🧠 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.
ჩვენი სერვერებით ჩატვირთვა და ხელახალი შეფასება
ჩატვირთვა და ხელახალი შეფასება ახლა ჩვენს საკუთარ სერვერებზე ხორციელდება ცალკე მომსახურებაში. ტექსტი ვექტორებად გარდაიქმნება სერვერს არ დატოვებს, ხოლო კანდიდატ შედეგები ადგილობრივ ხელახალ შეფასებას გადის სიზუსტის გასაუმჯობესებლად.
კითხვის გადაწერა
უცნობი ან არასრული კითხვა მოწესრიგებულია ძიების დაწყებამდე. მომხმარებლებმა არ უნდა დასვან "სწორი" კითხვა; სისტემა კითხვას ძიებისთვის მზადებს.
ტექსტი სურათებიდან, აუდიოდან და ვიდეოდან
ტექსტის ამოცნობა სურათებიდან და აუდიოსა და ვიდეოს ტრანსკრიფცია ხორციელდება ადგილობრივი ინსტრუმენტებით სერვერზე, ხოლო მიღებული ტექსტი შედის იგივე გაწმენდის და ინდექსირების პროცესში. მონაცემები არ ტოვებენ სერვერს.
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.
ნებართვის და თანხმობის ფენა
Businesses join by their own choice; authentication, key management, rate limiting and abuse protection all live in this layer.
AI ხილვადობის ფენა
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?
ვექტორული ბაზა და ინდექსი, ჰიბრიდული ძიება, მრავალმფლობელობითი იზოლაცია, დოკუმენტების გაწმენდა და RAG სტრუქტურირება, ვებ-მცორობა, საზოგადოებრივი RAG ნაკადი კერძო AI ინსტრუმენტებში და ფაილების/მედიის შესანახი ყველაფერი დღეს მუშაობს. თვით-მასპინძლებული ჩანართები, ხელახალი რანჟირება, შეკითხვის გადაწერა, გარე კარი, ნებართვის ფენა, ხილვადობის ფენა და WordPress პლაგინი ჯერ არ არსებობს.
კარგავენ თუ არა ჩემი მონაცემები სერვერს?
მიზანია, RAG კონვერტაციის ყველა ნაბიჯი განხორციელდეს ადგილობრივი ინსტრუმენტებით სერვერზე, არანაირი მედია არ გამოგზავნას RAG-ში გარე სერვისზე. გულწრფელი სტატუსი: ზოგიერთი ამ ნაბიჯი დღეს კვლავ გარე სერვისების მიერ ხორციელდება და მათი შიდა გადაყვანა არის გეგმის პირველი პუნქტი.
როდის იქნება გეგმის ფუნქციები მზად?
ჩვენ არ ვპირდებით თარიღებს. სწორედ ამიტომ არის ამ გვერდის მიზანი: დღეს რა მუშაობს და რა არის დაგეგმილი, ცალ-ცალკე აჩვენოს. როდესაც ელემენტი დასრულდება, ის გადადის "დღეს მუშაობის ნაწილების" სიაში.
იყენებენ თუ ყიდიან ჩემს კონტენტს AI-ის გასწვრთნად?
არა. დღეს ასეთი გამოყენება არ არსებობს. ნებართვით ტექსტური კორპუსის იდეა არის ყველაზე შორეული, იურიდიულად ყველაზე მძიმე პუნქტი გეგმაში; მაშინაც კი, თუ ეს მოხდება, არანაირი კონტენტი არ იქნება გამოყენებული მისი თანხმობის გარეშე.
AI პორტალზე დაბრუნდით სხვა AI ინსტრუმენტებისთვის.
ხშირად დასმული კითხვები
OpenRAG რა არის?
OpenRAG არის xloji.com-ის საკუთარ სერვერზე მომუშავე RAG (Retrieval-Augmented Generation) სისტემა და AI-ს ერთჯერადი კარიბჭე. როდესაც შემოდის შეკითხვა, ის ჯერ შესაბამის კონტენტს პოულობს, შემდეგ ამ კონტენტის საფუძველზე ქმნის პასუხს. ამავე დროს, ის არის ცენტრალური კარიბჭე, რომელიც xloji.com-ის გარეთ არსებულ AI ინსტრუმენტებს აძლევს საშუალებას, მიიღონ წვდომა xloji.com-ის ინფორმაციაზე ერთი ადგილიდან.
რა არის RAG და როგორ ახორციელებს მას OpenRAG?
RAG ნიშნავს 'Retrieval-Augmented Generation', ანუ ინფორმაციის მოპოვებით გაძლიერებულ გენერაციას; AI პასუხის წარმოქმნამდე შესაბამის წყაროებიდან ინფორმაციას ეძებს, შემდეგ ამ ინფორმაციის საფუძველზე ქმნის პასუხს. OpenRAG ამ ორ ნაბიჯს, ძიებისა და წარმოქმნის ნაბიჯებს, აერთიანებს და ახორციელებს საკუთარ სერვერზე. ამრიგად, OpenRAG-ის მიერ მოცემული პასუხები შემთხვევითი არ არის, ისინი დაფუძნებულია xloji.com-ის რეალურ კონტენტზე.
რა ნიშნავს 'ერთჯერადი AI კარიბჭე'?
ერთჯერადი AI კარიბჭე ნიშნავს, რომ სხვადასხვა AI მოთხოვნები და ინტეგრაციები გადის ერთი ცენტრალური შესასვლელი პუნქტიდან, ცალკეული სისტემების ნაცვლად. OpenRAG იკისრებს ამ როლს: როგორც xloji.com-ის საკუთარი 'გააკეთე შეკითხვა' ფუნქცია, ასევე გარედან შეერთებული AI ინსტრუმენტები, იღებენ მომსახურებას ერთი და იმავე OpenRAG ინფრასტრუქტურის საშუალებით. ეს ცენტრალური სტრუქტურა უზრუნველყოფს AI-სთან დაკავშირებული ტრაფიკის მართვას ერთ პუნქტიდან.
რა განსხვავებას ქმნის OpenRAG-ის საკუთარ სერვერზე მუშაობა?
OpenRAG მუშაობს xloji.com-ის საკუთარ სერვერზე, მესამე მხარის ღრუბლოვან სერვისზე დამოკიდებულების გარეშე. ეს ნიშნავს, რომ ძიებული და დამუშავებული მონაცემები xloji.com-ის კონტროლქვეშ რჩება. საკუთარ სერვერზე მომუშავე სტრუქტურის სახით, OpenRAG ახორციელებს ძიებას და პასუხების წარმოქმნას საკუთარ ინფრასტრუქტურაში, გარე სისტემებში მონაცემების გადაცემის გარეშე.
ვინ იყენებს OpenRAG-ს?
OpenRAG-ს სამი განსხვავებული ჯგუფი იყენებს: საბოლოო მომხმარებლები, რომლებიც ეწვივნენ xloji.com-ს და წერენ კითხვას „კითხვის დასმა“-ს ველში, სისტემები, რომლებიც იკითხავენ xloji.com-ის საკუთარ RAG ინფრასტრუქტურას და გარე AI ინსტრუმენტები, რომლებიც იღებენ ინფორმაციას xloji.com-დან OpenRAG-ის საშუალებით. საბოლოო მომხმარებლისთვის OpenRAG აბრუნებს პასუხს, რომელიც დაფუძნებულია xloji.com-ის შინაარსზე. გარე ინსტრუმენტებისთვის OpenRAG არის კონტექსტი არმქონე კარიბჭე xloji.com-დან ინფორმაციის მისაღებად.
როგორ მუშაობს xloji.com-ის „კითხვის დასმა“-ს ველში OpenRAG?
xloji.com-ის „კითხვის დასმა“-ს ველში დაწერილი კითხვა იწარმოება OpenRAG-ის მიერ. OpenRAG ჯერ ეძებს კითხვასთან დაკავშირებულ შინაარსს xloji.com-ის საკუთარ მონაცემებში, შემდეგ ქმნის პასუხს ამ შინაარსის საფუძველზე. ამრიგად, მომხმარებელს გაეწევით პასუხი, რომელიც მხარდაჭერილია xloji.com-ის რეალური შინაარსით.
როგორ იღებს გარე AI ინსტრუმენტები ინფორმაციას OpenRAG-ის საშუალებით?
OpenRAG არის ერთადერთი კარიბჭე, რომელიც უზრუნველყოფს xloji.com-ის გარე AI ინსტრუმენტების წვდომას xloji.com-ის ინფორმაციაზე. ეს ინსტრუმენტები OpenRAG-ის საშუალებით კავშირს ამყარებენ და იღებენ კონტექსტი არმქონე, თვითმომენტაბრევ პასუხებს xloji.com-ის შინაარსიდან. ამიტომ OpenRAG-ის საშუალებით მოწოდებული ინფორმაცია გათვლილია იმისთვის, რომ იყოს მნიშვნელოვანი ცალკე კონტექსტის საჭიროების გარეშე.
