thaivibecoding

แพลตฟอร์ม · โดย Mintplex Labs

AnythingLLM

AnythingLLM คือแพลตฟอร์มแชต AI แบบรวมทุกอย่างในตัวจาก Mintplex Labs ใช้ถามตอบจากไฟล์ของตัวเองด้วย RAG (การค้นข้อมูลจากไฟล์มาประกอบคำตอบ) และสั่งเอเจนต์ที่ใช้ tools ได้ มี 3 รูปแบบ คือ AnythingLLM Desktop แอปฟรีสำหรับใช้คนเดียวบน Windows, macOS และ Linux ที่มีตัวรันโมเดลในตัว, AnythingLLM Docker เซิร์ฟเวอร์ฟรีที่ติดตั้งเองและเปิดผ่านเบราว์เซอร์ รองรับหลายผู้ใช้แต่ไม่มีตัวรันโมเดลในตัว และ AnythingLLM Cloud ที่ Mintplex Labs โฮสต์ให้ เริ่มที่ $50 /monthly โดยต้องนำ LLM API key มาเอง นอกจากนี้ยังมี AnythingLLM Mobile สำหรับ Android

ไปที่เว็บ AnythingLLM anythingllm.com

เหมาะกับใคร

  • เหมาะกับมือใหม่ที่อยากได้แอปกดใช้ เพราะ Desktop ติดตั้งแบบ one-click มี built-in LLM provider และให้เลือกโมเดลที่จะดาวน์โหลดตั้งแต่เปิดแอปครั้งแรก
  • เหมาะกับคนที่อยากถามตอบจากไฟล์ของตัวเองโดยไม่ต้องตั้งระบบเพิ่ม เพราะมี embedder ในตัวและ vector database LanceDB ในเครื่องเป็นค่าเริ่มต้น
  • เหมาะกับทีมที่อยากตั้งเซิร์ฟเวอร์แชตของตัวเอง เพราะ Docker รองรับหลายผู้ใช้ มี role แบบ Admin, Manager และ Default และกำหนดสิทธิ์เข้า workspace ได้
  • เหมาะกับคนที่มี Ollama หรือ LM Studio อยู่แล้วและอยากได้หน้าแชตพร้อม RAG กับเอเจนต์ เพราะ AnythingLLM ต่อกับทั้งสองตัวได้ และตรวจหา URL ของ Ollama ให้อัตโนมัติ
  • เหมาะกับคนที่ต้องการให้ข้อมูลอยู่ในเครื่อง เพราะข้อความ ประวัติแชต และไฟล์ถูกเก็บในเครื่องเป็นค่าเริ่มต้น และ Desktop ทำงานออฟไลน์ทั้งหมดได้
  • เหมาะกับคนที่อยากใช้โมเดลในเครื่องคู่กับโมเดลคลาวด์ เพราะตั้งโมเดลได้ 3 ระดับ คือ System LLM, Workspace LLM และ Agent LLM และใช้ local กับ cloud พร้อมกันได้

ไม่เหมาะกับ

  • คนที่อยากได้เซิร์ฟเวอร์รันโมเดลให้โปรแกรมอื่นเรียกตรง ๆ ควรดูตัวอื่น เพราะ endpoint แบบ OpenAI ของ AnythingLLM ใช้ workspace slug เป็น model ไม่ใช่ไฟล์โมเดล
  • คนที่อยากได้หน้าจอภาษาไทย ยังไม่เหมาะ เพราะหน้าจอมี 31 ภาษาและไม่มีภาษาไทย
  • คนที่อยากให้หลายคนใช้แอป Desktop ตัวเดียวร่วมกัน ควรใช้ Docker แทน เพราะ Desktop เป็นแอปใช้คนเดียว ไม่มีบัญชีผู้ใช้และไม่มีการยืนยันตัวตน
  • คนที่ซื้อ Cloud แล้วหวังจะใช้โมเดลในเครื่องตัวเอง ยังไม่เหมาะ เพราะ instance ของ Cloud ไม่มี GPU ไม่มี LLM ในตัว และต่อกับ Ollama ในเครื่องคุณไม่ได้ถ้าไม่เปิดเครื่องออกอินเทอร์เน็ต ซึ่งไม่แนะนำและไม่ปลอดภัย
  • คนที่ใช้เครื่อง x86 รุ่นเก่าที่ไม่มีชุดคำสั่ง AVX2 จะรัน Docker แบบค่าเริ่มต้นไม่ได้ เพราะ LanceDB ต้องใช้ Intel Haswell (2013) ขึ้นไป

ทำได้แค่ไหน

  • แชตกับไฟล์ของตัวเองได้ 2 แบบ คือแนบไฟล์ให้ข้อความทั้งหมดเข้าไปในแชต และ embed ไฟล์เพื่อใช้ RAG กับ reranking
  • Desktop มี built-in LLM provider ให้ดาวน์โหลดและรันโมเดลในเครื่องได้เลย เช่น LLama-3 และ Phi-3 โดยไม่ต้องใช้ cloud API key
  • ต่อกับตัวรันโมเดลในเครื่องตัวอื่นได้ คือ Ollama, LM Studio, Local AI, KoboldCPP, Text Generation WebUI, llmman, Lemonade และ oMLX รวมถึงผู้ให้บริการคลาวด์อีกราว 30 ราย เช่น OpenAI, Anthropic, Google Gemini, OpenRouter และ Groq
  • เอเจนต์มี skill ในตัว 10 อย่าง คือ RAG Search, Web Browsing, Web Scraping, Save Files, List Documents, Summarize Documents, Chart Generation, SQL Agent, File System Agent และ Create Scheduled Jobs
  • รองรับ MCP (มาตรฐานเชื่อม AI กับบริการภายนอก) สำหรับเอเจนต์ ผ่าน transport แบบ stdio, sse และ streamable
  • มี developer API (ช่องทางให้โปรแกรมอื่นเรียกใช้) สำหรับจัดการ อัปเดต embed และแชตกับ workspace ทั้งบน Desktop และ Docker
  • Desktop มี Meeting Assistant ที่อัดเสียง ถอดความ และสรุปการประชุมด้วยโมเดลในเครื่อง และ Desktop Assistant ที่เป็น overlay บนหน้าจอ เปิดด้วย CMD+/ หรือ CTRL+/

ใช้กับงานแบบไหนได้

มือใหม่ที่อยากได้แอปกดใช้ได้

Desktop เป็นแอปติดตั้งแบบ one-click ที่มี built-in LLM provider เลือกโมเดลที่จะดาวน์โหลดได้ตอนเปิดครั้งแรก ไม่ต้องสมัครบัญชี ยกเว้นบน Linux ที่ติดตั้งด้วยสคริปต์ใน terminal (หน้าจอพิมพ์คำสั่ง)

