🧠 OpenRAG
OpenRAG is a RAG platform that cleans and structures a business's content, indexes it on our own server, and makes it queryable in natural language by external AI systems through a single permissioned door.
Vectors are not published; ACCESS is opened.
This is a product introduction, not a list of promises. Below, the parts that work today and the parts still on the roadmap are marked separately. No dates are promised for roadmap items; as they are completed they move into the "working today" section.
The core principle
OpenRAG's entire design rests on a single sentence: vectors are not published, access is opened. What is given to the outside is not a copy of the content, but the right to ask questions of it.
A vector is an engine, not a product
A vector is specific to the model that produced it; another AI cannot consume it as-is. It also inflates the text many times over. That is why vectors are never handed out.
What is opened is query access
A question comes in; an answer and the source passages it rests on go back out. The full content is never copied, distributed or downloaded.
Permission belongs to the business
The business decides which content becomes externally queryable; participation is opt-in. The permission and consent layer is on the roadmap.
How it works — target architecture
The cleaning, structuring, indexing and search links of this flow work today. Self-hosted embedding with reranking, and the single door to the outside world, are still on the roadmap; each step below states which is which.
Sources are collected
xloji sites, uploaded documents and crawled web pages are the content sources. (A WordPress plugin and a public ingestion API are on the roadmap.)
It is cleaned and structured
Messy content is cleaned, split into meaningful chunks and brought into a form RAG can use. This step works today.
It is indexed and searched
Chunks are turned into vectors and written to pgvector; they are found via an HNSW index and hybrid search (keyword + vector). This step works today; adding the reranking link is on the roadmap.
It is reached through a single door
External AI systems ask in natural language through a single permissioned door; answers and source passages come back, not the vectors themselves. This door does not exist yet; it is on the roadmap.
Parts that work todayLive
The following are running on the platform today and are already used by the AI tools on xloji.com.
pgvector + HNSW index
Content chunks are stored as vectors in the database and searched with an HNSW index over cosine similarity.
Hybrid search
Keyword search and vector search run together; the two result lists are fused into a single ranking. This finds both exact term matches and semantically close passages.
Multi-tenant isolation
Every business, site and author has its own RAG. A query runs only against its own tenant's index; data never mixes across tenants.
Document cleaning and RAG structuring
Uploaded documents are cleaned, chunked and structured for RAG. The Data Structuring tool on the platform is the user-facing face of this pipeline.
Web crawling
A site's pages are crawled, their content is extracted and passed through the same cleaning and indexing pipeline.
Public RAG feed in custom AI tools
A custom AI tool you create can be fed from a public RAG source; the tool grounds its answers in that knowledge base.
File and media storage
Files and media live in object storage — not in the vector store. The RAG record points back to the original file.
Ներդրում և վերակարգավորում մեր սեփական սերվերներում
Ներդրումն ու վերակարգավորումը այժմ իրականացվում են մեր սեփական սերվերներում՝ առանձին ծառայության մեջ: Տեքստը վեկտորների ձևով փոխակերպվում է՝ սերվերը չհեռանալով, իսկ թեկնածրերի արդյունքները անցնում են տեղական վերակարգավորիչով՝ ճշգրտությունը բարձրացնելու համար:
Հարցման վերագրում
Անորոշ կամ թերի հարցը կարգավորվում է որոնման մեկնարկից առաջ: Օգտագործողները պետք չէր, որպեսզի ձևակերպեն «ճիշտ» հարցը. համակարգը հարցումը դարձնում է որոնման պատրաստ:
Տեքստ պատկերներից, ձայնից և տեսանյութից
Պատկերներից տեքստի դուրսբերումը և ձայնի ու տեսանյութի ձայնագրությունը իրականացվում են տեղական գործիքներով սերվերում, իսկ ստացված տեքստը մտնում է նույն մաքրման և ինդեքսավորման գործընթացը: Տվյալները չեն հեռանում սերվերից:
What is on the roadmapPlanned
The following do not exist yet. They are planned and designed items; this page does not present them as if they were already built.
The single door: MCP / API gateway
A single gateway that external AI systems can query in natural language. An AI that connects once reaches every participating business through the same door.
Թույլտվությունների և համաձայնության շերտ
Businesses join by their own choice; authentication, key management, rate limiting and abuse protection all live in this layer.
