🧠 OpenRAG
OpenRAG ایک RAG پلیٹ فارم ہے جو کسی کاروبار کے مواد کو صاف اور منظم کرتا ہے، اسے ہمارے اپنے سرور پر انڈیکس کرتا ہے، اور اسے بیرونی AI نظاموں کے ذریعے قدرتی زبان میں ایک ہی اجازت شدہ دروازے کے ذریعے قابل سوال بناتا ہے۔
Vectors are not published; ACCESS is opened.
یہ ایک پروڈکٹ کا تعارف ہے، وعدوں کی فہرست نہیں ہے۔ نیچے، وہ حصے جو آج کام کرتے ہیں اور وہ حصے جو ابھی بھی روڈ میپ پر ہیں، کو الگ سے نشان زد کیا گیا ہے۔ روڈ میپ آئٹمز کی کوئی تاریخیں وعدہ نہیں کی جاتی ہیں۔ جیسے ہی وہ مکمل ہوتے ہیں وہ "آج کام کر رہے ہیں" سیکشن میں چلے جاتے ہیں۔
The core principle
OpenRAG کا پورا ڈیزائن ایک ہی جملے پر قائم ہے: vectors are not published, access is opened. باہر دی جانے والی چیز مواد کی ایک کاپی نہیں ہے، بلکہ اس سے سوال پوچھنے کا حق ہے۔
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
اس فلو کے صفائی، ساخت، انڈیکسنگ اور تلاش کے لنکس آج کام کرتے ہیں۔ خود-میزبان ایمبیڈنگ کے ساتھ دوبارہ رینکنگ، اور باہر کی دنیا کے لیے ایک ہی دروازہ، ابھی بھی روڈ میپ پر ہیں؛ ہر قدم نیچے بیان کرتا ہے کہ کون سا کیا ہے۔
Sources are collected
xloji سائٹس، اپ لوڈ کردہ دستاویزات اور کرال شدہ ویب صفحات مواد کے ذرائع ہیں۔ (ورڈپریس پلگ ان اور ایک پبلک انجسشن API روڈ میپ پر ہیں۔)
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.
اساں اپنے سروراں تے ایمبیڈنگ تے ری رینکنگ
ایمبیڈنگ تے ری رینکنگ ہݨ اک وکھ سروس وچ اساں اپنے سروراں تے چلدی اے۔ متن سرور توں باہر کڈیا بغیر وییکٹر وچ تبدیل ہو جاندا اے، تے امیدوار نتائج سچائی ودھان لئی اک مقامی ری رینکر توں لنگھدے نیں۔
کوئری دوبارہ لکھݨ
کھوج چلݨ توں پہلاں اک مبہم یا نامکمل سوال نوں صاف کیتا جاندا اے۔ صارفین نوں "سچّا" سوال کیہݨ دی لوڑھ نئیں اے۔ سسٹم کوئری نوں کھوج لئی تیار کردا اے۔
تصاویر، آڈیو تے ویڈیو توں متن
تصاویر توں متن نکالا جاندا اے تے آڈیو تے ویڈیو دی نقل سرور تے مقامی ٹولز نال چلدی اے، تے نتیجے وچ آݨ والا متن ايسے صفائی تے انڈیکسنگ پائپ لائن وچ داخل ہو جاندا اے۔ ڈیٹا سرور توں باہر نئیں جاندا۔
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.
اجازت تے منظوری دی پرت
Businesses join by their own choice; authentication, key management, rate limiting and abuse protection all live in this layer.
اے آئی (AI) نظر آنے دی پرت
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?
ویکٹر ڈیٹا بیس اور انڈیکس، ہائبرڈ سرچ، ملٹی ٹیننٹ آئیسولیشن، ڈاکومنٹ کلیننگ اور RAG اسٹرکچرنگ، ویب کرالنگ، کسٹم AI ٹولز میں پبلک RAG فیڈ، اور فائل/میڈیا اسٹوریج اب تمام طور پر کام کر رہے ہیں۔ سیلف ہوسٹڈ ایمبیڈنگ، ری رینکنگ، کیوری ری رائٹنگ، ایکسٹرنل ڈور، پرمیشن لیئر، وزیبلٹی لیئر اور ورڈ پریس پلگ ان ابھی تک موجود نہیں ہیں۔
کیا میرا ڈیٹا سرور سے باہر جاتا ہے؟
ہدف یہ ہے کہ RAG پائپ لائن کا ہر قدم مقامی ٹولز کے ذریعے سرور پر چلائے، اور RAG میں داخل ہونے والے کسی بھی میڈیا کو کسی بیرونی سروس کے پاس نہ بھیجا جائے۔ سچی صورتحال یہ ہے کہ: ان میں سے کچھ اقدامات ابھی تک بیرونی سرcorsiوں کے ذریعے سنبھالے جاتے ہیں، اور انہیں ان ہاؤس منتقل کرنا روڈ میپ کا پہلا آئٹم ہے،
روڈ میپ کی خصوصیات کب تک تیار ہوں گی؟
ہم تاریخوں کا وعدہ نہیں کرتے۔ اس صفحے کا مقصد ہی یہی ہے: یہ دکھانا کہ یہ بتانا کہ آج کیا کام کر رہا ہے اور کیا منصوبہ بندی کی گئی ہے۔ جب کوئی آئٹم مکمل ہو جائے تو اسے "آج کام کرنے والے حصوں" کی فہرست میں منتقل کر دیا جاتا ہے۔
کیا میرا مواد AI ٹریننگ کے لیے استعمال یا فروخت کیا جاتا ہے؟
نہیں۔ آج کل ایسا کوئی استعمال نہیں ہے۔ پرمیشنڈ ٹیکسٹ کارپس کا تصور روڈ میپ پر سب سے دور اور قانونی طور پر سب سے زیادہ پیچیدہ آئٹم ہے؛ اگر ایسا ہوتا ہے تو بھی، کسی بھی مواد کو بزنس کی واضح رضامندی کے بغیر استعمال نہیں کیا جائے گا۔
دیگر AI ٹولز کے لیے AI پورٹل پر واپس جائیں۔
اکثر پوچھے گئے سوال
OpenRAG کیا اے؟
OpenRAG، xloji.com دے اپنے سرور تے چلن والا اک RAG (Retrieval-Augmented Generation) سسٹم تے سنگل پوائنٹ AI گیٹ وے اے۔ جڏاں کوئی سوال آندا اے، تاں ایہ پہلے متعلقہ مواد تلاش کردا اے، تے فیر ایہناں مواد دے بنیاد تے اک جواب تیار کردا اے۔ ایہ xloji.com توں باہر دے AI ٹولز نوں xloji.com دی معلومات تک اک واحد نقطے توں رسائی دین والا اک مرکزی گیٹ وے وی اے۔
RAG دا مطلب کیا اے تے OpenRAG ایہنوں کیویں استعمال کردا اے؟
RAG دا مطلب اے 'Retrieval-Augmented Generation'، یعنی تلاش نال ودھایا گیا جنریشن؛ اک AI جواب پیدا کرن توں پہلاں متعلقہ ذرائع توں معلومات تلاش کردا اے، تے فیر ایہ معلومات دے بنیاد تے جواب دیندا اے۔ OpenRAG ایہناں دو قدم، تلاش تے جنریشن، نوں اپنے سرور تے اکٹھا کر کے چلدا اے۔ ایہی وجہ اے کہ OpenRAG دے جواب بے ترتیب نہیں، بلکہ xloji.com دی اصلی معلومات تے مبنی ہُندے نيں۔
'سنگل پوائنٹ AI گیٹ وے' دا مطلب کیا اے؟
سنگل پوائنٹ AI گیٹ وے مطلب اے کہ مختلف AI درخواستاں تے انٹیگریشنز نوں وکھ وکھ سسٹم دے بجائے اک واحد مرکزی نقطے توں پاس کیتا جاندا اے۔ OpenRAG ایہ کردار نبھاندا اے: xloji.com دی اپنی 'سوال پوچھو' خصوصیت تے باہروں جڑن والے AI ٹولز، دونے اکھیان OpenRAG انفراسٹرکچر دے ذریعے سروس حاصل کردے نيں۔ ایہ مرکزی ڈھانچہ AI توں متعلق ٹریفک دا اک نقطے توں انتظام کرنا ممکن بناؤندا اے۔