คอมแรม 8GB หรือไม่มีการ์ดจอได้บางส่วน

สเปกที่ให้ไว้สำหรับ Desktop คือ RAM 16GB และ CPU 8-core ไม่ได้บอกแนวทางสำหรับเครื่อง RAM 8GB ถ้าไม่มี GPU จะรันบน CPU โดยประสิทธิภาพลดลง ตัวแอปเองเบา ถ้าให้โมเดลรันที่เครื่องอื่นหรือบนคลาวด์ Docker ต้องการ RAM ขั้นต่ำ 2GB

ใช้การ์ดจอหรือ Apple Silicon ให้เต็มได้บางส่วน

ตัวติดตั้งบน Windows ลง NVIDIA CUDA, AMD ROCm/Vulkan และ NPU ให้อัตโนมัติ และ Mac ชิป M-Series รัน local LLM ได้โดยไม่ต้องมีฮาร์ดแวร์เพิ่ม แต่ยังไม่มีข้อมูลการตั้งค่า GPU layers, หลาย GPU หรือ MLX ในตัวรันในตัว โดย MLX ใช้ได้ผ่าน oMLX ที่เป็นโปรแกรมแยก

เปิด API ให้โปรแกรมอื่นมาต่อได้บางส่วน

มี developer API ที่ port 3001 พร้อม /v1/openai/chat/completions แต่ค่า model ต้องเป็น workspace slug จึงเป็นการเรียก workspace พร้อมไฟล์ในนั้น ไม่ใช่เรียกโมเดลตรง ๆ ยังไม่มีข้อมูลวิธีต่อกับ coding agent หรือ editor

ถามตอบจากไฟล์ของตัวเองได้

แนบไฟล์และ embed ไฟล์ (RAG กับ reranking) ได้ในตัว มี embedder ในตัวและ vector database LanceDB โดยไม่ต้องติดตั้งอะไรเพิ่ม

ทำเอเจนต์ที่ใช้ tools หรือ MCPได้บางส่วน

เอเจนต์, custom skills, Agent Flows และ MCP ใช้กับโมเดลในเครื่องได้บน Desktop และ Docker แต่ขึ้นกับความสามารถ tool calling ของโมเดล โมเดลเล็กที่ quantize หนักมักเรียก tool พลาด ส่วน web search และ MCP server ระยะไกลต้องใช้อินเทอร์เน็ต และ MCP รองรับเฉพาะ Tools

ตั้งเซิร์ฟเวอร์ให้ทั้งทีมใช้ได้

Docker รองรับหลายผู้ใช้ด้วย role แบบ Admin, Manager และ Default เปิดผ่านเบราว์เซอร์ที่ port 3001 แต่ไม่มี LLM ในตัว ต้องต่อกับตัวรันโมเดลแยกหรือ cloud API ส่วน Desktop ใช้ได้คนเดียว

ใช้งานเป็นภาษาไทยไม่ได้

หน้าจอไม่มีภาษาไทย ไม่ได้บอกชื่อโมเดลที่รองรับภาษาไทย และ embedder เริ่มต้นฝึกจากข้อมูลภาษาอังกฤษเป็นหลัก โดยเปลี่ยนเป็น multilingual-e5-small ได้ การแชตภาษาไทยขึ้นกับโมเดลที่คุณเลือกทั้งหมด

วิธีเริ่มใช้

Windows (Desktop)

  1. ดาวน์โหลดตัวติดตั้งสำหรับ Windows 10+ (Home, Professional) แบบ x86 64-bit ที่ https://cdn.anythingllm.com/latest/AnythingLLMDesktop.exe หรือแบบ ARM 64-bit ที่ https://cdn.anythingllm.com/latest/AnythingLLMDesktop-Arm64.exe
  2. ดับเบิลคลิกไฟล์ exe แล้วเลือกติดตั้งแบบ Current User เท่านั้น การติดตั้งสำหรับทุกผู้ใช้ทำให้แอปมีปัญหาและไม่รองรับ
  3. รอให้ตัวติดตั้งดาวน์โหลด dependencies ของ GPU (NVIDIA หรือ AMD) หรือ NPU ให้อัตโนมัติ เครื่องต้องต่ออินเทอร์เน็ตระหว่างติดตั้ง
  4. คลิก AnythingLLM บน desktop เพื่อเปิดแอป การเปิดครั้งแรกอาจใช้เวลาหนึ่งถึงสองนาที
  5. ติดตั้งแบบเงียบ (Desktop v1.16.1 ขึ้นไป): AnythingLLMDesktop.exe /S
  6. ติดตั้งแบบเงียบพร้อมโมเดล Meeting Assistant ขนาดราว 2GB: AnythingLLMDesktop.exe /S /DOWNLOAD_MODEL=yes

macOS (Desktop)

  1. ดาวน์โหลดไฟล์ dmg สำหรับ Apple Silicon (M-Series) ที่ https://cdn.anythingllm.com/latest/AnythingLLMDesktop-Silicon.dmg หรือสำหรับ Intel ที่ https://cdn.anythingllm.com/latest/AnythingLLMDesktop.dmg
  2. เปิดไฟล์ dmg แล้วลากโลโก้ AnythingLLM ไปไว้ใน Applications
  3. หรือติดตั้งผ่าน Homebrew: brew install --cask anythingllm

Linux (Desktop)

  1. curl -fsSL https://cdn.anythingllm.com/latest/installer.sh -o installer.sh
  2. chmod +x installer.sh
  3. ./installer.sh
  4. ตอบตกลงเมื่อสคริปต์ขอสร้าง apparmor rule ของ Ubuntu ถ้าไม่สร้าง แอปจะติดปัญหา SUID ตอนเปิด
  5. เปิดแอปจากหน้าจอ หรือรัน ./AnythingLLMDesktop.AppImage

เริ่มใช้ครั้งแรกใน Desktop

  1. เปิดแอป แล้วเลือกโมเดลที่จะดาวน์โหลด
  2. ดูความคืบหน้าการดาวน์โหลดที่มุมขวาบนของหน้าต่างแอป
  3. เปลี่ยนโมเดลภายหลังได้ทุกเมื่อใน Settings

Docker (Linux / macOS)

  1. docker pull mintplexlabs/anythingllm:latest
  2. export STORAGE_LOCATION=$HOME/anythingllm && \ mkdir -p $STORAGE_LOCATION && \ touch "$STORAGE_LOCATION/.env" && \ docker run -d -p 3001:3001 \ --cap-add SYS_ADMIN \ --name anythingllm \ -v ${STORAGE_LOCATION}:/app/server/storage \ -v ${STORAGE_LOCATION}/.env:/app/server/.env \ -e STORAGE_DIR="/app/server/storage" \ mintplexlabs/anythingllm
  3. เปิด http://localhost:3001 ในเบราว์เซอร์
  4. ตั้ง LLM provider ให้ชี้ไปที่ตัวรันโมเดลแยกหรือ cloud API เพราะ Docker ไม่มี LLM ในตัว