Արհեստական բանականության տեսանելիության շերտ
Making content machine-discoverable via llms.txt, /.well-known/ and schema.org markup, plus registration in MCP registries. There is no magical auto-discovery; visibility is built this way.
WordPress plugin
A plugin that lets a WordPress site send its content to OpenRAG and get back an endpoint that AI systems can query.
We do not give dates for these items. When an item is finished it moves up into the "parts that work today" list, and this page is updated accordingly.
🔒 Data does not leave the server
OpenRAG's goal is to run every step of the RAG pipeline on our own server with local, free tools: embedding, reranking, text extraction from images and audio transcription. No media entering RAG is sent to an external service — this is a non-negotiable design rule.
The honest status: some of these steps are still performed by external services today. Moving them in-house is the first item on the roadmap.
How growth is planned
Vector search gets more expensive as content grows. OpenRAG's design limits that cost from the start in three ways.
There is no single giant index
Each business has its own small index and a query runs only against that index. Even as total content grows, the area a single query scans stays small; search cost scales with that one business's size, not with the platform's total.
Vector size and precision are adjustable
Using shorter vector dimensions and more compact number formats, the same content takes up markedly less space. These choices are built into the design from the start so that no expensive migration is needed later.
Cold tier
The index of a business that has not been queried for a long time is moved to cheap persistent storage and pulled back when a query arrives for it. That way only currently active content stays in fast memory. This tier is on the roadmap.
Frequently Asked Questions
What exactly is OpenRAG?
It is a RAG platform that cleans and structures a business's content, indexes it on our own server, and makes it queryable in natural language by external AI systems through a single permissioned door. It is not a chat tool; it is the knowledge layer that runs underneath such tools.
Do you hand my vectors or my content to anyone else?
No. The core principle is: vectors are not published, access is opened. What goes outside is not a copy of the content but the right to ask it questions; only the supporting passages come back with the answer. On top of that, the business decides which content becomes externally queryable.
What can actually be used today?
Վեկտորային տվաբազան և ինդեքսը, հիբրիդային որոնումը, բազմաբնակարանային մեկուսացումը, փաստաթղթերի մաքրումը և RAG կառուցվածքը, վեբ-սկանավորումը, հասարակական RAG լրահոսը հատուկ AI գործիքներում և ֆայլերի/մեդիա պահեստավորումը այսօր աշխատում են: Ինքնահոսթինգային ներդրումները, վերադասավորումը, հարցման վերագրումը, արտաքին դուռը, թույլտվությունների շերտը, տեսանելիության շերտը և WordPress պլագինը դեռևս գոյություն չունեն:
Իմ տվյալները լքում են՞ սերվերը:
