🧠 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.
ਸਾਡੇ ਆਪਣੇ ਸਰਵਰਾਂ 'ਤੇ ਐਂਬੇਡਿੰਗ ਅਤੇ ਰੀ-ਰੈਂਕਿੰਗ
ਐਂਬੇਡਿੰਗ ਅਤੇ ਰੀ-ਰੈਂਕਿੰਗ ਹੁਣ ਸਾਡੇ ਆਪਣੇ ਸਰਵਰਾਂ 'ਤੇ ਇੱਕ ਵੱਖ ਸੇਵਾ ਵਿੱਚ ਚੱਲਦਾ ਹੈ। ਟੈਕਸਟ ਸਰਵਰ ਛੱਡੇ ਬਿਨਾਂ ਵੈਕਟਰਾਂ ਵਿੱਚ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਉਮੀਦਵਾਰ ਨਤੀਜੇ ਸਹੀਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਲਈ ਇੱਕ ਸਥਾਨਕ ਰੀ-ਰੈਂਕਰ ਤੋਂ ਲੰਘਦੇ ਹਨ।
ਪ੍ਰਸ਼ਨ ਨੂੰ ਦੁਬਾਰਾ ਲਿਖਣਾ
ਖੋਜ ਚੱਲਣ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਅਸਪਸ਼ਟ ਜਾਂ ਅਧੂਰਾ ਸਵਾਲ ਸਾਫ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ "ਸਹੀ" ਸਵਾਲ ਪੁੱਛਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ; ਸਿਸਟਮ ਪ੍ਰਸ਼ਨ ਨੂੰ ਖੋਜ ਲਈ ਤਿਆਰ ਕਰਦਾ ਹੈ।
ਚਿੱਤਰਾਂ, ਆਡੀਓ ਅਤੇ ਵੀਡੀਓ ਤੋਂ ਟੈਕਸਟ
ਚਿੱਤਰਾਂ ਤੋਂ ਟੈਕਸਟ ਐਕਸਟਰੈਕਸ਼ਨ ਅਤੇ ਆਡੀਓ ਅਤੇ ਵੀਡੀਓ ਦਾ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਸਰਵਰ 'ਤੇ ਸਥਾਨਕ ਟੂਲ ਨਾਲ ਚੱਲਦਾ ਹੈ, ਅਤੇ ਨਤੀਜੇ ਵਾਲਾ ਟੈਕਸਟ ਉਸੇ ਸਫਾਈ ਅਤੇ ਇੰਡੈਕਸਿੰਗ ਪਾਈਪਲਾਈਨ ਵਿੱਚ ਦਾਖਲ ਹੁੰਦਾ ਹੈ। ਡਾਟਾ ਸਰਵਰ ਨੂੰ ਨਹੀਂ ਛੱਡਦਾ।
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.
ਅਧਿਕਾਰ ਅਤੇ ਸਹਿਮਤੀ ਪਰਤ
Businesses join by their own choice; authentication, key management, rate limiting and abuse protection all live in this layer.
ਏਆਈ ਦਿੱਖ ਪਰਤ
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?
ਵੈਕਟਰ ਡਾਟਾਬੇਸ ਅਤੇ ਇੰਡੈਕਸ, ਹਾਈਬ੍ਰਿਡ ਖੋਜ, ਮਲਟੀ-ਟੈਨੈਂਟ ਆਈਸੋਲੇਸ਼ਨ, ਦਸਤਾਵੇਜ਼ ਸਫਾਈ ਅਤੇ RAG ਸਟਰਕਚਰਿੰਗ, ਵੈਬ ਕ੍ਰਾਲਿੰਗ, ਕਸਟਮ AI ਟੂਲਜ਼ ਵਿੱਚ ਪਬਲਿਕ RAG ਫੀਡ, ਅਤੇ ਫਾਈਲ/ਮੀਡੀਆ ਸਟੋਰੇਜ ਸਾਰੇ ਅੱਜ ਕੰਮ ਕਰਦੇ ਹਨ। ਸਵੈ-ਹੋਸਟੇਡ ਏਮਬੇਡਿੰਗ, ਰੀਰੈਂਕਿੰਗ, ਕੁਐਰੀ ਰੀਰਾਇਟਿੰਗ, ਬਾਹਰੀ ਦਰਵਾਜ਼ਾ, ਪਰਮਿਸ਼ਨ ਲੇਅਰ, ਵਿਜ਼ਿਬਿਲਟੀ ਲੇਅਰ ਅਤੇ ਵਰਡਪ੍ਰੈਸ ਪਲੱਗਇਨ ਅਜੇ ਤੱਕ ਮੌਜੂਦ ਨਹੀਂ ਹਨ।
ਕੀ ਮੇਰਾ ਡਾਟਾ ਸਰਵਰ ਛੱਡਦਾ ਹੈ?