Docker (Windows PowerShell)

  1. docker pull mintplexlabs/anythingllm:latest
  2. $env:STORAGE_LOCATION="$HOME\Documents\anythingllm"; If(!(Test-Path $env:STORAGE_LOCATION)) {New-Item $env:STORAGE_LOCATION -ItemType Directory}; If(!(Test-Path "$env:STORAGE_LOCATION\.env")) {New-Item "$env:STORAGE_LOCATION\.env" -ItemType File}; docker run -d -p 3001:3001 --cap-add SYS_ADMIN --name anythingllm -v "$env:STORAGE_LOCATION:/app/server/storage" -v "$env:STORAGE_LOCATION\.env:/app/server/.env" -e STORAGE_DIR="/app/server/storage" mintplexlabs/anythingllm;
  3. เปิด http://localhost:3001 ในเบราว์เซอร์

ต่อกับ Ollama หรือ LM Studio

  1. ติดตั้ง Ollama แยกก่อน แล้วให้ ollama serve ทำงานอยู่ คำสั่ง ollama run model-name ไม่ได้เปิดเซิร์ฟเวอร์
  2. เลือก Ollama เป็น LLM provider แล้วใช้ http://127.0.0.1:11434 เมื่อ Ollama ใช้ค่าเริ่มต้น
  3. ถ้า AnythingLLM รันใน Docker ให้ใช้ http://host.docker.internal:11434 (Windows/macOS) หรือ http://172.17.0.1:11434 (Linux)
  4. สำหรับ LM Studio ให้เปิด inference server ในตัวของ LM Studio ก่อน แล้วจึงเชื่อมต่อ

อัปเดตและถอนการติดตั้ง Desktop

  1. อัปเดต: ดาวน์โหลดตัวติดตั้งใหม่จาก https://anythingllm.com/download แล้วติดตั้งทับ ข้อมูลใน storage ยังอยู่
  2. อัปเดตผ่าน Homebrew: brew update && brew upgrade --cask anythingllm
  3. ถอนบน macOS: ลากแอปไปที่ Trash แล้วลบ /Users/<usr>/Library/Application Support/anythingllm-desktop เพื่อลบข้อมูลทั้งหมด หรือใช้ brew uninstall --zap --cask anythingllm
  4. ถอนบน Windows: รัน uninstaller ใน /Users/{user}/AppData/Local/Programs/AnythingLLM แล้วลบ /Users/{user}/AppData/Roaming/anythingllm-desktop
  5. ถอนบน Linux: ลบไฟล์ .AppImage แล้วลบ /home/{user}/.config/anythingllm-desktop

ใช้กับเครื่องแบบไหนได้

WindowsWindows 10+ (Home, Professional) ทั้ง x86 64-bit และ ARM 64-bit โดยตั้งเป้าที่ Windows 11 ส่วน Windows Enterprise หรือ Server อาจใช้ไม่ได้
macOSมีตัวติดตั้งสำหรับ Apple Silicon (M-Series) และ Intel ไม่ได้บอกเวอร์ชัน macOS ขั้นต่ำ
Linuxเป็น AppImage สำหรับ x64 และ arm64 (arm64 ต้องเป็น Desktop 1.9.0 ขึ้นไป) ตัวติดตั้งไม่ยอมรันด้วยสิทธิ์ root ไม่ได้บอกรายชื่อ distribution ที่รองรับ
สเปกของ DesktopRAM 16GB และ CPU 8-core (ยี่ห้อใดก็ได้) พื้นที่ดิสก์ขึ้นกับขนาดโมเดลที่ดาวน์โหลด หน้าเดียวกันเรียกตัวเลขนี้ทั้งว่า recommended และว่า minimum สำหรับการใช้งานแบบ basic
การ์ดจอและ VRAMบน Windows แนะนำให้มี GPU โดย VRAM (หน่วยความจำของการ์ดจอ) 8-12GB ขึ้นไป ตัวติดตั้งลง NVIDIA CUDA (cudav13, cudav12) และ AMD ROCm/Vulkan ให้เอง ยังไม่มีข้อมูลเรื่อง GPU ของ Intel และการใช้หลาย GPU
NPU บน Windowsv1.16.1 เพิ่ม Microsoft Foundry Local (ต้องเป็น Windows 11 version 24H2 build 26100 ขึ้นไป ไม่มี vision models) และ AnythingLLM GenieX สำหรับ Snapdragon X และ X2 Elite บน Windows ARM64 โมเดล NPU-only ของ Qualcomm มี context window 4K จึงแนะนำโมเดล GGUF สำหรับงานเอเจนต์
ไม่มีการ์ดจอโมเดลในตัวรันได้ทั้งบน CPU และ GPU ถ้า dependencies ของ GPU ไม่ถูกติดตั้ง แอปจะเตือนในหน้าจอและรันบน CPU โดยประสิทธิภาพลดลง
สเปกของ Dockerขั้นต่ำ RAM 2GB, CPU 2-core ที่มี AVX2 และดิสก์ 5GB เครื่อง ARM (Apple Silicon, Raspberry Pi, AWS Graviton) ใช้ build ARM64 แยกและไม่ติดเงื่อนไข AVX2 ขนาด instance ขั้นต่ำบนคลาวด์คือ AWS t3.small, Google Cloud e2-standard-2 และ Azure B2ps v2