Նպատակն այն է, որ RAG պայպլայնի յուրաքանչյուր քայլ իրականացվի տեղական գործիքներով սերվերում, որպեսզի ոչ մի լրատվամիջոց չհեռանա RAG-ից և ուղարկվի արտաքին ծառայություն: Անկեղծ կարգավիճակ. այս քայլերից մի մասը դեռևս իրականացվում է արտաքին ծառայությունների կողմից, և դրանք ներքին գործունեության մեջ տեղափոխելն առաջինն է ճանապարհային քարտեզում:
Ե՞րբ կպատրաստ լինեն ճանապարհային քարտեզի առանձնահատկությունները:
Մենք ամսաթվեր չենք խոստանում: Դա հենց այդ էջի նպատակն է. առանձին ցույց տալ, թե ինչն է աշխատում այսօր, և ինչն է պլանավորված: Երբ մի տարր ավարտվում է, այն տեղափոխվում է «աշխատող մասերի» ցուցակ:
Իմ բովանդակությունը կօգտագործվի՞ AI-ի ուսուցման համար, կվաճառվի՞:
Ոչ: Այսօր նման բան չկա: Թույլտվություն ունեցող տեքստային կորպուսի գաղափարը ամենահեռավորն է, իրավաբանորեն ամենաբեռնված տարրը ճանապարհային քարտեզում. նույնիսկ եթե դա տեղի ունենա, ոչ մի բովանդակություն չի օգտագործվի դրա համար առանց ձեռնարկության գրավոր համաձայնության:
Վերադարձեք AI պորտալ մյուս AI գործիքների համար:
Հաճախակի տրվող հարցեր
OpenRAG-ն ի՞նչ է:
OpenRAG-ը xloji.com-ի սեփական սերվերում գործող RAG (Retrieval-Augmented Generation) համակարգ է և AI-ի դարպասակետ: Երբ հարցում է գալիս, այն առաջինը գտնում է համապատասխան բովանդակությունը, այնուհետև՝ այդ բովանդակության հիման վրա ստեղծում է պատասխան: Միևնույն ժամանակ, այն ծառայում է որպես կենտրոնական դարպաս, որը թույլ է տալիս xloji.com-ին չպատկանող AI գործիքներին մեկ կետից մուտք գործել xloji.com-ի տեղեկատվություն:
RAG-ի իմաստը ի՞նչ է, և OpenRAG-ը ինչպե՞ս է այն կիրառում:
RAG-ը նշանակում է «Retrieval-Augmented Generation», այսինքն՝ արդյունքների հիման վրա ստեղծում: AI-ն պատասխան ստեղծելուց առաջ փնտրում է համապատասխան աղբյուրներից տեղեկատվություն, ապա այդ տեղեկատվության հիման վրա ստեղծում է պատասխան: OpenRAG-ը այս երկու քայլերը՝ որոնման և ստեղծման քայլերը, միասին է կատարում իր սեփական սերվերում: Այսպիսով, OpenRAG-ի պատասխանները պատահական չեն, այլ հիմնված են xloji.com-ի իրական բովանդակության վրա:
«Մեկ դարպասակետ AI դարպաս»-ն ի՞նչ է նշանակում:
Մեկ դարպասակետ AI դարպաս նշանակում է, որ տարբեր AI հարցումները և ինտեգրումները անցնում են մեկ կենտրոնական մուտքի միջով, այլ ոչ թե առանձին համակարգերի միջով: OpenRAG-ը ստանձնում է այս դերը. ինչպես xloji.com-ի սեփական «Հարց տուր» գործառույթը, այնպես էլ արտաքին AI գործիքները, ստանում են ծառայություններ նույն OpenRAG ենթակառուցվածքի միջով: Այս կենտրոնական կառուցվածքը թույլ է տալիս կառավարել AI-ի հետ կապված տրաֆիկը մեկ կետից:
Ինչպե՞ս է OpenRAG-ի սեփական սերվերում գործելը տարբերություն ստեղծում:
OpenRAG-ը գործում է xloji.com-ի սեփական սերվերում՝ առանց երրորդ կողմի ամպային ծառայության վրա կախվածության: Սա նշանակում է, որ որոնվող և մշակվող տվյալները մնում են xloji.com-ի վերահսկման ներքո: Ինպես սեփական սերվերում գործող կառույց, OpenRAG-ը իր ենթակառուցվածքի ներսում կատարում է որոնում և պատասխաններ ստեղծում՝ առանց արտաքին համակարգերին տվյալներ փոխանցելու:
Ո՞վ է օգտագործում OpenRAG-ը:
OpenRAG-ը օգտագործվում է երեք տարբեր խմբի կողմից. վերջին օգտագործողները, ովքեր այցելում են xloji.com և գրում իրենց հարցը «Հարց տալ» տուփում, համակարգերը, որոնք հարցում են xloji.com-ի սեփական RAG ենթակառուցվածքը, և արտաքին արհեստական բանականության գործիքները, որոնք մուտք են գործում xloji.com-ի տեղեկատվություն OpenRAG-ի միջոցով: Վերջին օգտագործողի համար OpenRAG-ը վերադարձնում է պատասխան, որը հիմնված է xloji.com-ի բովանդակության վրա: Արտաքին գործիքների համար OpenRAG-ը դարպաս է, որն օգտագործվում է xloji.com-ից տեղեկատվություն ստանալու համար։