ਲਕਸ਼ ਇਹ ਹੈ ਕਿ RAG ਪਾਈਪਲਾਈਨ ਦਾ ਹਰੇਕ ਕਦਮ ਸਰਵਰ 'ਤੇ ਸਥਾਨਕ ਟੂਲਜ਼ ਨਾਲ ਚਲਾਇਆ ਜਾਵੇ, ਕੋਈ ਵੀ ਮੀਡੀਆ RAG ਵਿੱਚ ਦਾਖਲ ਨਾ ਹੋਵੇ ਜੋ ਕਿਸੇ ਬਾਹਰੀ ਸੇਵਾ ਨੂੰ ਭੇਜਿਆ ਗਿਆ ਹੋਵੇ। ਸੱਚੀ ਸਥਿਤੀ: ਇਸਦੇ ਕੁਝ ਕਦਮ ਅੱਜ ਵੀ ਬਾਹਰੀ ਸੇਵਾਵਾਂ ਦੁਆਰਾ ਸੰਭਾਲੇ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਅੰਦਰ ਲਿਆਉਣਾ ਰੋਡਮੈਪ 'ਤੇ ਪਹਿਲਾ ਆਈਟਮ ਹੈ।
ਰੋਡਮੈਪ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਕਦੋਂ ਤੱਕ ਤਿਆਰ ਹੋ ਜਾਣਗੀਆਂ?
ਅਸੀਂ ਤਾਰੀਖਾਂ ਦਾ ਵਾਅਦਾ ਨਹੀਂ ਕਰਦੇ। ਇਹੀ ਇਸ ਪੰਨੇ ਦਾ ਮਕਸਦ ਹੈ: ਅੱਜ ਕੀ ਕੰਮ ਕਰਦਾ ਹੈ ਅਤੇ ਕੀ ਯੋਜਨਾਬੱਧ ਹੈ, ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਦਿਖਾਉਣਾ। ਜਦੋਂ ਕੋਈ ਆਈਟਮ ਪੂਰੀ ਹੋ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਇਹ "ਅੱਜ ਕੰਮ ਕਰਨ ਵਾਲੇ ਹਿੱਸੇ" ਦੀ ਸੂਚੀ ਵਿੱਚ ਚਲਦੀ ਹੈ।
ਕੀ ਮੇਰੀ ਸਮੱਗਰੀ AI ਸਿਖਲਾਈ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ ਜਾਂ ਵੇਚੀ ਜਾਂਦੀ ਹੈ?
ਨਹੀਂ। ਅੱਜ ਅਜਿਹਾ ਕੋਈ ਉਪਯੋਗ ਨਹੀਂ ਹੈ। ਪਰਮਿਸ਼ਨ ਵਾਲੇ ਟੈਕਸਟ ਕੋਰਪਸ ਦਾ ਵਿਚਾਰ ਰੋਡਮੈਪ 'ਤੇ ਸਭ ਤੋਂ ਦੂਰ, ਕਾਨੂੰਨੀ ਤੌਰ 'ਤੇ ਭਾਰੀ ਆਈਟਮ ਹੈ; ਭਾਵੇਂ ਇਹ ਹੋਵੇ, ਕੋਈ ਵੀ ਸਮੱਗਰੀ ਸਪੱਸ਼ਟ ਸਹਿਮਤੀ ਤੋਂ ਬਿਨਾਂ ਇਸ ਲਈ ਨਹੀਂ ਵਰਤੀ ਜਾਵੇਗੀ।
AI ਪੋਰਟਲ 'ਤੇ ਵਾਪਸ ਜਾਓ ਦੂਜੇ AI ਟੂਲਜ਼ ਲਈ।
ਅਕਸਰ ਪੁੱਛੇ ਜਾਣ ਵਾਲੇ ਸਵਾਲ
OpenRAG ਕੀ ਹੈ?
OpenRAG, xloji.com ਦੇ ਆਪਣੇ ਸਰਵਰ 'ਤੇ ਚੱਲਣ ਵਾਲਾ ਇੱਕ RAG (Retrieval-Augmented Generation) ਸਿਸਟਮ ਅਤੇ ਸਿੰਗਲ-ਡੋਰ AI ਗੇਟਵੇ ਹੈ। ਜਦੋਂ ਕੋਈ ਸਵਾਲ ਆਉਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਪਹਿਲਾਂ ਸਬੰਧਤ ਸਮੱਗਰੀ ਲੱਭਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਇਸ ਸਮੱਗਰੀ ਦੇ ਅਧਾਰ 'ਤੇ ਇੱਕ ਜਵਾਬ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਇਹ xloji.com ਤੋਂ ਬਾਹਰ ਦੇ AI ਟੂਲਜ਼ ਨੂੰ xloji.com ਨਾਲ ਸਬੰਧਤ ਜਾਣਕਾਰੀ ਤੱਕ ਇੱਕ ਸਿੰਗਲ ਪੁਆਇੰਟ ਤੋਂ ਪਹੁੰਚਣ ਦੇਣ ਵਾਲਾ ਇੱਕ ਕੇਂਦਰੀ ਗੇਟਵੇ ਵੀ ਹੈ।
RAG ਦਾ ਕੀ ਮਤਲਬ ਹੈ ਅਤੇ OpenRAG ਇਸਨੂੰ ਕਿਵੇਂ ਲਾਗੂ ਕਰਦਾ ਹੈ?