โมเดลที่ใช้ได้

โมเดลในตัว (Desktop)built-in provider ใช้ engine โอเพนซอร์สของ Ollama (MIT) อยู่ข้างใน ดาวน์โหลดโมเดลอย่าง LLama-3 และ Phi-3 ได้ ไม่ได้บอกรายชื่อหรือจำนวนโมเดลทั้งหมด และไม่รองรับโมเดล Ollama Cloud
รูปแบบไฟล์ใช้ GGUF (รูปแบบไฟล์โมเดลสำหรับรันในเครื่อง) ส่วน MLX ใช้ได้ผ่าน oMLX ซึ่งเป็นเซิร์ฟเวอร์แยกสำหรับ Mac ชิป Apple Silicon ที่ http://localhost:8000
นำเข้าไฟล์ GGUF เองเฉพาะ Desktop ที่หน้าเลือก LLM กด Import custom model เลือกไฟล์ GGUF แล้วรอ 2-3 นาที ใช้ได้กับ LLM แบบข้อความเท่านั้น โมเดล embedder นำเข้าทางนี้ไม่ได้
ดึงจาก Hugging Faceตั้งแต่ v1.17.0 ดึงโมเดลจาก Hugging Face ด้วย deep link ได้ เช่น anythingllm://pull-hf?repo=unsloth/gemma-3-1b-it-GGUF&file=gemma-3-1b-it-Q4_K_M.gguf
ตัวรันโมเดลในเครื่องที่ต่อได้Built-in (ค่าเริ่มต้น), Ollama, LM Studio, Local AI, KoboldCPP, Text Generation WebUI, llmman, Lemonade และ oMLX
ผู้ให้บริการคลาวด์เช่น OpenAI, Azure OpenAI, AWS Bedrock, Google Vertex AI, Anthropic, Google Gemini, Mistral, Groq, OpenRouter, DeepSeek, xAI, NVIDIA NIM และ OpenAI (generic) สำหรับ endpoint ใดก็ได้ที่เข้ากับ OpenAI
โมเดลแยกตาม workspaceตั้งได้ 3 ระดับ คือ System LLM, Workspace LLM ที่ใช้แทนค่าระบบเฉพาะ workspace นั้น และ Agent LLM มี Model Router ที่ส่งแต่ละข้อความไปยังโมเดลต่างกันตามกฎ ใช้ได้บน Self-hosted และ Desktop ตั้งแต่ v1.13.0
Quantizationแนะนำโมเดลที่ quantize (ลดขนาดโมเดลให้ใช้ RAM น้อยลง) อย่างน้อย 4-bit หรือ 5-bit ต่ำกว่านั้นมักให้ข้อความที่อ่านไม่ออก RAM ที่ต้องใช้ขึ้นกับขนาดโมเดล ไม่มีตารางจับคู่ขนาดโมเดลกับ RAM

หน้าตาและการใช้งาน

รูปแบบเป็นแอปมีหน้าต่าง Desktop ติดตั้งแบบ one-click ส่วน Docker ใช้ผ่านเบราว์เซอร์ที่ http://localhost:3001 บน Windows และ macOS ไม่ต้องพิมพ์คำสั่ง
Workspaces และ threadsแชตจัดเป็น workspace และ thread ไฟล์ที่แนบในแชตใช้ได้เฉพาะ workspace และ thread นั้น ส่วนไฟล์ที่ embed ใช้ได้ทุก thread ใน workspace
โหมดแชตมี Agent Mode (ค่าเริ่มต้นของ workspace ใหม่หลัง v1.11.1), Chat Mode ที่ใช้ทั้งไฟล์และความรู้ทั่วไปของโมเดล และ Query Mode ที่ใช้เฉพาะไฟล์ที่อัปโหลดและบอกเมื่อไม่พบข้อมูลที่เกี่ยวข้อง
ปุ่มบนข้อความCopy, Edit, Regenerate, Speak (อ่านออกเสียง), ปุ่ม thumbs up/down, slash commands เช่น /reset, @agent และปรับขนาดตัวอักษร ส่วนไมโครโฟนในหน้าแชตเขียนไว้ว่าใช้ไม่ได้บน Desktop ขณะที่ v1.6.3 แจ้งว่าเพิ่ม speech-to-text แล้ว
เสียงและรูปText to speech เลือกได้จาก System native (ค่าเริ่มต้น), PiperTTS, Kokoro, OpenAI, ElevenLabs หรือบริการที่เข้ากับ OpenAI สร้างรูปในแชตด้วยคำสั่ง /img และแนบรูปให้โมเดล multi-modal ได้
Memoriesจำข้อมูลได้สูงสุด 20 รายการต่อ workspace และ 5 รายการแบบ global ปิดอยู่เป็นค่าเริ่มต้น การเก็บอัตโนมัติต้องใช้โมเดลที่รองรับ tool calling
เฉพาะ DesktopDesktop Assistant (v1.11.0+) เป็น overlay บนหน้าจอ เปิดด้วย CMD+/ บน MacOS หรือ CTRL+/ บน Windows/Linux และ Meeting Assistant (v1.10.0+) อัดเสียง ถอดความ และสรุปการประชุม ทั้งสองอย่างฟรี
มือถือAnythingLLM Mobile มีเฉพาะ Android รันโมเดล GGUF บนเครื่องได้แบบออฟไลน์ และ sync แชตกับ Desktop หรือ instance แบบ Cloud และ self-hosted ด้วยการสแกน QR code ส่วน iOS มีแผนจะทำแต่ยังไม่มีวันออก

API และการต่อกับโปรแกรมอื่น

ที่อยู่และ portDesktop และ Docker ใช้ port (หมายเลขช่องทางเชื่อมต่อ) 3001 เป็นค่าเริ่มต้นทั้งคู่ API อยู่ใต้ path /api และมีหน้าคู่มือแบบโต้ตอบที่ /api/docs บน instance ของคุณเอง
การยืนยันตัวตนใช้ API key ที่สร้างและลบในแอป ส่งเป็น Authorization: Bearer {api_key} ใครก็ตามที่มี API key ใช้ API ได้
Endpoint แบบ OpenAIมี /v1/openai/models, /v1/openai/chat/completions, /v1/openai/embeddings, /v1/openai/images/generations และ /v1/openai/vector_stores รองรับ streaming ค่า model ต้องเป็น workspace slug จาก /models
Endpoint ของ AnythingLLMกลุ่ม /v1/auth, /v1/admin/*, /v1/document/* (upload, upload-link, raw-text), /v1/workspace/* (new, chat, stream-chat, vector-search, threads), /v1/system/*, /v1/users และ /v1/embed/* การแชตกับ workspace เลือก mode ได้ automatic, query หรือ chat
เปิดให้เครื่องอื่นเรียก (Desktop)เปิดที่ Settings > Admin > General > Enable network discovery ค่าเริ่มต้นฟังที่ 127.0.0.1 เมื่อเปิดจะฟังที่ 0.0.0.0 ให้เครื่องอื่นใน LAN เรียก API ได้ (ต้อง restart) เปิดได้เฉพาะ API ไม่ใช่หน้าจอ เบราว์เซอร์จะได้ 404
เปิดให้เครื่องอื่นเข้า (Docker)Docker เปิด port 3001 บนทุก interface จึงเข้าได้ที่ http://<host-ip>:3001 ในเครือข่ายเดียวกัน ควรเปิด Password Protect Instance หรือ Multi-User Mode ก่อน ไม่ควร tunnel เครื่องส่วนตัวออกอินเทอร์เน็ตด้วย ngrok หรือ Cloudflare Tunnel และแนะนำ Tailscale เป็นทางที่ปลอดภัยกว่า
ต่อกับตัวรันโมเดลจากใน Dockerใน Docker ที่อยู่ localhost, 127.0.0.1 และ 0.0.0.0 ไปไม่ถึงเครื่อง host ให้ใช้ host.docker.internal (Windows/macOS) หรือ 172.17.0.1 (Linux) เช่น Ollama ที่ http://host.docker.internal:11434 และ LMStudio ที่ http://host.docker.internal:1234
ค่าตั้งที่เกี่ยวข้องDISABLE_SWAGGER_DOCS="true" ปิด /api/docs (แนะนำใน production) ANYTHINGLLM_FETCH_TIMEOUT ปรับ timeout เริ่มต้น 10 นาทีของคำขอไปยัง LLM provider และ ANYTHINGLLM_MAX_RETRIES มีค่าเริ่มต้น 0