Ինչպես է xloji.com-ի «Հարց տալ» տուփը աշխատում OpenRAG-ի հետ;
xloji.com-ի «Հարց տալ» տուփում գրված հարցը մշակվում է OpenRAG-ի կողմից: OpenRAG-ը նախ փնտրում է հարցին առնչվող բովանդակությունը xloji.com-ի սեփական տվյալներում, ապա ստեղծում է պատասխան՝ հիմնվելով գտնված բովանդակության վրա: Այսպիսով, օգտագործողին տրված պատասխանը հիմնված է xloji.com-ի իրական բովանդակության վրա։
Ինչպես են արտաքին արհեստական բանականության գործիքները տեղեկատվություն ստանում OpenRAG-ի միջոցով;
OpenRAG-ը գործում է որպես միակ դարպաս, որը թույլ է տալիս արհեստական բանականության գործիքներին, որոնք գտնվում են xloji.com-ի դրսում, մուտք գործել xloji.com-ի տեղեկատվություն: Այս գործիքները կարող են միանալ OpenRAG-ի միջոցով և ստանալ առանձին, ինքնուրույն հասկանալի պատասխաններ xloji.com-ի բովանդակությունից: Այդ պատճառով OpenRAG-ի միջոցով տրված տեղեկատվությունը նախագծված է այնպես, որ այն ունի իմաստ առանձին համատեքստի առանցքի:
Ինչպիսիք են OpenRAG-ի սահմանները;
OpenRAG-ի տված պատասխանները սահմանափակված են իրեն տրամադրված բովանդակությամբ. OpenRAG-ը չի կարող տալ որոշակի պատասխան այն տեղեկատվության վերաբերյալ, որը չկա համակարգում կամ չի ավելացվել: OpenRAG-ը նպատակ ունի սահմանափակվել իր ձեռքում եղած բովանդակությամբ, այլ ոչ թե հորինել գոյություն չունեցող տեղեկատվություն: Այդ պատճառով պետք է հիշել, որ OpenRAG-ից ստացված պատասխանը սահմանափակված է xloji.com-ի այն պահին ունեցած բովանդակությամբ։
OpenRAG-ը զրույցի բոտ է՞;
OpenRAG դասական իմաստով ինքնուրույն չատ-բոտ չէ. այն xloji.com-ի «Հարց տուր» առանձնահատկության և արտաքին գործիքների տեղեկատվության մուտքի հետևում գործող RAG և դարպասային ենթակառուցվածք է: OpenRAG-ի հիմնական խնդիրն է գտնել հարցին համապատասխանող բովանդակությունը և այդ բովանդակության հիման վրա պատասխան ստեղծել: Այս ձևով OpenRAG-ը ավելի շատ աշխատում է որպես պատասխանների հետևի ենթակառուցվածքի շերտ, քան ուղղակիորեն օգտագործողի հետ զրույցող միջերես:
OpenRAG-ի նպատակն է ի՞նչ xloji.com-ի համար:
OpenRAG-ի նպատակն է ապահովել xloji.com-ի տեղեկատվության հուսալի և վերահսկելի ենթակառուցվածքի միջոցով մուտքը ինչպես վերջին օգտագործողների, այնպես էլ արտաքին արհեստական ինտելեկտի գործիքների համար: Այն սեփական սերվերում աշխատելով, ապահովում է այս մուտքը առանց երրորդ կողմի համակարգերի վրա կախվածության: Միանգամյա դարպասային կառուցվածքի շնորհիվ OpenRAG-ը միավորում է տարբեր մուտքի կետերը մեկ կենտրոնական համակարգում:
Մանրամասն տեղեկություններ OpenRAG-ի մասին
OpenRAG-ը xloji.com-ի սեփական սերվերում գործող RAG (Retrieval-Augmented Generation) համակարգ է և միևնույն ժամանակ՝ AI դարպաս, որը միավորում է արհեստական բանականության հետ կապված հարցումները: Անվանը պարունակվող «Open» բառը նշում է, որ համակարգը բաց և հասանելի կառուցվածք է առաջարկում, իսկ «RAG» բառը՝ այն աշխատանքային մեխանիզմը, որը նախապես գտնում է համապատասխան տվյալները, ապա ստեղծում է պատասխան այդ տվյալների հիման վրա: xloji.com-ի «Հարց տուր» վանդակում գրված հարցը նախ փնտրվում է OpenRAG-ի կողմից համապատասխան բովանդակության մեջ, ապա պատասխանը ստեղծվում է հայտնաբերված այդ բովանդակության հիման վրա: Նույն ենթակառուցվածքը թույլ է տալիս xloji.com-ի դրսի արհեստական բանականության գործիքներին մուտք գործել xloji.com-ի տեղեկատվության մեջ OpenRAG-ի միջոցով և օգտագործել այդ տեղեկատվությունը իրենց պատասխաններում: Այս կառուցվածքը հնարավորություն է տալիս xloji.com-ին սպասարկել մեկ կենտրոնական ենթակառուցվածքի միջոցով՝ առանձին AI լուծումներ ստեղծելու փոխարեն իր տարբեր արտադրանքների համար:
