🧠 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.
Бидний өөрийн сервер дээр нэмэлт болон дахин эрэмбэлэх
Нэмэлт болон дахин эрэмбэлэх нь бидний өөрийн сервер дээр тусдаа үйлчилгээнд гүйцэтгэгддэг болсон. Текстийг серверээс гарахгүйгээр вектор болгон хувиргадаг бөгөөд үр дүнгийн нэр дэвшигчдийг оновчтой байдлыг сайжруулахын тулд орон нутгийн дахин эрэмбэлэгчээр дамжуулдаг.
Заавалтын дахин бичилт
Тодорхой бус эсвэл дутуу асуултыг хайлт хийхээс өмнө цэгцлэнэ. Хэрэглэгчид "зөв" асуултыг томъёолох шаардлагагүй; систем нь хайлтыг бэлэн болгоно.
Зураг, аудио болон видеоноос гаргасан текст
Зураг болон аудио, видеоноос текст гаргах, транскрипт хийх нь сервер дээрх орон нутгийн хэрэгслээр гүйцэтгэгддэг бөгөөд үр дүнд гарсан текст нь ижил цэвэрлэгээ, индексийн шугамд ордог. Мэдээлэл серверээс гарахгүй.
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.
Зөвшөөрөл, зөвшөөрлийн давхарга
Businesses join by their own choice; authentication, key management, rate limiting and abuse protection all live in this layer.
Хиймэл оюун ухааны харагдах давхарга
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?
Вектор бааз ба индексийн, гибрид хайлт, олон түмний тусгаарлалт, баримт цэвэрлэгээ ба RAG бүтэц, веб хайгуул, өөрчилсөн AI хэрэгсэл дэх нийтийн RAG дамжуулалт, файл/медиа хадгалалт бүгд өнөөдөр ажиллаж байна. Өөртөө зориулсан embedding, дахин эрэмбэлэх, query дахин бичих, гадаад хаалга, зөвшөөрлийн давхарга, харагдах давхарга, WordPress plugin өнөөдөр байхгүй байна.
Миний мэдээ серверийг орхиж уу?
RAG pipeline-ийн бүх алхам серверийн дотоод хэрэгслээр гүйцэтгэгдэж, RAG-д орж ирсэн медиа гадаад үйлчилгээнд явуулахгүй байх зорилттай. Үнэн хэрэгтээ: эдгээрийн зарим алхмууд өнөөдөр гадаад үйлчилгээнүүдээр дамжуулагдаж байгаа бөгөөд тэдгээрийг дотогш шилжүүлэх нь roadmap-ийн хамгийн чухал зүйл юм.
Roadmap-ийн онцлог хэрэгсэл хэзээ бэлэн болно?
Бид огноо амлахгүй. Энэ хуудасны зорилго ийм л байна: өнөөдөр юу ажиллаж байгааг, юу төлөвлөгөөнд байгааг тусад нь харуулах. Алхам бүр гүйцэд дуусахад "өнөөдөр ажиллаж байгаа хэсэг”-ийн жагсаалтад шилждэг.
Миний контент AI сургалтад ашиглагдаж, зарагдах уу?
Үгүй. Ийм хэрэгсэл өнөөдөр байхгүй. Зөвшөөрөлтэй текст корпусын санаа roadmap-ийн хамгийн урт хугацааны, хууль зүйн хамгийн хүнд дарамттай зүйл юм; хэрэв энэ тохиолдсон ч, бизнесийн явган зөвшөөрөлгүй контент ашиглагдахгүй.
AI портал руу буцаж, бусад AI хэрэгсэлтэй танилцаарай.
Олон асуулт, хариулт
OpenRAG юу вэ?
OpenRAG бол xloji.com-ийн өөрийн серверт ажилладаг RAG (Retrieval-Augmented Generation) систем бөгөөд AI-ийн нэг хаалгатай дамжуулалт юм. Асуулт ирмэгц холбогдох контентыг олж, дараа нь эдгээр контентын үндсэн дээр хариулт гаргана. Мөн xloji.com-оос бусад AI хэрэгслүүд xloji.com-ийн мэдээлэлд нэг цэгээс хандах боломжийг олгодог төв дамжуулалтын үүрэг гүйцэтгэнэ.