ถามตอบจากไฟล์ tools และ MCP

แนบหรือ embedแนบไฟล์ด้วยการลากวางหรือกด + ข้อความทั้งหมดจะเข้าไปในแชต ถ้าเกิน context window แอปให้เลือก Cancel, Continue Anyway หรือ Embed ส่วนการ embed ใช้ RAG กับ reranking
ชนิดไฟล์.txt .md .org .adoc .rst .html .csv .json .docx .pptx .xlsx .odt .odp .pdf .mbox .epub ไฟล์เสียงและวิดีโอ .wav .mp3 .ogg .oga .opus .m4a .webm .mp4 .mpeg (ถอดความด้วย whisper-small ในเครื่องบน CPU) และรูป .png .jpg .jpeg .webp ยังไม่รับ .doc แบบเก่า
ค่าตั้ง RAG ต่อ workspaceSearch Preference แบบ Accuracy Optimized ใช้ reranking (เฉพาะ LanceDB เพิ่มเวลาราว 100-500ms), Max Context Snippets (แนะนำ 4-6), Document similarity threshold (ค่าเริ่มต้น 20%) และ Document Pinning ที่ใส่ข้อความทั้งไฟล์
Embedder และ vector databaseค่าเริ่มต้นคือ LanceDB ในเครื่อง และ embedder all-MiniLM-L6-v2 บน CPU (ดาวน์โหลด 25mb ตอน embed ครั้งแรก ควรมี RAM ว่างอย่างน้อย 2GB) เปลี่ยนเป็น PGVector, Astra DB, Pinecone, Chroma, Weaviate, Qdrant, Milvus หรือ Zilliz ได้
เอเจนต์เริ่มด้วย @agent หรือเริ่มเองเมื่อโมเดลรองรับ tool calling จบด้วย /exit Intelligent Tool Selection เปิดเป็นค่าเริ่มต้น ใส่เฉพาะ tool ที่เกี่ยวข้องลงใน prompt และเพิ่มเวลา 100-500ms ต่อแชต
Web searchskill Web-Browsing ใช้ DuckDuckGo เป็นค่าเริ่มต้นโดยไม่ต้องตั้งค่าเพิ่ม และเลือกผู้ให้บริการค้นหารายอื่นได้ ขณะที่หน้าเว็บ anythingllm.com บอกว่า You.com เป็นค่าเริ่มต้นแล้วโดยไม่ต้องใช้ API key
MCPตั้งค่าเซิร์ฟเวอร์ในไฟล์ plugins/anythingllm_mcp_servers.json ใน storage และจัดการได้ที่หน้า Agent Skills บน Desktop ต้องเป็น v1.8.0+ รองรับเฉพาะ Tools ไม่รองรับ Resources, Prompts หรือ Sampling คำสั่งอย่าง npx, uv, uvx, node ต้องมีในเครื่องอยู่แล้ว
Custom skills และ Agent FlowsCustom agent skills เขียนด้วย NodeJS ใช้ได้บน Docker ตั้งแต่ v1.2.2 และ Desktop 1.6.5+ ส่วน Agent Flows เป็นตัวสร้าง skill แบบ no-code ที่มีในตัวทั้ง Docker และ Desktop ทั้ง custom skills และ MCP ใช้ไม่ได้บน Cloud
File System Agent และ Scheduled JobsFile System Agent ปิดอยู่เป็นค่าเริ่มต้น บน Desktop (v1.12.0+) ให้สิทธิ์เป็นรายโฟลเดอร์ บน Docker ต้อง bind volume ใต้ /app/server/storage/anythingllm-fs/ ส่วน Scheduled Jobs (v1.13.0+) รันเอเจนต์ตาม cron และใช้ได้เฉพาะโหมด single-user

ข้อมูลและความเป็นส่วนตัว

เก็บในเครื่องข้อความ ประวัติแชต และไฟล์ไม่ถูกส่งออกจากเครื่อง ทุกอย่างบันทึกในเครื่องเป็นค่าเริ่มต้น และ Desktop ทำงานออฟไลน์ทั้งหมดได้
บัญชีDesktop ไม่ต้องมีบัญชี ไม่ต้องสมัคร ไม่ต้องยืนยันอีเมล และไม่ต้องใช้บัตรเครดิต
Telemetryมี telemetry (การส่งสถิติการใช้งานแบบไม่ระบุตัวตน) ผ่าน PostHog เก็บชนิดการติดตั้ง, เหตุการณ์เพิ่มหรือลบไฟล์, ชนิด vector database, ชนิด LLM provider กับ model tag และเหตุการณ์ส่งแชต ไม่เก็บ IP หรือข้อมูลที่ชี้ตัวตน
ปิด telemetryตั้ง DISABLE_TELEMETRY เป็น "true" ในไฟล์ .env ของ server หรือ docker หรือปิดในแอปที่ sidebar > Privacy
การเชื่อมต่อออกอื่น ๆแม้ปิด telemetry แล้ว ยังมีการเชื่อมต่อไปยังผู้ให้บริการ LLM, embedding หรือ vector database ที่คุณเลือกใช้, cdn.anythingllm.com สำหรับดึงโมเดล และ github / githubusercontent.com สำหรับไฟล์ข้อมูล context window
เมื่อใช้โมเดลคลาวด์เมื่อใช้โมเดลที่ไม่ได้รันในเครื่อง การใช้งานของคุณอยู่ใต้นโยบายความเป็นส่วนตัวของผู้ให้บริการ LLM รายนั้น
ลบไฟล์การเอาไฟล์ออกจาก workspace ยังเก็บไฟล์ไว้ใน My Documents ต้องลบจาก My Documents จึงจะลบข้อความที่แปลงแล้วและ embedding ที่ cache ไว้ออกจากทุก workspace
AnythingLLM Cloudแต่ละ instance อยู่บน AWS instance แยกที่ Mintplex Labs ดูแล การสมัครเก็บชื่อ อีเมล และองค์กร Stripe รับชำระเงิน และทีมงานอาจเข้า instance เพื่อ debug และบำรุงรักษา