RAG մոտեցման հիմքում ընկած է այն գաղափարը, որ արհեստական բանականության համակարգը պետք է պատասխանի, նախապես ստանալով տվյալ աղբյուրից արդի և ճշգրիտ բովանդակություն, այլ ոչ թե միայն վստահելով իր նախնական վրա մարզված ընդհանուր գիտելիքներին: OpenRAG-ը միավորում է այս երկու քայլերը՝ որոնումը (retrieval) և ստեղծումը (generation)՝ իր սեփական սերվերում: Այս մոտեցումը նպատակ ունի նվազեցնել արհեստական բանականության մոդելների միտումը գոյություն չունեցող տեղեկատվություն ստեղծելու համար. քանի որ պատասխանը չի ստացվում մոդելի հիշողությունից, այլ իրականում գտնված բովանդակությունից: Այսպիսով, OpenRAG-ի տվյալ պատասխանները հիմնված են xloji.com-ի սեփական բովանդակության վրա, այլ ոչ թե պատահական կամ հնացած տեղեկատվության վրա: Դրանով իսկ OpenRAG-ի ստեղծած պատասխանի աղբյուրը մնում է հետևելի՝ որպես xloji.com-ի սեփական տվյալ: Սերվերի xloji.com-ին պատկանելը նշանակում է, որ որոնվող և մշակվող տվյալները պահվում են xloji.com-ի վերահսկման ներքո՝ առանց երրորդ կողմի ամպային ծառայության վրա կախվածության:
OpenRAG-ի «մեկ դարպաս AI դարպաս» կողմը նշանակում է, որ տարբեր արհեստական բանականության հարցումները և ինտեգրումները ուղղորդվում են մեկ կենտրոնական մուտքի միջոցով՝ առանձին համակարգերի փոխարեն: Այսպիսով, ինչպես xloji.com-ի սեփական «Հարց տուր» գործառույթը, այնպես էլ OpenRAG-ի միջոցով միացված արտաքին գործիքները օգտագործում են նույն ենթակառուցվածքը և նույն հիմնական մեխանիզմը: Կենտրոնական դարպասի կառուցվածքի շնորհիվ OpenRAG-ը թույլ է տալիս արհեստական բանականության հետ կապված տրաֆիկին անցնել մեկ կետով, ինչը մեծացնում է պատասխանների հետևողականությունը, ինչպես նաև տվյալների վրա վերահսկողությունը՝ որպես իր սեփական սերվերում գործող համակարգի: Այս մեկ կետի մոտեցումը նաև թույլ է տալիս սպասարկումն ու թարմացումները կատարել մեկ վայրում՝ ցրված համակարգերի փոխարեն: Այս առումով OpenRAG-ը ոչ միայն հարց-պատասխան գործիք է, այլև ենթակառուցվածքային շերտ, որը միավորում է xloji.com-ի արհեստական բանականության հետ կապված բոլոր մուտքի կետերը:
OpenRAG-ը ուղղակիորեն կամ անուղղակիորեն օգտագործվում է երեք տարբեր օգտագործողների խմբերի կողմից՝ xloji.com-ին այցելող և «Հարց տուր» վանդակում գրող վերջին օգտագործողները, xloji.com-ի սեփական RAG ենթակառուցվածքը հարցող համակարգերը և OpenRAG-ի միջոցով xloji.com-ի տեղեկատվության մուտք գործող արտաքին արհեստական բանականության գործիքները: Այս երեք օգտագործողների խմբերը ստանում են պատասխաններ նույն OpenRAG ենթակառուցվածքից, նույն բովանդակության պահեստից. հետևաբար, xloji.com-ի մասին հարցնելուց անկախ՝ հասանելի է համապատասխան տեղեկատվության աղբյուր: OpenRAG-ի տվյալ պատասխանները սահմանափակված են իրեն տրամադրված բովանդակությամբ. այսինքն, OpenRAG-ից հստակ պատասխան չի պետք ակնկալել այն տեղեկատվության վերաբերյալ, որը համակարգում առկա չէ կամ իր սեփական սերվերին չի ավելացվել: Այս սահմանափակումը միևնույն ժամանակ կազմում է OpenRAG-ի հուսալիության հիմքը. այն նպատակ ունի ստեղծել պատասխաններ, որոնք սահմանափակված են իր ձեռքում եղած բովանդակությամբ և հիմնված են այդ բովանդակության վրա, այլ ոչ թե գոյություն չունեցող տեղեկատվություն հորինելու փոխարեն: