NextChat: leichter KI-Client von Vercel bis Tauri

Vom Vercel-Klon bis Docker: Deployment in unter einer Minute

NextChat wirbt mit dem schnellsten denkbaren Einstieg: einem Ein-Klick-Deployment auf Vercel, das laut README in weniger als einer Minute durchlaufen ist. Der Klon-Button übernimmt das Repository und fragt die Umgebungsvariablen OPENAI_API_KEY und CODE ab. Daneben gibt es Deploy-Wege über Zeabur, Gitpod und OpenDeploy, und wer Container bevorzugt, zieht das Image yidadaa/chatgpt-next-web per docker pull und startet es per docker run mit denselben Variablen. Die Beschreibung klingt passend: Light and Fast AI Assistant.

Der Client selbst bleibt bewusst klein. Das README nennt etwa 5 MB für die Pakete unter Linux, Windows und macOS und eine erstbildnahe Ladegröße von rund 100 Kilobyte für die Webversion. Die Reichweite ist breit: Web als PWA, dazu native Apps für iOS, macOS, Android, Linux und Windows, mit einer iOS-App im App Store und einer Desktop-App auf Tauri-Basis. In TypeScript geschrieben, MIT-Lizenziert, mit fast 88.700 Sternen und rund 59.200 Forks gehört das Projekt zu den am häufigsten geforkten Client-Repositorien überhaupt.

OPENAI_API_KEY, CODE und CUSTOM_MODELS: die Konfigurationsoberfläche

Die Konfiguration läuft über Umgebungsvariablen, deren Bandbreite das README ausführlich dokumentiert. OPENAI_API_KEY ist Pflicht, CODE legt optional ein durch Kommas getrenntes Zugriffspasswort fest, das die eigene Instanz gegen fremde Nutzung abschottet. Weitere Variablen decken Endpunkte von Azure, Google, Anthropic, Baidu, ByteDance, Alibaba, iFlytek, ChatGLM, DeepSeek, Stability, SiliconFlow und 302.AI ab, dazu BASE_URL für eigene Adressen.

Besonders praktisch ist CUSTOM_MODELS: Die Modellliste lässt sich damit mit Plus- und Minuszeichen erweitern und kürzen, Anzeigenamen lassen sich umbenennen. Schalter wie HIDE_USER_API_KEY, DISABLE_GPT4, ENABLE_BALANCE_QUERY und DISABLE_FAST_LINK steuern, was Anwendern der Instanz zu sehen ist. Für die lokale Entwicklung verlangt das README Node.js 18 oder neuer, eine .env.local im Projektstamm mit Schlüssel und optionaler BASE_URL, dann yarn install und yarn dev. Das genaue Zusammenspiel aller Variablen ist nicht für jede Kombination dokumentiert, bei ausgefallenen Setups hilft nur ein Testlauf.

Masken als Prompt-Vorlagen und die Token-Komprimierung

Seit Version 2 steht das Konzept der Masken im Zentrum: Vorlagen, mit denen sich Chatwerkzeuge erstellen, teilen und debuggen lassen. Ein neuer Chat startet damit mit vordefinierten Kontext-Prompts, Nutzereigene Prompts lassen sich bearbeiten und in einer Prompt-Liste speichern, ein vom Nutzer festgelegter System-Prompt kann angeheftet werden. Die Bibliothek eigener Vorschläge stammt laut README aus awesome-chatgpt-prompts-zh und awesome-chatgpt-prompts.

Zweitens komprimiert der Client den Chatverlauf automatisch, um lange Gespräche zu ermöglichen und gleichzeitig Token zu sparen. Das ist ein relevanter Kostenhebel, weil lange Kontexte bei allen Anbietern teurer werden. Über Teilen-Funktionen lassen sich Gespräche als Bild exportieren oder zu ShareGPT hochladen. Die Oberfläche rendert Markdown mit LaTeX, Mermaid und Code-Hervorhebung, bietet Dunkelmodus und responsives Design, und die Lokalisierung umfasst vierzehn Sprachen von Englisch und Deutsch bis Vietnamesisch und Tschechisch.

Tauri-Client, ENABLE_MCP und der Weg zu LocalAI

Der Desktop-Client basiert laut Roadmap auf Tauri. Zwei Punkte daraus verdienen Aufmerksamkeit: Seit v2.15.4 kann die Anwendung über Tauri direkt die LLM-API abrufen, was das README als Sicherheitsgewinn vermerkt, weil der Schlüssel nicht über eine zwischengeschaltete Serverumgebung laufen muss. Und vor dem Build lässt sich mit ENABLE_MCP=true die Unterstützung für das Model Context Protocol einschalten, das README weist ausdrücklich darauf hin, dass diese Variable vor dem Bauen gesetzt sein muss.