ลิขสิทธิ์และการใช้ในบริษัท

ซอร์สโค้ดrepository anything-llm ใช้ The MIT License ลิขสิทธิ์ของ Mintplex Labs Inc. ทั้ง Docker และ Desktop เป็นโอเพนซอร์ส
ข้อตกลงของ Desktopแอป Desktop มี Terms of Use ของตัวเอง (Version: July 14, 2025) ให้สิทธิ์ใช้แบบ non-exclusive, non-transferable สำหรับ personal และ / หรือ internal business purposes เท่านั้น ส่วนผลิตภัณฑ์อื่นอยู่ใต้ MIT
ใช้ในองค์กรหน้าเว็บเขียนว่า MIT Licensed. Open Source. และ licensed for organizational use จะตั้งแบบหลายผู้ใช้บนเซิร์ฟเวอร์ของตัวเองหรือใช้แอป Desktop ก็ได้
หลายผู้ใช้มีเฉพาะ Docker (self-hosted) และ Cloud role มี Admin (สิทธิ์เต็ม), Manager (เข้าได้ทุก workspace แต่แก้ค่า LLM, Embedder, Vector database ไม่ได้) และ Default (แชตได้เฉพาะ workspace ที่ถูกเพิ่มเข้า)
White-label และ chat widgetเฉพาะ Docker ใส่โลโก้เอง ข้อความต้อนรับ และลิงก์ท้ายหน้าได้ และฝัง chat widget ลงเว็บไซต์ด้วยแท็ก <script> พร้อม allow-list ของโดเมนและจำนวนแชตต่อวัน
SSO และ sessionSimple SSO passthrough (SIMPLE_SSO_ENABLED) ออกลิงก์ login ชั่วคราวผ่าน API สำหรับ instance แบบหลายผู้ใช้ session อยู่ได้ 30 วันเป็นค่าเริ่มต้น (JWT_EXPIRY)
การขยายระบบbackend ใช้ SQLite จึงไม่แนะนำให้ขยายแบบ horizontal ให้ใช้ image แบบ pg ที่เก็บข้อมูลใน PostgreSQL และใช้ PGVector แทน HTTPS ต้องมี reverse proxy เช่น NGINX มี template แบบ one-click สำหรับ Railway และ Render
รันโดยไม่ใช้ Dockerการรัน production แบบ bare metal มีวิธีใน BARE_METAL.md แต่ทีมหลักไม่รองรับ ต้องใช้ NodeJS v18 และ Yarn, RAM อย่างน้อย 2GB และแนะนำดิสก์ขั้นต่ำ 10GB

ภาษาไทย

หน้าจอภาษาไทยไม่มี หน้าจอมี 31 ภาษา เช่น en, ja, ko, zh, vn, id, lo และ hi แต่ไม่มี th
คู่มือภาษาไทยไม่มี คู่มือมีภาษาอังกฤษอย่างเดียว ส่วน README มี English, 简体中文 และ 日本語
โมเดลที่รองรับไทยยังไม่มีข้อมูลว่าโมเดลตัวใดรองรับภาษาไทย และไม่ได้เอ่ยถึงภาษาไทย การแชตภาษาไทยขึ้นกับโมเดลที่คุณเลือก
Embedder เริ่มต้นall-MiniLM-L6-v2 ฝึกจากไฟล์ภาษาอังกฤษเป็นหลัก embedder ที่ใช้กับภาษาหนึ่งอาจทำงานกับอีกภาษาได้ไม่ดี
Embedder หลายภาษาตั้งแต่ v1.8.5 เปลี่ยน embedder ในตัวเป็น nomic-embed-text-v1 หรือ multilingual-e5-small ได้ การเปลี่ยนต้อง embed ไฟล์ใหม่ทั้งหมด
OCR และเสียงv1.7.5 เพิ่มการรองรับหลายภาษาใน OCR และ v1.6.1 เพิ่ม PiperTTS ที่มีโมเดลอ่านออกเสียงหลายภาษากว่า 100 ตัว ไม่ได้บอกว่ามีภาษาไทยหรือไม่

ราคาและแผน

แผนราคาได้อะไรบ้าง
AnythingLLM DesktopFreeแอปใช้คนเดียวบน Windows, macOS และ Linux ติดตั้งแบบ one-click มี built-in LLM provider, RAG, เอเจนต์, MCP, developer API, Meeting Assistant และ Desktop Assistant ไม่ต้องมีบัญชี ซอร์สโค้ดเป็น MIT และแอปมี Terms of Use ของตัวเองสำหรับใช้ส่วนตัวและในธุรกิจ ไม่มีหลายผู้ใช้
AnythingLLM Docker (self-hosted)Freeเซิร์ฟเวอร์ที่ติดตั้งเอง ใช้ผ่านเบราว์เซอร์ที่ port 3001 ใต้สัญญาอนุญาต MIT เพิ่มหลายผู้ใช้, การจัดการผู้ใช้และสิทธิ์ workspace, password protection, white-labeling และ chat widget ฝังเว็บ ไม่มี LLM ในตัว ต้องต่อกับตัวรันโมเดลแยกหรือ cloud API
Cloud Basic$50 /monthlyสำหรับทีมเล็ก ได้ private instance ที่ Mintplex Labs โฮสต์ให้, custom subdomain, RAG และเอเจนต์พร้อมใช้ ต้องนำ LLM API key มาเอง ไม่มี MCP และ custom agent skills ไม่ได้บอกจำนวนผู้ใช้หรือพื้นที่เก็บข้อมูล ในคู่มือเรียกแผนนี้ว่า Starter
Cloud Pro$99 /monthlyสำหรับ startup และทีมใหญ่ ได้ private instance, RAG และเอเจนต์พร้อมใช้ และ 72-hour support SLA ได้ compute มากกว่าแผนเล็ก ต้องนำ LLM API key มาเองเช่นกัน ในคู่มือเรียกแผนนี้ว่า Professional
EnterpriseContact UsOn-premise deployment, Custom SLA, Custom integrations และ SSO, RBAC, and more
AnythingLLM Pro (Desktop)ยังไม่มีข้อมูลราคาsubscription เสริมของ Desktop v1.15.0+ บน Windows และ macOS ปลดขีดจำกัดรายวันของ Magic Echo, Magic Beacon และ Magic Tab และได้ไฟล์ที่สร้างแบบไม่มี watermark ฟีเจอร์เหล่านี้มีโควตาฟรีรายวัน licence key ไม่จำกัดจำนวนเครื่อง ไม่มีการคืนเงิน
AnythingLLM MobileFreeแอป Android ฟรีและโอเพนซอร์สแบบ GPLv3

