realmente registrou para ela. Crie uma conta Kunavo quando estiver pronto para financiar uma chave.

Ainda está decidindo entre duas ferramentas específicas, em vez de todo o campo? AnythingLLM vs Open WebUI coloca o par mais próximo frente a frente, e LibreChat vs Open WebUI cobre a outra lista final comum. Otimização de custos de IA aborda a redução do uso de tokens depois que você escolher.

Perguntas frequentes

Páginas de preços dos fornecedores, documentação dos produtos, arquivos de licença, código-fonte publicado e metadados dos repositórios de todos os projetos mencionados acima foram verificados em 19 de setembro de 2026 e novamente em 21 de setembro de 2026, usando apenas fontes primárias. As tarifas de tokens do Kunavo vêm do catálogo atual, e todo exemplo em dólares aqui é uma aritmética ilustrativa de tokens, não um custo medido. Nenhum cliente desta página foi testado em tempo de execução contra o endpoint do Kunavo.