Auf der Modellseite ist der Client vollständig kompatibel mit selbst gehosteten LLMs, empfohlen werden RWKV-Runner und LocalAI. Über LocalAI laut Roadmap-Text laufen llama, gpt4all, rwkv, vicuna, koala, cerebras, falcon und dolly als Modelle. Plugin-Fähigkeit kam mit v2.15.0 hinzu, inklusive Netzwerksuche und Rechner, ergänzt durch das Sammelrepository NextChat-Awesome-Plugins. v2.14.0 brachte Artifacts zur Vorschau erzeugter Webseiten in einem eigenen Fenster und Stable-Diffusion-Unterstützung, v2.15.8 den Realtime-Chat über die OpenAI-Realtime-API.

Enterprise Edition und das fehlende Kapitel Wissensdatenbank

Neben der offenen Variante bietet das Projekt eine Enterprise Edition an, die über business@nextchat.club vertrieben wird. Sie umfasst laut README Markenanpassung der Oberfläche, zentrale Verwaltung von KI-Ressourcen durch Administratoren, abgestufte Rechte für Mitglieder, Ressourcen und Wissensdatenbanken, die Einbindung interner Wissensbasen, automatisches Abfangen sensibler Anfragen mit Nachvollziehbarkeit aller Gespräche sowie Private Deployment auf gängigen Private-Cloud-Varianten.

Genau diese Aufzählung zeigt, was der offene Client bewusst nicht enthält. In der Roadmap ist jeder Punkt abgehakt, nur die lokale Wissensdatenbank bleibt offen, und das ist kein Zufall, sie gehört laut Featureliste zur bezahlten Variante. Ein weiterer leerer Fleck betrifft die Dokumentation: Ein Benutzerhandbuch existiert, liegt aber laut README nur auf Chinesisch vor und ist als in Arbeit markiert. Mit 853 offenen Issues ist die Supportfläche groß, das letzte Release v2.16.1 datiert vom Juli 2025, davor lag mit v2.16.0 im Februar desselben Jahres eine halbjährige Pause.

LibreChat als Alternative für Mehrnutzer-Betrieb

Der auffälligste Designentscheid von NextChat ist die Datenschutzformel, alle Daten liegen lokal im Browser. Das ist für den Einzelplatz ideal, zeigt aber Grenzen, sobald ein Team eine gemeinsame Instanz nutzt: Der Verlauf hängt am jeweiligen Browser, zentrale Benutzerverwaltung oder geteilte Gespräche entstehen so nicht. Auch die Frage, wie der Tauri-Desktop-Client Daten anders behandelt als die Webversion, beantwortet das README nicht.

Hier setzt LibreChat an. Es ist eine selbst gehostete Chat-Oberfläche, die typischerweise per Docker auf einem eigenen Server läuft, Konten und Verläufe serverseitig verwaltet und mehrere Modellanbieter unter einer Oberfläche bündelt. Der Unterschied liegt in der Betriebsform: NextChat gewinnt bei Leichtigkeit, schnellem Start ohne Server und Schlüsselverbleib im Client, LibreChat gewinnt bei zentraler Kontrolle, Nutzerkonten und auditorischen Anforderungen. Wer eine Instanz für ein ganzes Team betreibt und Verlaufszentralisierung braucht, sollte LibreChat ernsthaft gegenrechnen; wer lediglich seinen eigenen Zugang zu mehreren Anbietern will, fährt mit NextChat leichter.

Redaktionelles Fazit

NextChat passt für Einzelanwender und kleine Gruppen, die einen schnellen, leichtgewichtigen Client über mehrere Modellanbieter suchen und mit Datenspeicherung im eigenen Browser leben können. Ungeeignet ist es, wer serverseitige Mehrnutzerverwaltung oder eine eingebaute lokale Wissensdatenbank braucht, denn beides fehlt laut Roadmap beziehungsweise ist der Enterprise Edition vorbehalten. Vor dem produktiven Einsatz lohnt eine Testinstanz per Docker mit gesetztem CODE-Zugriffspasswort, um zu prüfen, ob der Funktionsumfang von v2.16.1 die eigenen Anforderungen abdeckt.

Offizielle Quellen

1. Official documentation
2. Official README
3. Project repository
4. Release notes