ข้อจำกัดและสิ่งที่ควรรู้ก่อนเริ่ม

  • หลายผู้ใช้, chat widget ฝังเว็บ, white-labeling, password protection และหน้าจอผ่านเบราว์เซอร์มีเฉพาะ Docker ส่วนการติดตั้งแบบ one-click และ built-in LLM provider มีเฉพาะ Desktop
  • Cloud ไม่มี LLM ในตัวเพราะ instance ไม่มี GPU, embedder ในตัวรับงานได้จำกัดและไฟล์ใหญ่อาจทำให้ instance ล่มด้วย 502, ไม่มี custom agents และไม่มี MCP
  • MCP รองรับเฉพาะ Tools ไม่รองรับ Resources, Prompts หรือ Sampling
  • Memories เก็บได้สูงสุด 20 รายการต่อ workspace และ 5 รายการแบบ global
  • การถอดเสียงด้วย whisper ในเครื่องแนะนำ RAM อย่างน้อย 2GB และไฟล์ที่อัปโหลดเล็กกว่า 10MB
  • Meeting Assistant ยังใช้ไม่ได้บน Linux และ Desktop Assistant บน Linux จับภาพแอปหรือบางส่วนของหน้าจอไม่ได้
  • Scheduled Jobs ใช้ได้เฉพาะโหมด single-user และ browser extension รองรับเฉพาะ Chrome
  • Docker และ Cloud ไม่มี LLM ในตัว ต้องรัน Ollama, LM Studio หรือตัวอื่นแยกเอง หรือใช้ cloud API key
  • ถ้ารัน Docker โดยไม่ mount -v ${STORAGE_LOCATION}:/app/server/storage ข้อมูลทั้งหมดจะหายเมื่อ container ถูก restart
  • Desktop และ Docker ใช้ port 3001 เหมือนกัน การเปิดทั้งสองพร้อมกันอาจทำให้แอป Desktop ค้าง
  • instance Docker ในเครื่องไม่มีการยืนยันตัวตนเป็นค่าเริ่มต้น และ API ของ Desktop ไม่มีเลยเมื่อเปิด network discovery จึงไม่ควรเปิด Desktop ออกอินเทอร์เน็ตสาธารณะ
  • เมื่อสลับ Docker เป็นโหมดหลายผู้ใช้แล้ว ย้อนกลับเป็น single-user ไม่ได้
  • embedder ตั้งทั้งระบบ ไม่ได้แยกตาม workspace การเปลี่ยนภายหลังต้องลบและ embed ไฟล์ใหม่
  • Docker บน x86 ต้องมี AVX2 ไม่อย่างนั้น container จะปิดตัวพร้อมข้อความ Illegal instruction (core dumped) เครื่องเสมือนอย่าง Proxmox หรือ QEMU/KVM มักซ่อน AVX2 ถ้าไม่ตั้ง CPU type เป็น host ทางเลี่ยงคือตั้ง VECTOR_DB เป็นตัวที่ไม่ใช่ LanceDB
  • ถ้าการติดตั้ง GPU support บน Windows ล้มเหลว ทางที่แนะนำคือติดตั้ง AnythingLLM กับ Ollama แยกกันแล้วเชื่อมต่อเข้าหากัน
  • v1.16.1 เปลี่ยน engine ของ Snapdragon NPU เป็น GenieX โมเดลจาก engine เก่าจะถูกลบตอนอัปเดตและต้องดาวน์โหลดใหม่
  • licence key ของ AnythingLLM Pro ถูกตรวจกับ license.anythingllm.com เป็นระยะ ถ้าออฟไลน์ติดต่อกันเกิน 48 ชั่วโมง key จะใช้ไม่ได้จนกว่าจะต่ออินเทอร์เน็ตอีกครั้ง
  • โมเดลในเครื่องขนาดเล็กที่ quantize หนักมักเรียก tool พลาด สำหรับเอเจนต์แนะนำโมเดลที่ดีที่สุดเท่าที่เครื่องรันได้ หรือใช้โมเดลคลาวด์เฉพาะงานเอเจนต์
  • ควรรัน MCP server และ custom agent skills เฉพาะที่คุณไว้ใจเท่านั้น การดาวน์โหลด agent skills จาก Community Hub ปิดอยู่เป็นค่าเริ่มต้นบน instance แบบ self-hosted

คำถามที่คนถามเกี่ยวกับ AnythingLLM

AnythingLLM คืออะไร

AnythingLLM คือแพลตฟอร์มแชต AI แบบรวมทุกอย่างในตัวจาก Mintplex Labs ใช้ถามตอบจากไฟล์ด้วย RAG และสั่งเอเจนต์ได้ มีแบบ Desktop สำหรับใช้คนเดียว แบบ Docker สำหรับตั้งเซิร์ฟเวอร์หลายผู้ใช้ และแบบ Cloud ที่โฮสต์ให้

AnythingLLM ฟรีไหม ใช้ในบริษัทได้ไหม

Desktop ดาวน์โหลดฟรี และ Docker แบบ self-host ก็ฟรี ซอร์สโค้ดเป็น MIT และ Terms of Use ของ Desktop ให้ใช้เพื่อ personal และ internal business purposes ได้ ส่วนที่เสียเงินคือ Cloud ($50 /monthly และ $99 /monthly), Enterprise และ AnythingLLM Pro ที่ปลดขีดจำกัดฟีเจอร์ Magic

AnythingLLM Desktop กับ Docker ต่างกันยังไง

Desktop เป็นแอปใช้คนเดียว ติดตั้งแบบ one-click และมี built-in LLM provider ส่วน Docker เปิดผ่านเบราว์เซอร์ รองรับหลายผู้ใช้ password protection, white-labeling และ chat widget แต่ไม่มี LLM ในตัว ทั้งสองแบบมี RAG, เอเจนต์ และ developer API เหมือนกัน

ติดตั้ง AnythingLLM ยังไง

Windows ดาวน์โหลดไฟล์ exe แล้วติดตั้งแบบ Current User ส่วน macOS เปิดไฟล์ dmg แล้วลากไปที่ Applications หรือใช้ brew install --cask anythingllm บน Linux รันสคริปต์ installer.sh และแบบ Docker ใช้ docker pull mintplexlabs/anythingllm:latest แล้วเปิด http://localhost:3001

ต้องใช้สเปกเครื่องเท่าไร ไม่มีการ์ดจอใช้ได้ไหม

Desktop ให้ตัวเลขไว้ที่ RAM 16GB และ CPU 8-core ไม่มีการ์ดจอก็ใช้ได้ โดยโมเดลจะรันบน CPU และประสิทธิภาพลดลง ตัวแอปเองเบา ถ้าต่อกับโมเดลที่รันบนเครื่องอื่นหรือบนคลาวด์ Docker ต้องการ RAM ขั้นต่ำ 2GB ยังไม่มีข้อมูลสำหรับเครื่อง RAM 8GB