RAG ਦਾ ਮਤਲਬ ਹੈ 'Retrieval-Augmented Generation', ਯਾਨੀ ਰੀਟ੍ਰੀਵਲ ਨਾਲ ਵਧਾਇਆ ਗਿਆ ਜਨਰੇਸ਼ਨ; ਇੱਕ AI ਜਵਾਬ ਪੈਦਾ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਸਬੰਧਤ ਸਰੋਤਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਲੱਭਦਾ ਹੈ, ਫਿਰ ਇਸ ਜਾਣਕਾਰੀ ਦੇ ਅਧਾਰ 'ਤੇ ਜਵਾਬ ਬਣਾਉਂਦਾ ਹੈ। OpenRAG ਇਹ ਦੋਵੇਂ ਕਦਮ, ਖੋਜ ਅਤੇ ਜਨਰੇਸ਼ਨ, ਆਪਣੇ ਸਰਵਰ 'ਤੇ ਜੋੜ ਕੇ ਚਲਾਉਂਦਾ ਹੈ। ਇਸ ਲਈ OpenRAG ਦੇ ਜਵਾਬ ਬੇਤਰਤੀਬ ਨਹੀਂ ਹੁੰਦੇ, ਸਗੋਂ xloji.com ਨਾਲ ਸਬੰਧਤ ਅਸਲ ਸਮੱਗਰੀ 'ਤੇ ਅਧਾਰਤ ਹੁੰਦੇ ਹਨ।
'ਸਿੰਗਲ-ਡੋਰ AI ਗੇਟਵੇ' ਦਾ ਕੀ ਮਤਲਬ ਹੈ?
ਸਿੰਗਲ-ਡੋਰ AI ਗੇਟਵੇ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਵੱਖ-ਵੱਖ AI ਬੇਨਤੀਆਂ ਅਤੇ ਏਕੀਕਰਣ ਵੱਖ-ਵੱਖ ਸਿਸਟਮਾਂ ਦੀ ਬਜਾਏ ਇੱਕ ਸਿੰਗਲ ਕੇਂਦਰੀ ਐਂਟਰੀ ਪੁਆਇੰਟ ਤੋਂ ਪਾਸ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ। OpenRAG ਇਸ ਭੂਮਿਕਾ ਨੂੰ ਨਿਭਾਉਂਦਾ ਹੈ: xloji.com ਦੀ ਆਪਣੀ 'ਪੁੱਛੋ' ਵਿਸ਼ੇਸ਼ਤਾ ਅਤੇ ਬਾਹਰੀ ਤੌਰ 'ਤੇ ਕਨੈਕਟ ਕੀਤੇ AI ਟੂਲਜ਼, ਦੋਵੇਂ ਇੱਕੋ OpenRAG ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੁਆਰਾ ਸੇਵਾ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ। ਇਹ ਕੇਂਦਰੀ ਢਾਂਚਾ AI ਨਾਲ ਸਬੰਧਤ ਟ੍ਰੈਫਿਕ ਦੇ ਇੱਕ ਸਿੰਗਲ ਪੁਆਇੰਟ ਤੋਂ ਪ੍ਰਬੰਧਨ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ।
OpenRAG ਦਾ ਆਪਣੇ ਸਰਵਰ 'ਤੇ ਚੱਲਣਾ ਕੀ ਫਰਕ ਪਾਉਂਦਾ ਹੈ?
OpenRAG ਕਿਸੇ ਤੀਜੇ-ਧਿਰ ਦੇ ਕਲਾਉਡ ਸੇਵਾ 'ਤੇ ਨਿਰਭਰ ਕੀਤੇ ਬਿਨਾਂ xloji.com ਦੇ ਆਪਣੇ ਸਰਵਰ 'ਤੇ ਚੱਲਦਾ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਖੋਜੀ ਅਤੇ ਪ੍ਰੋਸੈਸ ਕੀਤਾ ਗਿਆ ਡਾਟਾ xloji.com ਦੇ ਆਪਣੇ ਨਿਯੰਤਰਣ ਵਿੱਚ ਰਹਿੰਦਾ ਹੈ। ਆਪਣੇ ਸਰਵਰ 'ਤੇ ਚੱਲਣ ਵਾਲੇ ਢਾਂਚੇ ਦੇ ਤੌਰ 'ਤੇ, OpenRAG ਬਾਹਰੀ ਸਿਸਟਮਾਂ ਨੂੰ ਡਾਟਾ ਟ੍ਰਾਂਸਫਰ ਕੀਤੇ ਬਿਨਾਂ ਆਪਣੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਅੰਦਰ ਖੋਜ ਅਤੇ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਦੀਆਂ ਕਾਰਵਾਈਆਂ ਕਰਦਾ ਹੈ।
OpenRAG ਵਰਤੋਂ ਵਿੱਚ ਕਿਹੋ ਜਿਣੇ ਲੋਕ ਹਨ?