RAG гэдэг нь юу бөгөөд OpenRAG үүнийг хэрхэн хэрэгжүүлдэг вэ?
RAG гэдэг нь 'Retrieval-Augmented Generation' буюу хайлт хийснээр нэмэгдсэн үр дүнтэй гэсэн утгатай; AI хариулт гаргахаасаа өмнө холбогдох эх сурвалжаас мэдээлэл хайж, дараа нь энэ мэдээллийн үндсэн дээр хариулт үүсгэнэ. OpenRAG энэ хоёр алхмыг, хайлт болон үр дүнтэй алхмуудыг өөрийн сервертээ нэгтгэн ажиллуулна. Иймээс OpenRAG өгөх хариултууд санамсаргүй биш, харин xloji.com-ийн бодит контентод суурилсан байдаг.
‘Нэг хаалгатай AI дамжуулалт’ гэдэг нь юу вэ?
Нэг хаалгатай AI дамжуулалт гэдэг нь өөр өөр AI хүсэлтүүд болон интеграцуудыг тусад тусдаа системд оролцуулахын оронд нэг төв нэвтрэх цэгээр дамжуулахыг хэлнэ. OpenRAG энэ үүргийг гүйцэтгэнэ: xloji.com-ийн өөрийн 'Асуулт асуу' функц болон гаднаас холбогдсон AI хэрэгслүүд нь ижил OpenRAG дэд бүтцийн үйлчилгээг авах болно. Энэ төв бүтэц нь AI-тай холбоотой траффикийг нэг цэгээс удирдахад тусална.
OpenRAG өөрийн серверт ажилладаг нь ямар ялгаатай вэ?
OpenRAG гуравдагч талын үүлчилгээнд тулгуулж хамааралгүйгээр xloji.com-ийн өөрийн серверт ажилладаг. Энэ нь хайж, боловсруулсан өгөгдөл xloji.com-ийн хяналтад байгааг хэлнэ. Өөрийн серверт ажилладаг бүтэц байдлаар OpenRAG гаднах системд өгөгдөл дамжуулалгүйгээр өөрийн дэд бүтцийн дотор хайлт хийж, хариулт гаргах үйл ажиллагааг явуулна.
OpenRAG-ийг хэн хэрэглэдэг?
OpenRAG гурван өөр бүлгээс ашигладаг: xloji.com сайтад зочилж 'Асуулт асуу' хэсэгт бичсэн эцсийн хэрэглэгчид, xloji.com-ийн өөрийн RAG дэд бүтцийг асуусан системүүд, OpenRAG-ээр дамжуулан xloji.com-ийн мэдээлэлд хандах гадны хиймэл оюун ухаан багаж. Эцсийн хэрэглэгчийн хувьд OpenRAG асуултад нь xloji.com-ийн агуулгад тулгуурласан хариулт өгдөг. Гадны багажуудад OpenRAG бол xloji.com-оос мэдээлэл авах зориулалттай холбоогүй хаалга юм.
xloji.com-ийн 'Асуулт асуу' хэсэг OpenRAG-тай хэрхэн ажилладаг вэ?
xloji.com-ийн 'Асуулт асуу' хэсэгт бичсэн асуултыг OpenRAG боловсрон оруулдаг. OpenRAG эхлээд асуултад хамаарах агуулгыг xloji.com-ийн өөрийн мэдээлэлд хайж, дараа нь олсон агуулга дээр үндэслэн хариулт үүсгэнэ. Ингэснээр хэрэглэгчид өгсөн хариулт нь xloji.com-ийн жинхэнэ агуулгаар баталгаажсан болно.
Гадны хиймэл оюун ухаан багаж OpenRAG-ээр дамжуулан хэрхэн мэдээлэл авах вэ?