AnythingLLM ใช้ port อะไร เปิด API ยังไง

ใช้ port 3001 ทั้ง Desktop และ Docker API อยู่ใต้ /api และดูรายการ endpoint ได้ที่ /api/docs สร้าง API key ในแอป แล้วส่งเป็น Authorization: Bearer {api_key} ถ้าจะให้เครื่องอื่นใน LAN เรียก Desktop ให้เปิด Settings > Admin > General > Enable network discovery

โมเดลเก็บไว้ที่ไหน ลบโมเดลยังไง

โมเดลอยู่ในโฟลเดอร์ models ใต้ storage คือ /Users/<usr>/Library/Application Support/anythingllm-desktop/storage บน Mac, C:\Users\<usr>\AppData\Roaming\anythingllm-desktop\storage บน Windows และ ~/.config/anythingllm-desktop/storage/ บน Linux เปิดได้ด้วยการกดเลขเวอร์ชันมุมขวาบนแล้วกด Open storage ยังไม่มีข้อมูลวิธีลบโมเดลทีละตัว มีแต่วิธีลบข้อมูลทั้งหมด

ใช้ออฟไลน์ได้ไหม ข้อมูลออกนอกเครื่องไหม

Desktop ทำงานออฟไลน์ทั้งหมดได้ และข้อความ ประวัติแชต กับไฟล์เก็บในเครื่องเป็นค่าเริ่มต้น มี telemetry แบบไม่ระบุตัวตนที่ปิดได้ในแอปที่ sidebar > Privacy ถ้าเลือกใช้โมเดลคลาวด์ ข้อมูลจะไปยังผู้ให้บริการรายนั้น

ใช้ AnythingLLM กับ Ollama ยังไง ต้องลงคู่กันไหม

Desktop ไม่ต้องลง Ollama เพราะมี built-in LLM provider อยู่แล้ว ส่วน Docker ต้องมีตัวรันโมเดลแยก ถ้าจะใช้ Ollama ให้ติดตั้งแยกและเปิด ollama serve แล้วเชื่อมที่ http://127.0.0.1:11434 หรือ http://host.docker.internal:11434 เมื่อ AnythingLLM อยู่ใน Docker

ไปที่เว็บ AnythingLLM anythingllm.com
ลิงก์อ้างอิง 66 หน้า
  1. docs.anythingllm.com/chatting-with-documents/introduction
  2. docs.anythingllm.com/setup/llm-configuration/local/built-in
  3. docs.anythingllm.com/features/language-models
  4. docs.anythingllm.com/agent/usage/overview
  5. docs.anythingllm.com/mcp-compatibility/overview
  6. docs.anythingllm.com/features/api
  7. docs.anythingllm.com/meeting-assistant/introduction
  8. docs.anythingllm.com/installation-desktop/overview
  9. docs.anythingllm.com/setup/embedder-configuration/overview
  10. docs.anythingllm.com/features/security-and-access
  11. docs.anythingllm.com/ollama-connection-troubleshooting
  12. docs.anythingllm.com/installation-desktop/privacy
  13. docs.anythingllm.com/setup/llm-configuration/overview
  14. raw.githubusercontent.com/Mintplex-Labs/anything-llm/master/server/swagger/openapi.json
  15. github.com/Mintplex-Labs/anything-llm/tree/master/frontend/src/locales
  16. docs.anythingllm.com/installation-docker/system-requirements
  17. docs.anythingllm.com/installation-desktop/system-requirements
  18. docs.anythingllm.com/installation-desktop/windows
  19. docs.anythingllm.com/agent-not-using-tools
  20. docs.anythingllm.com/installation-desktop/macos
  21. docs.anythingllm.com/installation-desktop/linux
  22. docs.anythingllm.com/installation-docker/local-docker
  23. docs.anythingllm.com/installation-desktop/uninstall
  24. docs.anythingllm.com/changelog/v1.16.1
  25. docs.anythingllm.com/import-custom-models
  26. docs.anythingllm.com/changelog/v1.17.0
  27. docs.anythingllm.com/model-router/overview
  28. raw.githubusercontent.com/Mintplex-Labs/anything-llm/master/server/storage/models/README.md
  29. docs.anythingllm.com/features/chat-modes
  30. docs.anythingllm.com/chat-ui
  31. docs.anythingllm.com/features/text-to-speech
  32. docs.anythingllm.com/features/memories
  33. docs.anythingllm.com/desktop-assistant/introduction
  34. docs.anythingllm.com/mobile/overview
  35. docs.anythingllm.com/installation-desktop/debug
  36. docs.anythingllm.com/installation-docker/remote-access
  37. docs.anythingllm.com/installation-docker/localhost
  38. docs.anythingllm.com/configuration
  39. raw.githubusercontent.com/Mintplex-Labs/anything-llm/master/collector/utils/constants.js
  40. docs.anythingllm.com/agent/setup
  41. docs.anythingllm.com/mcp-compatibility/desktop
  42. docs.anythingllm.com/agent/custom/introduction
  43. docs.anythingllm.com/agent/usage/file-system-agent
  44. anythingllm.com/download
  45. raw.githubusercontent.com/Mintplex-Labs/anything-llm/master/README.md
  46. docs.anythingllm.com/features/privacy-and-data-handling
  47. docs.anythingllm.com/cloud/privacy-policy
  48. raw.githubusercontent.com/Mintplex-Labs/anything-llm/master/LICENSE
  49. docs.anythingllm.com/installation-desktop/terms
  50. docs.anythingllm.com/features/chat-widgets
  51. docs.anythingllm.com/installation-docker/cloud-docker
  52. raw.githubusercontent.com/Mintplex-Labs/anything-llm/master/BARE_METAL.md
  53. docs.anythingllm.com
  54. docs.anythingllm.com/setup/embedder-configuration/local/built-in
  55. docs.anythingllm.com/changelog/v1.8.5
  56. docs.anythingllm.com/changelog/v1.7.5
  57. anythingllm.com/pricing
  58. docs.anythingllm.com/pro/overview
  59. anythingllm.com/mobile
  60. docs.anythingllm.com/cloud/limitations
  61. docs.anythingllm.com/setup/transcription-model-configuration/local/built-in
  62. docs.anythingllm.com/scheduled-jobs/overview
  63. docs.anythingllm.com/installation-docker/overview
  64. docs.anythingllm.com/pro/manage-subscription
  65. docs.anythingllm.com/installation-desktop/storage
  66. docs.anythingllm.com/setup/llm-configuration/local/ollama