ਓਪਨਰਾਗ ਨੂੰ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਸਮੂਹ ਵਰਤਦੇ ਹਨ: xloji.com 'ਤੇ ਜਾ ਕੇ 'ਸਵਾਲ ਪੁੱਛੋ' ਬਾਕਸ ਵਿੱਚ ਲਿਖਣ ਵਾਲੇ ਅੰਤਿਮ ਉਪਭੋਗਤਾ, xloji.com ਦੇ ਆਪਣੇ RAG ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਨੂੰ ਪੁੱਛਣ ਵਾਲੇ ਸਿਸਟਮ, ਅਤੇ ਓਪਨਰਾਗ ਜ਼ਰੀਏ xloji.com ਨਾਲ ਸਬੰਧਤ ਜਾਣਕਾਰੀ ਤੱਕ ਪਹੁੰਚਣ ਵਾਲੇ ਬਾਹਰੀ AI ਟੂਲ। ਅੰਤਿਮ ਉਪਭੋਗਤਾ ਲਈ, ਓਪਨਰਾਗ ਉਸਦੇ ਪੁੱਛੇ ਗਏ ਸਵਾਲ ਦੇ ਜਵਾਬ ਵਿੱਚ xloji.com ਦੀ ਸਮੱਗਰੀ 'ਤੇ ਅਧਾਰਿਤ ਇੱਕ ਜਵਾਬ ਦਿੰਦਾ ਹੈ। ਬਾਹਰੀ ਟੂਲਾਂ ਲਈ, ਓਪਨਰਾਗ xloji.com ਤੋਂ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਇੱਕ ਸੰਦਰਭ ਰਹਿਤ ਗੇਟਵੇ ਹੈ।
xloji.com 'ਤੇ 'ਸਵਾਲ ਪੁੱਛੋ' ਬਾਕਸ ਓਪਨਰਾਗ ਨਾਲ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ?
xloji.com 'ਤੇ 'ਸਵਾਲ ਪੁੱਛੋ' ਬਾਕਸ ਵਿੱਚ ਲਿਖਿਆ ਗਿਆ ਇੱਕ ਸਵਾਲ ਓਪਨਰਾਗ ਦੁਆਰਾ ਪ੍ਰਕਿਰਿਆ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਓਪਨਰਾਗ ਪਹਿਲਾਂ ਸਵਾਲ ਨਾਲ ਸਬੰਧਤ ਸਮੱਗਰੀ ਨੂੰ xloji.com ਦੇ ਆਪਣੇ ਡੇਟਾ ਵਿੱਚ ਖੋਜਦਾ ਹੈ, ਫਿਰ ਇਸ ਦੁਆਰਾ ਮਿਲੀ ਸਮੱਗਰੀ ਦੇ ਅਧਾਰ 'ਤੇ ਇੱਕ ਜਵਾਬ ਬਣਾਉਂਦਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਉਪਭੋਗਤਾ ਨੂੰ ਦਿੱਤਾ ਗਿਆ ਜਵਾਬ xloji.com ਦੀ ਅਸਲ ਸਮੱਗਰੀ ਦੁਆਰਾ ਸਮਰਥਿਤ ਹੁੰਦਾ ਹੈ।
ਬਾਹਰੀ AI ਟੂਲ ਓਪਨਰਾਗ ਜ਼ਰੀਏ ਕਿਵੇਂ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ?
ਓਪਨਰਾਗ, xloji.com ਤੋਂ ਬਾਹਰ ਦੇ AI ਟੂਲਾਂ ਨੂੰ xloji.com ਨਾਲ ਸਬੰਧਤ ਜਾਣਕਾਰੀ ਤੱਕ ਪਹੁੰਚਣ ਦੇਣ ਲਈ ਇੱਕ ਸਿੰਗਲ ਗੇਟਵੇ ਦੇ ਤੌਰ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ। ਇਹ ਟੂਲ ਓਪਨਰਾਗ ਜ਼ਰੀਏ ਕਨੈਕਟ ਹੋ ਕੇ xloji.com ਦੀ ਸਮੱਗਰੀ ਤੋਂ ਸੰਦਰਭ ਰਹਿਤ, ਖੁਦ-ਨਿਰਭਰ ਜਵਾਬ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ। ਇਸ ਲਈ, ਓਪਨਰਾਗ ਜ਼ਰੀਏ ਦਿੱਤੀ ਗਈ ਜਾਣਕਾਰੀ ਨੂੰ ਇੱਕ ਵੱਖਰੇ ਸੰਦਰਭ ਦੀ ਲੋੜ ਤੋਂ ਬਿਨਾਂ ਆਪਣੇ ਆਪ ਵਿੱਚ ਸਮਝਣਯੋਗ ਬਣਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ।
ਓਪਨਰਾਗ ਦੀਆਂ ਸੀਮਾਵਾਂ ਕੀ ਹਨ?