OpenRAG бол xloji.com-оос бусад хиймэл оюун ухаан багажууд xloji.com-ийн мэдээлэлд хандах боломжийг олгодог ганц хаалга юм. Эдгээр багажууд OpenRAG-ээр дамжуулан холбогдож, xloji.com-ийн агуулгаас өөртөө ойлгогдох хариулт авах боломжтой. Тиймээс OpenRAG-ээр дамжуулан өгсөн мэдээлэл нь тусдаа контекст шаардлагагүйгээр өөрөө утгатай байхаар зориулагдсан.
OpenRAG-ийн хязгаарлалтууд юу вэ?
OpenRAG өгсөн хариултууд нь түүнд үзүүлсэн агуулгад хязгаарлагдмал юм; системд байхгүй эсвэл нэмж оруулаагүй мэдээллийн талаар OpenRAG тодорхой хариулт гаргаж чадахгүй. OpenRAG байхгүй мэдээллийг зохиохын оронд өөрийн агуулгад хязгаарлагдах зорилготой юм. Тиймээс OpenRAG-аас авсан хариулт нь xloji.com-ийн тэр үед байдаг агуулгад хязгаарлагдмал байхыг анхаарна уу.
OpenRAG чатбот уу?
OpenRAG бол классик утгаараа тусдаа чатбот биш бөгөөд xloji.com-ийн 'Асуулт асуу' функц болон гадны хэрэгсэл мэдээлэл авах боломжийн ард ажилладаг RAG болон gateway доод бүтэц юм. OpenRAG-ийн үндсэн үүрэг бол асуултад хариуд мэдээлэл олоод түүнийг ашиглан хариулт гаргах явдал юм. Иймэрхүү байдлаар OpenRAG нь хэрэглэгчтэй шууд ярилцах интерфейс биш харин хариултын ард дараагийн доод бүтэц давхарга болж ажилладаг.
OpenRAG-ийн xloji.com-д зориулалтын үүрэг юу вэ?
OpenRAG-ийн зорилго нь xloji.com-ийн мэдээлэлд эцсийн хэрэглэгчид болон гадны AI хэрэгсэлүүд найдвартай, өөрийн удирдлагатай доод бүтэцээр дамжуулан хандах боломжийг олгох явдал юм. Өөрийн сервэр дээр ажилласнаар энэ хандалт гуравдагч системийн хараат байдалгүйгээр боломжтой болно. Нэг цэгийн gateway бүтэцтэй байснаар OpenRAG нь өөр өөр хандалтын цэгүүдийг нэг төв системид нэгтгэдэг.
OpenRAG тухай дэлгэрэнгүй мэдээлэл
OpenRAG бол xloji.com-ын өөрийн серверт ажилладаг RAG (Retrieval-Augmented Generation) систем бөгөөд мөн хиймэл оюун ухаантай холбоотой хүсэлтийг нэг цэгээр дамжуулдаг AI хаалга юм. Нэр дэх 'Open' гэсэн үг нь систем гаднаас нээлттэй, хүртээмжтэй байх бүтцийг санал болгож, 'RAG' гэсэн үг нь хариулт үүсгэхдээ зорюулагдсан мэдээллийг эхлээд олж, дараа нь энэ мэдээлэл дээр үндэслэн хариулт үүсгэх ажиллагааг заадаг. xloji.com-ын 'Асуулт асуу' хайрцагт бичсэн асуулт эхлээд OpenRAG-аар холбогдох контентод хайлт хийгдэж, дараа нь олдсон энэ контентод үндэслэн хариулт үүсгэгддэг. Ижил дэд бүтэц нь xloji.com-ын гаднах хиймэл оюун ухааны хэрэгслүүд OpenRAG-аар дамжуулан xloji.com-ын мэдээлэлд хандаж, энэ мэдээллийг өөрийн хариултандаа ашиглах боломжийг олгодог. Энэ бүтэц нь xloji.com-ын өөр өөр бүтээгдэхүүнүүдэд тусдаа хиймэл оюун ухааны шийдлүүдийг байгуулахын оронд, нэгэн төвхөн бүтэц дээр үйлчилэх боломжийг олгодог.