OpenRAG دا اپنے سرور تے چلنا کیہ فرق پاؤندا اے؟
OpenRAG، کسی تیری پارٹی کلاؤڈ سروس تے انحصار کیتے بغیر xloji.com دے اپنے سرور تے چلدا اے۔ ایہ مطلب اے کہ تلاش کیتی گئی تے پروسیس کیتی گئی معلومات xloji.com دے اپنے کنٹرول وچ رہندی اے۔ اپنے سرور تے چلن والا اک ڈھانچہ ہون دی وجہ توں، OpenRAG باہرلے سسٹمز نوں ڈیٹا منتقل کیتے بغیر اپنے انفراسٹرکچر دے اندر تلاش تے جواب تیار کرن دا عمل جاری رکھدا اے۔
OpenRAG کِسے نوں استعمال کردا اے؟
OpenRAG دے تنّ وکھ وکھ گروپ استعمال کردے نیں: xloji.com تے جا کے 'سوال پُچھو' والے ڈبے وچ لکھݨ والے آخری استعمال کنندہ، xloji.com دا اپنا RAG انفراسٹرکچر پُچھݨ والے سسٹم، تے OpenRAG تے xloji.com دی جانکاری تک رسائی حاصل کرݨ والے باہرلے مصنوعی ذہانت والے ٹولز۔ آخری استعمال کنندہ لئی OpenRAG، اوناں دے پُچھے سوال دا جواب xloji.com دی جانکاری تے مبنی دیندا اے۔ باہرلے ٹولز لئی، OpenRAG xloji.com توں جانکاری کڈݨ لئی ورتݨ والا اک بے معنی دروازہ اے۔
xloji.com تے 'سوال پُچھو' والا ڈبہ OpenRAG نال کیویں کم کردا اے؟
xloji.com تے 'سوال پُچھو' والے ڈبے وچ لکھیا گیا سوال OpenRAG ولوں پروسیس کیتا جاندا اے۔ OpenRAG پہلے سوال نال متعلق جانکاری xloji.com دے اپنے ڈیٹا وچ تلاشدا اے، تے فیر اونہاں جانکاریاں تے مبنی جواب بناندا اے۔ ایدے نال، استعمال کنندہ نوں دتا گیا جواب xloji.com دی سچی جانکاری نال مضبوط ہو جاندا اے۔
باہرلے مصنوعی ذہانت والے ٹولز OpenRAG تے کیویں جانکاری حاصل کردے نیں؟
OpenRAG، xloji.com دے باہر دے مصنوعی ذہانت دے اوزار نوں xloji.com نال جڑیا ہوئے معلومات تک پہنچݨ واسطے اک واحد راہ ویلݨ آلے کم کردا اے۔ ایہ اوزار OpenRAG دے ذریعے جڑ کے xloji.com دے مواد توں وکھرے، خود بخود سمجھݨ لائق جواب حاصل کر سکدے ہن۔ ایس واسطے OpenRAG دے ذریعے دتے گئے جواب، کسے وی ہور پس منظر دی لوڑھ نئیں رکھدے تے خود ہی معنی رکھݨ لائق بݨائے جاندے ہن۔
OpenRAG دیاں حد بندی کیا ہن؟
OpenRAG دے دتے جواب اس نوں ملݨ والے مواد تک محدود ہن؛ سسٹم وچ موجود نہ ہون یا شامل نہ کیتی گئی کسے وی معلومات بارے OpenRAG ٹھیک جواب نہ دیس سکیگا۔ OpenRAG، غیر موجود معلومات نوں بناون دی بجائے اپنے موجود مواد تک محدود رہݨ دا ارادہ رکھدا اے۔ ایس واسطے OpenRAG توں ملݨ والے جواب دا، xloji.com دے موجود مواد تک محدود ہون دا خیال رکھݨ ضروری اے۔
کیا OpenRAG اک چیٹ بوٹ اے؟
OpenRAG، کلاسیکی معنوں وچ اک خود مختار چیٹ بوٹ نئیں اے؛ ایہ xloji.com دی 'سوال پوچھو' خصوصیت تے خارجی اوزاراں دی معلومات تک رسائی دے پِچھے کم کرݨ آلا اک RAG تے گیٹ وِساخ اے. OpenRAG دا اصلی کم، کسے سوال دے مطابق مواد تلاش کرنا تے اِکّو مواد تے مبنی جواب پیدا کرنا اے. اِیں حالت وچ OpenRAG، براہِ راست صارف نال گل بات کرݨ والے انٹرفیس توں ودھ، جواباں دے پِچھے کم کرݨ آلی وساخ پرت وجوں کم کردا اے.