ਓਪਨਰਾਗ ਦੇ ਦਿੱਤੇ ਗਏ ਜਵਾਬ ਉਸ ਸਮੱਗਰੀ ਤੱਕ ਸੀਮਤ ਹਨ ਜੋ ਉਸਨੂੰ ਪ੍ਰਦਾਨ ਕੀਤੀ ਗਈ ਹੈ; ਸਿਸਟਮ ਵਿੱਚ ਨਹੀਂ ਮਿਲਣ ਵਾਲੀ ਜਾਂ ਜੋੜੀ ਨਹੀਂ ਗਈ ਜਾਣਕਾਰੀ ਬਾਰੇ ਓਪਨਰਾਗ ਇੱਕ ਨਿਸ਼ਚਤ ਜਵਾਬ ਨਹੀਂ ਦੇ ਸਕਦਾ। ਓਪਨਰਾਗ ਦਾ ਉਦੇਸ਼ ਅਣਹੋਂਦ ਵਿੱਚ ਜਾਣਕਾਰੀ ਦਾ ਕਲਪਣ ਕਰਨ ਦੀ ਬਜਾਏ ਆਪਣੇ ਹੱਥ ਵਿੱਚਲੀ ਸਮੱਗਰੀ ਤੱਕ ਸੀਮਤ ਰਹਿਣਾ ਹੈ। ਇਸ ਲਈ, ਇਹ ਯਾਦ ਰੱਖਣਾ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਓਪਨਰਾਗ ਤੋਂ ਪ੍ਰਾਪਤ ਜਵਾਬ xloji.com ਦੀ ਮੌਜੂਦਾ ਸਮੱਗਰੀ ਤੱਕ ਸੀਮਤ ਹੈ।
ਕੀ ਓਪਨਰਾਗ ਇੱਕ ਚੈਟਬੋਟ ਹੈ?
OpenRAG, ਕਲਾਸੀਕੀ ਅਰਥਾਂ ਵਿੱਚ ਇੱਕ ਸੁਤੰਤਰ ਚੈਟਬੋਟ ਨਹੀਂ ਹੈ; ਇਹ xloji.com ਦੀ 'ਸਵਾਲ ਪੁੱਛੋ' ਵਿਸ਼ੇਸ਼ਤਾ ਅਤੇ ਬਾਹਰੀ ਟੂਲਜ਼ ਦੇ ਜਾਣਕਾਰੀ ਤੱਕ ਪਹੁੰਚਣ ਦੇ ਪਿੱਛੇ ਕੰਮ ਕਰਨ ਵਾਲਾ ਇੱਕ RAG ਅਤੇ ਗੇਟਵੇਅ ਇੰਫਰਾਸਟ੍ਰਕਚਰ ਹੈ। OpenRAG ਦਾ ਮੁੱਖ ਕੰਮ ਇੱਕ ਸਵਾਲ ਦੇ ਅਨੁਸਾਰੀ ਸਮੱਗਰੀ ਲੱਭਣਾ ਅਤੇ ਇਸ ਸਮੱਗਰੀ ਦੇ ਜ਼ਰੀਏ ਇੱਕ ਜਵਾਬ ਤਿਆਰ ਕਰਨਾ ਹੈ। ਇਸ ਹਾਲਤ ਵਿੱਚ, OpenRAG ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਉਪਭੋਗਤਾ ਨਾਲ ਗੱਲ ਕਰਨ ਵਾਲੇ ਇੱਕ ਇੰਟਰਫੇਸ ਤੋਂ ਵਧਕੇ, ਜਵਾਬਾਂ ਦੇ ਪਿੱਛੇ ਕੰਮ ਕਰਨ ਵਾਲੀ ਇੱਕ ਬੁਨਿਆਦੀ ਪਰਤ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ।
OpenRAG ਦਾ xloji.com ਲਈ ਕੀ ਉਦੇਸ਼ ਹੈ?