რა არის OpenRAG-ის შეზღუდვები?
OpenRAG-ის მიერ მოწოდებული პასუხები შეზღუდულია მასზე გაწოდებული შინაარსით; OpenRAG ვერ გამოაქვს კონკრეტული პასუხი ინფორმაციაზე, რომელიც არ არის სისტემაში ან დამატებული. OpenRAG არის სისტემა, რომელიც მიზნად ისახავს არსებული შინაარსით შეზღუდვას, ვიდრე არარსებობის გამოგონებას. ამიტომ, უნდა გვახსოვდეს, რომ OpenRAG-ისგან მიღებული პასუხი შეზღუდულია xloji.com-ის მიერ ამჟამად გაწოდებული შინაარსით.
OpenRAG არის ჩატი ბოტი?
OpenRAG, კლასიკური გაგებით, დამოუკიდებელი ჩატი-ბოტი არ არის; ეს არის xloji.com-ის „კითხვის დასმა“ ფუნქციისა და გარე ინსტრუმენტების ინფორმაციაზე წვდომის ძირითადი RAG და გეითვეი ინფრასტრუქტურა. OpenRAG-ის მთავარი ამოცანაა კითხვაზე შესაბამისი კონტენტის პოვნა და ამ კონტენტის საფუძველზე პასუხის გენერირება. ამ მდგომარეობაში, OpenRAG უფრო პასუხების მიღმა მდგომ ინფრასტრუქტურულ ფენად მუშაობს, ვიდრე მომხმარებელთან პირდაპირი ჩატი.
რა არის OpenRAG-ის მიზანი xloji.com-ისთვის?
OpenRAG-ის მიზანია xloji.com-ის ინფორმაციაზე წვდომის უზრუნველყოფა როგორც საბოლოო მომხმარებლებისთვის, ასევე გარე AI ინსტრუმენტებისთვის, სანდო და საკუთარი კონტროლის ქვეშ მყოფი ინფრასტრუქტურის საშუალებით. საკუთარ სერვერზე მუშაობა უზრუნველყოფს ამ წვდომას მესამე მხარის სისტემებზე დამოკიდებულების გარეშე. ერთიანი გეითვეი არქიტექტურის წყალობით, OpenRAG აერთიანებს სხვადასხვა წვდომის წერტილებს ერთ ცენტრალურ სისტემაში.
დეტალური ინფორმაცია OpenRAG-ის შესახებ
OpenRAG, xloji.com-ის საკუთარ სერვერზე მომუშავე RAG (Retrieval-Augmented Generation) სისტემაა და ასევე AI პორტალია, რომელიც ხელოვნური ინტელექტის მოთხოვნებს ერთი წერტილიდან ატარებს. სახელის 'Open' ნაწილი მიანიშნებს სისტემის ღია და ხელმისაწვდომ სტრუქტურაზე, ხოლო 'RAG' ნაწილი - პასუხის წარმოქმნის მექანიზმზე, რომელიც ჯერ შესაბამის მონაცემებს ეძებს და შემდეგ ამ მონაცემების საფუძველზე ქმნის პასუხს. xloji.com-ის 'კითხვის დასმა' ყუთში ჩაწერილი კითხვა ჯერ OpenRAG-ით შესაბამის კონტენტში ეძებნება, შემდეგ კი ამ კონტენტის საფუძველზე იქმნება პასუხი. იგივე ინფრასტრუქტურა ხელოვნური ინტელექტის სხვა ინსტრუმენტებს საშუალებას აძლევს, OpenRAG-ის საშუალებით მიიღონ xloji.com-ის ინფორმაცია და გამოიყენონ იგი საკუთარ პასუხებში. ეს სტრუქტურა xloji.com-ს საშუალებას აძლევს, სხვადასხვა პროდუქტისთვის ცალ-ცალკე AI გადაწყვეტილებების დაყენების ნაცვლად, ერთი ცენტრალური ინფრასტრუქტურით იმსახუროს.