OpenRAG دا xloji.com لئی مقصد کیݙا اے؟
OpenRAG دا مقصد، xloji.com نال متعلق معلومات نوں آخرالذیلی صارفین تے خارجی مصنوعی ذہانت اوزاراں دے لئی اک قابل اعتماد تے اپنے کنٹرول وچ وساخ دے ذریعے رسائی فراہم کرنا اے. آپݨے سرور تے کم کرݨ دی وجہ توں، اِیں رسائی دا وقوع تھرڈ پارٹی سسٹمز تے منحصر نئیں رہندا. سنگل گیٹ وساخ ڈھانچے دی وجہ توں OpenRAG، مختلف رسائی پوائنٹس نوں اکّو مرکزی نظام وچ یکجا کردا اے.
OpenRAG بارے تفصیلی معلومات
OpenRAG، xloji.com دے اپنے سرور تے چلݨ والا RAG (Retrieval-Augmented Generation) سسٹم اے، اِے نال نال ایہ مصنوعی ذہانت نال متعلق درخواستاں نوں اک واحد مقام توں گزرݨ والا AI گیٹ وے وی اے۔ اِہدے ناں وچ 'Open' لفظ دا مطلب اے کہ سسٹم باہروں لئی کھلا تے رسائی دے قابل ڈھانچہ پیش کردا اے، 'RAG' لفظ دا مطلب اے کہ جواب پیدا کردے ہوئے پہلے متعلقہ ڈیٹا لبھݨا تے فیر اِے ڈیٹا دے مطابق جواب بنانا اے۔ xloji.com تے 'سوال پوچھو' باکس وچ لکھیا گیا سوال پہلے OpenRAG ولوں متعلقہ مواد وچ تلاش کیتا جاندا اے، فیر لبھے گئے اِے مواد دے مطابق جواب تیار کیتا جاندا اے۔ اِے ہی انفراسٹرکچر، xloji.com توں باہر دے مصنوعی ذہانت ٹولز نوں OpenRAG دے ذریعے xloji.com دے متعلق معلومات تک رسائی حاصل کرݨ تے اِیں معلومات نوں اپنے جواباں وچ ورتݨ دی اجازت وی دیندا اے۔ اِے ڈھانچے نال xloji.com اپنے مختلف پراڈکٹس لئی وکھ وکھ مصنوعی ذہانت حل قائم کرݨ دی بجائے، اک واحد مرکزی انفراسٹرکچر دے ذریعے سروس دیندا اے۔
RAG نقطہ نظر دا بنیادی منطق اے کہ مصنوعی ذہانت دا سسٹم صرف پہلے توں تربیت حاصل عام معلومات تے انحصار نا کرے۔ بلکہ سوال نال متعلق تازہ تے درست مواد نوں پہلے اک ذریعے توں حاصل کرݨا تے فیر اِے مواد دی روشنی وچ جواب دینا اے۔ OpenRAG اِیں دو اقدامات نوں، یعنی لبھݨا (retrieval) تے پیدا کرنا (generation) اقدامات نوں، اپنے سرور تے اکٹھا کر کے چلاؤندا اے۔ اِے نقطہ نظر، مصنوعی ذہانت ماڈلز دی بعض اوقات غیر موجود معلومات پیدا کرݨ دی رجحان نوں گھٹاؤݨ دا مقصد رکھدا اے؛ کیونجے جواب ماڈل دی اپنی یادداشت توں نا بلکہ، اصل وچ لبھے گئے مواد توں نکلدا اے۔ اِیں طرح OpenRAG دے دتے جواب بے ترتیب یا پرانی معلومات تے نا بلکہ، xloji.com دے اپنے مواد تے مبنی ہُندے نیں۔ اِیں طرح OpenRAG دے پیدا کیتے گئے جواب دا ذریعہ، xloji.com دا اپنا ڈیٹا دے طور تے ٹریک کیتا جا سکدا اے۔ سرور دا xloji.com دا ہونا، دا مطلب اے کہ تلاش کیتے گئے تے پروسیس کیتے گئے ڈیٹا نوں کسے تریجے پارٹی کلاؤڈ سروس تے انحصار نا کرݨ دی بجائے xloji.com دے اپنے کنٹرول وچ رکھیا جاندا اے۔