OpenRAG ਦਾ ਉਦੇਸ਼ xloji.com ਨਾਲ ਸਬੰਧਤ ਜਾਣਕਾਰੀ ਤੱਕ ਅੰਤਿਮ ਉਪਭੋਗਤਾਵਾਂ ਅਤੇ ਬਾਹਰੀ AI ਟੂਲਜ਼ ਦੋਵਾਂ ਨੂੰ ਇੱਕ ਭਰੋਸੇਮੰਦ ਅਤੇ ਆਪਣੇ ਨਿਯੰਤਰਣ ਹੇਠਲੇ ਇੰਫਰਾਸਟ੍ਰਕਚਰ ਜ਼ਰੀਏ ਪਹੁੰਚਣ ਦੇਣਾ ਹੈ। ਇਸਦੇ ਆਪਣੇ ਸਰਵਰ 'ਤੇ ਚੱਲਣ ਨਾਲ, ਇਹ ਪਹੁੰਚ ਤੀਜੇ-ਧਿਰ ਪ੍ਰਣਾਲੀਆਂ 'ਤੇ ਨਿਰਭਰਤਾ ਤੋਂ ਬਿਨਾਂ ਹੁੰਦੀ ਹੈ। ਸਿੰਗਲ ਗੇਟਵੇਅ ਆਰਕੀਟੈਕਚਰ ਦੇ ਕਾਰਨ, OpenRAG ਵੱਖ-ਵੱਖ ਪਹੁੰਚ ਬਿੰਦੂਆਂ ਨੂੰ ਇੱਕ ਕੇਂਦਰੀ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਜੋੜਦਾ ਹੈ।
OpenRAG ਬਾਰੇ ਵਿਸਤ੍ਰਿਤ ਜਾਣਕਾਰੀ
OpenRAG, xloji.com ਦੇ ਆਪਣੇ ਸਰਵਰ 'ਤੇ ਚੱਲਣ ਵਾਲਾ ਇੱਕ RAG (Retrieval-Augmented Generation) ਸਿਸਟਮ ਹੈ ਅਤੇ ਇਹ ਇੱਕ AI ਗੇਟਵੇ ਵੀ ਹੈ ਜੋ AI ਨਾਲ ਸਬੰਧਤ ਬੇਨਤੀਆਂ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਪੁਆਇੰਟ ਤੋਂ ਪਾਸ ਕਰਦਾ ਹੈ। ਇਸਦੇ ਨਾਮ ਵਿੱਚ 'Open' ਸ਼ਬਦ ਸਿਸਟਮ ਦੀ ਬਾਹਰੀ ਦੁਨੀਆਂ ਲਈ ਖੁੱਲ੍ਹੀ ਅਤੇ ਪਹੁੰਚਯੋਗ ਬਣਤਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਜਦੋਂ ਕਿ 'RAG' ਸ਼ਬਦ ਜਵਾਬ ਪੈਦਾ ਕਰਨ ਵੇਲੇ ਸਬੰਧਤ ਡੇਟਾ ਲੱਭਣ ਅਤੇ ਫਿਰ ਇਸ ਡੇਟਾ ਦੇ ਅਧਾਰ 'ਤੇ ਜਵਾਬ ਬਣਾਉਣ ਦੇ ਕੰਮ ਕਰਨ ਦੇ ਤਰੀਕੇ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। xloji.com 'ਤੇ 'ਪੁੱਛੋ' ਬਾਕਸ ਵਿੱਚ ਲਿਖਿਆ ਗਿਆ ਇੱਕ ਸਵਾਲ ਪਹਿਲਾਂ OpenRAG ਦੁਆਰਾ ਸਬੰਧਤ ਸਮੱਗਰੀ ਵਿੱਚ ਖੋਜਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਇਸ ਸਮੱਗਰੀ ਦੇ ਅਧਾਰ 'ਤੇ ਇੱਕ ਜਵਾਬ ਪੈਦਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇੱਕੋ ਅਧੀਆਰਚਨਾ, xloji.com ਤੋਂ ਬਾਹਰ ਦੇ AI ਟੂਲਜ਼ ਨੂੰ OpenRAG ਦੁਆਰਾ xloji.com ਨਾਲ ਸਬੰਧਤ ਜਾਣਕਾਰੀ ਤੱਕ ਪਹੁੰਚਣ ਅਤੇ ਇਸ ਜਾਣਕਾਰੀ ਨੂੰ ਆਪਣੇ ਜਵਾਬਾਂ ਵਿੱਚ ਵਰਤਣ ਦੀ ਵੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। ਇਹ ਬਣਤਰ xloji.com ਨੂੰ ਵੱਖ-ਵੱਖ ਉਤਪਾਦਾਂ ਲਈ ਵੱਖ-ਵੱਖ AI ਹੱਲ ਸਥਾਪਤ ਕਰਨ ਦੀ ਬਜਾਏ, ਇੱਕ ਸਿੰਗਲ ਕੇਂਦਰੀ ਅਧੀਆਰਚਨਾ ਦੁਆਰਾ ਸੇਵਾ ਪ੍ਰਦਾਨ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ।