RAG-ын үндсэн логик нь хиймэл оюун ухааны систем зөвхөн өмнө сургагдсан ерөнхий мэдлэгт найруулахаагүйгээр, асуултанд хамаарах өнөөгийн болон үнэн зөв контентийг эхлээд нэг эх сурвалжаас татаж, дараа нь энэ контентод үндэслэн хариулт өгөх явдал юм. OpenRAG энэ хоёр алхмыг, буюу олох (retrieval) ба үүсгэх (generation) алхмуудыг өөрийн сервертээ нэгтгэн ажиллуулдаг. Энэ хандалт нь хиймэл оюун ухааны загварууд заримдаа байхгүй мэдээлэл үүсгэх хандлагатай байдгийг бууруулах зорилготой юм; учир нь хариулт нь загварын өөрийн санах ойгоос биш, үнэндээ олдсон контентоос гаралтай байдаг. Ингэснээр OpenRAG өгөх хариулт нь санамсаргүй эсвэл хуучирсан мэдээлэлд биш, xloji.com-ын өөрийн контентод суурилдаг. Тиймээс OpenRAG үүсгэсэн хариултын эх сурвалжийг xloji.com-ын өөрийн мэдээлэл гэж тодорхойлох боломжтой хэвээр байна. Сервер xloji.com-д харьяалагдах нь хайлт хийгдэж, боловсруулагдах мэдээлэл гуравдагч талын үүлэн үйлчилгээнд хамааралгүйгээр xloji.com-ын хяналтанд байхыг хэлнэ.
OpenRAG-ын 'нэг хаалга AI хаалга' тал нь өөр өөр хиймэл оюун ухааны хүсэлтүүд болон интеграцуудыг тусдаа системүүд биш, харин нэгэн төвхөн оролтын цэгээр дамжуулахыг хэлнэ. Ингэснээр xloji.com-ын өөрийн 'Асуулт асуу' функц болон OpenRAG-аар холбогдсон гадны хэрэгслүүд адил дэд бүтцийг, адил үндсэн логикийг ашигладаг. Төвхөн хаалганы бүтэц болох OpenRAG хиймэл оюун ухаантай холбоотой трафикийг нэг цэгээр дамжуулдаг; энэ нь хариултын ижил төсөөллийг болон өөрийн серверт ажилладаг систем болохын хувьд мэдээллийн хяналтыг нэмэгдүүлдэг. Энэ нэг цэгийн хандалт нь засвар үйлчилгээ, шинэчлэлтүүдийг тарсан системүүд биш, харин нэг газар хийх боломжийг олгодог. OpenRAG энэ талаараа зөвхөн асуулт-хариулт хэрэгсэл биш, харин xloji.com-ын хиймэл оюун ухаантай холбоотой бүх хандалтын цэгүүдийг нэгтгэсэн дэд бүтэц давхарга юм.
OpenRAG-ыг гурван өөр хэрэглэгчийн бүлэг шууд болон шууд бусаар ашигладаг: xloji.com-ыг зорин 'Асуулт асуу' хайрцагт бичсэн эцсийн хэрэглэгчид, xloji.com-ын өөрийн RAG дэд бүтцийг асуулга хийж байгаа системүүд, OpenRAG-аар дамжуулан xloji.com-ын мэдээлэлд хандаж байгаа гадны хиймэл оюун ухааны хэрэгслүүд. Энэ гурван хэрэглэгчийн бүлэг нь адил OpenRAG дэд бүтцээс, адил контент сангаас тэжээгдсэн хариултыг авдаг; тиймээс xloji.com-ын тухай хаана асуусан ч ижил мэдээллийн эх сурвалж руу хүрэх боломжтой. OpenRAG өгөх хариулт нь түүнд олгогдсон контентоор хязгаарлагддаг; тодорхой хэлэхэд, системд байхгүй эсвэл өөрийн серверт нэмж оруулаагүй мэдээллийн талаар OpenRAG-аас тодорхой хариулт хүлээх боломжгүй. Энэ хязгаар нь OpenRAG-ын найдвартай байдлын үндэс суурь болдог: байхгүй мэдээллийг зохиохын оронд, гар дээрээ байгаа контентоор хязгаарлагдсан, энэ контентод суурилсан хариулт үүсгэх зорилготой.