OpenRAG دا 'سنگل ڈور AI گیٹ وے' پہلو، مختلف مصنوعی ذہانت درخواستاں تے انٹیگریشن نوں وکھ وکھ سسٹمز دی بجائے اک واحد مرکزی داخلہ پوائنٹ توں روانہ کرنا اے ۔ اِیں طرح xloji.com دی اپنی 'سوال پوچھو' خصوصیت تے OpenRAG دے ذریعے جڑݨ والے باہرلے ٹولز، اک ہی انفراسٹرکچر تے اک ہی بنیادی منطق دا استعمال کردے نیں۔ اک مرکزی گیٹ وے ڈھانچے دے طور تے OpenRAG، مصنوعی ذہانت نال متعلق ٹریفک نوں اک واحد مقام توں گزرݨ دی اجازت دیندا اے؛ اِے نال جواباں دی یکسانیت تے اپنے سرور تے چلݨ والے سسٹم دے طور تے ڈیٹا تے کنٹرول ودھ جاندا اے۔ اِے سنگل پوائنٹ نقطہ نظر، اِے وی مطلب رکھدا اے کہ دیکھ بھال تے اپڈیٹس نوں منتشر سسٹمز دی بجائے اک ہی جگہ تے کیتا جا سکدا اے۔ OpenRAG اِیں لحاظ نال صرف اک سوال-جواب ٹول نا اے، بلکہ xloji.com دے مصنوعی ذہانت نال متعلق تمام رسائی پوائنٹس نوں اکٹھا کرݨ والا اک انفراسٹرکچر پرت اے۔
OpenRAG نوں تن وکھ وکھ صارف گروہ براہ راست یا بالواسطہ طور تے استعمال کردے نیں: xloji.com نوں وزٹ کرݨ والے تے 'سوال پوچھو' باکس وچ لکھݨ والے آخری صارف، xloji.com دا اپنا RAG انفراسٹرکچر پوچھݨ والے سسٹمز، تے OpenRAG دے ذریعے xloji.com دے متعلق معلومات تک رسائی حاصل کرݨ والے باہرلے مصنوعی ذہانت ٹولز۔ اِیں تن صارف گروہاں نوں اک ہی OpenRAG انفراسٹرکچر، اک ہی مواد پول توں کھانا ملدا اے؛ اِیں لئی xloji.com دے بارے وچ کِتھوں سوال کِتا جاوے، اک مستقل معلومات دا ذریعہ حاصل کیتا جاندا اے۔ OpenRAG دے دتے جواب اِسے نوں فراہم کیتے گئے مواد تک محدود نیں؛ یعنی سسٹم وچ موجود نا ہوݨ والی یا اِے دے سرور تے شامل نا کیتی گئی معلومات دے بارے وچ OpenRAG توں کوئی قطعی جواب متوقع نا ہونا چاہیدا اے۔ اِے حد، اِے ہی وقت اُتے OpenRAG دی وشواس یگت دی بنیاد وی اے۔ غیر موجود معلومات نوں گھڑݨ دی بجائے، اِے دے ہتھ وچ موجود مواد تک محدود تے اِے مواد تے مبنی جواب پیدا کرݨ دا مقصد رکھدا اے۔