RAG ਪਹੁੰਚ ਦੀ ਬੁਨਿਆਦੀ ਤਰਕ ਇਹ ਹੈ ਕਿ ਇੱਕ AI ਸਿਸਟਮ ਸਿਰਫ਼ ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਆਮ ਜਾਣਕਾਰੀ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਦੀ ਬਜਾਏ, ਸਵਾਲ ਨਾਲ ਸਬੰਧਤ ਅੱਪਡੇਟ ਕੀਤੀ ਅਤੇ ਸਹੀ ਸਮੱਗਰੀ ਨੂੰ ਪਹਿਲਾਂ ਇੱਕ ਸਰੋਤ ਤੋਂ ਪ੍ਰਾਪਤ ਕਰੇ ਅਤੇ ਫਿਰ ਇਸ ਸਮੱਗਰੀ ਦੀ ਰੌਸ਼ਨੀ ਵਿੱਚ ਜਵਾਬ ਦੇਵੇ। OpenRAG ਇਹ ਦੋ ਕਦਮ, ਯਾਨੀ ਲੱਭਣਾ (retrieval) ਅਤੇ ਪੈਦਾ ਕਰਨਾ (generation), ਆਪਣੇ ਸਰਵਰ 'ਤੇ ਜੋੜ ਕੇ ਚਲਾਉਂਦਾ ਹੈ। ਇਹ ਪਹੁੰਚ AI ਮਾਡਲਾਂ ਦੀ ਗਲਤ ਜਾਣਕਾਰੀ ਪੈਦਾ ਕਰਨ ਦੀ ਆਦਤ ਨੂੰ ਘਟਾਉਣ ਦਾ ਟੀਚਾ ਰੱਖਦੀ ਹੈ; ਕਿਉਂਕਿ ਜਵਾਬ ਮਾਡਲ ਦੀ ਆਪਣੀ ਯਾਦ ਤੋਂ ਨਹੀਂ, ਸਗੋਂ ਅਸਲ ਵਿੱਚ ਲੱਭੀ ਗਈ ਸਮੱਗਰੀ ਤੋਂ ਲਿਆ ਗਿਆ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, OpenRAG ਦੇ ਜਵਾਬ ਬੇਤਰਤੀਬ ਜਾਂ ਪੁਰਾਣੀ ਜਾਣਕਾਰੀ 'ਤੇ ਨਹੀਂ, ਸਗੋਂ xloji.com ਦੀ ਆਪਣੀ ਸਮੱਗਰੀ 'ਤੇ ਅਧਾਰਤ ਹੁੰਦੇ ਹਨ। ਇਸ ਤਰ੍ਹਾਂ, OpenRAG ਦੁਆਰਾ ਪੈਦਾ ਕੀਤੇ ਗਏ ਜਵਾਬ ਦਾ ਸਰੋਤ xloji.com ਦੇ ਆਪਣੇ ਡੇਟਾ ਵਜੋਂ ਟਰੈਕ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਸਰਵਰ xloji.com ਨਾਲ ਸਬੰਧਤ ਹੋਣ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਖੋਜੀ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਕੀਤੀ ਗਈ ਡੇਟਾ ਨੂੰ ਤੀਜੇ-ਧਿਰ ਦੇ ਕਲਾਊਡ ਸੇਵਾ 'ਤੇ ਨਿਰਭਰ ਕੀਤੇ ਬਿਨਾਂ xloji.com ਦੇ ਆਪਣੇ ਨਿਯੰਤਰਣ ਵਿੱਚ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ।
OpenRAG ਦਾ 'ਸਿੰਗਲ-ਡੋਰ AI ਗੇਟਵੇ' ਪੱਖ ਵੱਖ-ਵੱਖ AI ਬੇਨਤੀਆਂ ਅਤੇ ਏਕੀਕਰਣਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਸਿਸਟਮਾਂ ਦੀ ਬਜਾਏ ਇੱਕ ਸਿੰਗਲ ਕੇਂਦਰੀ ਪ੍ਰਵੇਸ਼ ਬਿੰਦੂ ਤੋਂ ਰੂਟ ਕਰਨ ਦਾ ਮਤਲਬ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, xloji.com ਦੀ ਆਪਣੀ 'ਪੁੱਛੋ' ਵਿਸ਼ੇਸ਼ਤਾ ਅਤੇ OpenRAG ਦੁਆਰਾ ਜੁੜੇ ਬਾਹਰੀ ਟੂਲਜ਼, ਇੱਕੋ ਅਧੀਆਰਚਨਾ ਅਤੇ ਇੱਕੋ ਬੁਨਿਆਦੀ ਤਰਕ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਇੱਕ ਕੇਂਦਰੀ ਗੇਟਵੇ ਬਣਤਰ ਦੇ ਰੂਪ ਵਿੱਚ, OpenRAG AI ਨਾਲ ਸਬੰਧਤ ਟ੍ਰੈਫਿਕ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਪੁਆਇੰਟ ਤੋਂ ਪਾਸ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ; ਇਹ ਜਵਾਬਾਂ ਦੀ ਇਕਸਾਰਤਾ ਅਤੇ ਆਪਣੇ ਸਰਵਰ 'ਤੇ ਚੱਲਣ ਵਾਲੇ ਸਿਸਟਮ ਵਜੋਂ ਡੇਟਾ 'ਤੇ ਨਿਯੰਤਰਣ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ। ਇਹ ਸਿੰਗਲ-ਪੁਆਇੰਟ ਪਹੁੰਚ ਇਸਦਾ ਵੀ ਮਤਲਬ ਹੈ ਕਿ ਰੱਖ-ਰਖਾਅ ਅਤੇ ਅੱਪਡੇਟ ਵੰਡੇ ਹੋਏ ਸਿਸਟਮਾਂ ਦੀ ਬਜਾਏ ਇੱਕੋ ਥਾਂ 'ਤੇ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਇਸ ਪੱਖੋਂ, OpenRAG ਸਿਰਫ਼ ਇੱਕ ਸਵਾਲ-ਜਵਾਬ ਟੂਲ ਨਹੀਂ ਹੈ, ਸਗੋਂ xloji.com ਲਈ AI ਨਾਲ ਸਬੰਧਤ ਸਾਰੇ ਪ੍ਰਵੇਸ਼ ਬਿੰਦੂਆਂ ਨੂੰ ਜੋੜਨ ਵਾਲੀ ਇੱਕ ਅਧੀਆਰਚਨਾ ਲੇਅਰ ਹੈ।
OpenRAG ਨੂੰ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਉਪਭੋਗਤਾ ਸਮੂਹ ਸਿੱਧੇ ਜਾਂ ਅਪ੍ਰਤੱਖ ਤੌਰ 'ਤੇ ਵਰਤਦੇ ਹਨ: xloji.com 'ਤੇ ਜਾਣ ਵਾਲੇ ਅਤੇ 'ਪੁੱਛੋ' ਬਾਕਸ ਵਿੱਚ ਲਿਖਣ ਵਾਲੇ ਅੰਤਿਮ ਉਪਭੋਗਤਾ, xloji.com ਦੀ ਆਪਣੀ RAG ਅਧੀਆਰਚਨਾ ਨੂੰ ਪੁੱਛਦੇ ਸਿਸਟਮ ਅਤੇ OpenRAG ਦੁਆਰਾ xloji.com ਨਾਲ ਸਬੰਧਤ ਜਾਣਕਾਰੀ ਤੱਕ ਪਹੁੰਚਣ ਵਾਲੇ ਬਾਹਰੀ AI ਟੂਲਜ਼। ਇਹ ਤਿੰਨ ਉਪਭੋਗਤਾ ਸਮੂਹ ਇੱਕੋ OpenRAG ਅਧੀਆਰਚਨਾ ਤੋਂ, ਇੱਕੋ ਸਮੱਗਰੀ ਪੂਲ ਤੋਂ ਪ੍ਰਾਪਤ ਜਵਾਬਾਂ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ; ਇਸ ਲਈ, xloji.com ਬਾਰੇ ਜਿੱਥੋਂ ਵੀ ਪੁੱਛਿਆ ਜਾਵੇ, ਇੱਕ ਸੁਸੰਗਤ ਜਾਣਕਾਰੀ ਸਰੋਤ ਤੱਕ ਪਹੁੰਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। OpenRAG ਦੇ ਜਵਾਬ ਇਸਨੂੰ ਪ੍ਰਦਾਨ ਕੀਤੀ ਗਈ ਸਮੱਗਰੀ ਤੱਕ ਸੀਮਤ ਹਨ; ਯਾਨੀ, ਸਿਸਟਮ ਵਿੱਚ ਨਹੀਂ ਮਿਲਣ ਵਾਲੀ ਜਾਂ ਇਸਦੇ ਸਰਵਰ 'ਤੇ ਨਹੀਂ ਜੋੜੀ ਗਈ ਜਾਣਕਾਰੀ ਬਾਰੇ OpenRAG ਤੋਂ ਇੱਕ ਨਿਸ਼ਚਤ ਜਵਾਬ ਦੀ ਉਮੀਦ ਨਹੀਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ। ਇਹ ਸੀਮਾ, ਨਾਲ ਹੀ, OpenRAG ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਦੀ ਬੁਨਿਆਦ ਹੈ: ਗਲਤ ਜਾਣਕਾਰੀ ਪੈਦਾ ਕਰਨ ਦੀ ਬਜਾਏ, ਇਹ ਆਪਣੇ ਹੱਥ ਵਿੱਚਲੀ ਸਮੱਗਰੀ ਤੱਕ ਸੀਮਤ ਅਤੇ ਇਸ ਸਮੱਗਰੀ 'ਤੇ ਅਧਾਰਤ ਜਵਾਬ ਪੈਦਾ ਕਰਨ ਦਾ ਟੀਚਾ ਰੱਖਦੀ ਹੈ।