RAG მიდგომის ძირითადი პრინციპია, რომ AI სისტემამ, წინასწარ გაწვრთნილი ზოგადი ინფორმაციის დამოკიდებულების ნაცვლად, ჯერ კითხვასთან დაკავშირებული აქტუალური და ზუსტი კონტენტი მოიძიოს წყაროდან და შემდეგ ამ კონტენტის საფუძველზე გასცეს პასუხი. OpenRAG ამ ორ ნაბიჯს, მოძიებას (retrieval) და წარმოქმნას (generation), აერთიანებს და საკუთარ სერვერზე ასრულებს. ეს მიდგომა მიზნად ისახავს AI მოდელების მიერ არარსებული ინფორმაციის წარმოქმნის ტენდენციის შემცირებას, რადგან პასუხი მოდელის საკუთარ მეხსიერებას კი არ ეყრდნობა, არამედ ნამდვილად ნაპოვნ კონტენტს. ამრიგად, OpenRAG-ის მიერ გაცემული პასუხები შემთხვევით ან მოძველებულ ინფორმაციაზე კი არ არის დაფუძნებული, არამედ xloji.com-ის საკუთარ კონტენტზე. ამრიგად, OpenRAG-ის მიერ წარმოქმნილი პასუხის წყარო შეიძლება იყოს xloji.com-ის საკუთარი მონაცემები. სერვერის xloji.com-ს საკუთრებაში ყოფნა ნიშნავს, რომ მოძიებული და დამუშავებული მონაცემები არ არის დამოკიდებული მესამე მხარის ღრუბლოვან სერვისზე და xloji.com-ის კონტროლქვეშ რჩება.
OpenRAG-ის 'ერთი კარიბჭის AI პორტალი' მხარე ნიშნავს, რომ სხვადასხვა AI მოთხოვნები და ინტეგრაციები მიმართულია ცენტრალური შესასვლელი პუნქტიდან, ცალ-ცალკე სისტემების ნაცვლად. ამრიგად, როგორც xloji.com-ის საკუთარი 'კითხვის დასმა' ფუნქცია, ასევე OpenRAG-ის საშუალებით დაკავშირებული გარე ინსტრუმენტები იყენებენ ერთ და იმავე ინფრასტრუქტურას და ერთსა და იმავე ძირითად პრინციპს. ცენტრალური პორტალი, როგორც OpenRAG, უზრუნველყოფს AI-სთან დაკავშირებული ტრაფიკის ერთი წერტილიდან გავლისას, რაც ზრდის პასუხების თანმიმდევრულობას და მონაცემებზე კონტროლს, რადგან სისტემა საკუთარ სერვერზე მუშაობს. ეს ერთიპუნქტიანი მიდგომა ასევე უზრუნველყოფს, რომ ტექნიკური მომსახურება და განახლებები განხორციელდეს ერთ ადგილას, ნაცვლად მიმოფანტული სისტემების. OpenRAG ამ მხრივ მხოლოდ კითხვა-პასუხის ინსტრუმენტი კი არ არის, არამედ ინფრასტრუქტურული ფენაა, რომელიც აერთიანებს xloji.com-ის AI-სთან დაკავშირებულ ყველა წვდომის წერტილს.
OpenRAG-ს სამი სხვადასხვა მომხმარებლის ჯგუფი იყენებს პირდაპირ ან ირიბად: xloji.com-ის ვიზიტორები, რომლებიც 'კითხვის დასმა' ყუთში წერენ, სისტემები, რომლებიც იკითხავენ xloji.com-ის საკუთარ RAG ინფრასტრუქტურას და გარე AI ინსტრუმენტები, რომლებიც xloji.com-ის ინფორმაციას იღებენ OpenRAG-ის საშუალებით. ეს სამი მომხმარებლის ჯგუფი იღებს პასუხებს იმავე OpenRAG ინფრასტრუქტურიდან, იმავე კონტენტის ბაზიდან, ამიტომ xloji.com-ის შესახებ ინფორმაციის მიღებისას, წყარო მნიშვნელობა არ აქვს, მიიღწევა კონსისტენტურ ინფორმაციასთან. OpenRAG-ის მიერ გაცემული პასუხები შეზღუდულია მასზე მიწოდებული კონტენტით; ანუ, OpenRAG-ისგან ზუსტი პასუხი არ უნდა იყოს მოსალოდნელი ინფორმაციის შესახებ, რომელიც სისტემაში არ არის ან არ არის დამატებული მის სერვერზე. ეს შეზღუდულობა ასევე წარმოადგენს OpenRAG-ის სანდოობის საფუძველს: არარსებული ინფორმაციის გამოგონების ნაცვლად, ის მიზნად ისახავს ხელმისაწვდომი კონტენტის საფუძველზე პასუხების წარმოქმნას.