🧠 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.
Биһиэхэ сервербытыгар туттуллуур уонна уларытыллыыр
Текст вектордарга кубулуйуута уонна уларытыллыыта биһиэхэ сервербытыгар ураты сервэскэ туттуллар. Текст сервертан тахсыманы аҕыс, вектордарга кубулуйар, уонна наадалаах өйдөбүллэр локальнай уларытыыттан ааһар, онно төгүлүнү ууруоҕу иһэринэн.
Кэпсиир уларытыыта
Кэпсиир туох эрэ улаатыма, эбэтэр бүтүн эрэ буолбат буоллаҕына, ханныытыгар түһэрэригэр өссө уларытыллар. Кэлэҥҥэ сураахтыыр киһи "туох эрэ" диэн сураахтыыр кыахтаах, система кэпсиири ханныытыгар түһэрэриттэн өссө уларытыллар.
Сураҕы, аудио уонна видеотан текст
Сураҕыттан текст уонна аудио уонна видеотан тыл тылдьытыы серверыгар локальнай туттуллуутанан оҥороллор, уонна тахсыахтаах текст сэргэ уонна иккис уонна ааһар. Кэлимэ сервертан тахсыма.
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.
Ирэр уонна сөптөөх кыахтаах ситим
Businesses join by their own choice; authentication, key management, rate limiting and abuse protection all live in this layer.
Искусственный интеллект көстөр ситим
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?
Вектордук база данных уонна индекс, гибридтэниик килии, элбэх туттуурдаах тутулуга, докумуону таһаарыы уонна RAG структурирование, веб-кэрчии, саҥа AI инструменнарга общественнай RAG корм, уонна файл/медиа хранилище бүгүнтүгүтүөннэ барыта үлэлии сылдьар. Өбүгэлэниитиг эмбеддинг, переранжирование, кэрчиигэ суруйуу, тас дьоруобуйа, кэлэтиини уонна көстүү тутулуга, WordPress плагина олус да биирдэ суоххо.
Миэхэ датым тас дьоруобуйаҕа тахсаарыы буолуоҕа?
Быһаарыы, RAG процессин бүтээн бүтэн, серверга баар локальнай инструменнарга үлэлии, биир да медиа RAG-га тас дьоруобуйаҕа ыытыллыма. Чыннык статус: бу процеска баар уонна бүгүнтүгүтүөннэ тас дьоруобуйалар бааллар, уонна бу процесты иһиэххэ бастакы уонна сүрүн быһыылаах.
Roadmap-ка баар функциялар хаһыаннарга буолуоҕа?
Билиҥҥи кэмҥэ биһи кэмнэри суруйабыс. Бу аатынан, биһи бүгүнтүгүтүөннэ үлэлиир уонна пландаатыыр барытын арааран көрдөрөбүт. Элбэх процеска бүтэн баран, "бүгүнтүгүтүөннэ үлэлиир барыстарга" киирэрин биллэрэбит.
Миэхэ контент AI үөрэтиигэ туттуллуоҕа дуу, уонна атыылааҕа дуу?
Суох. Бүгүнтүгүтүөннэ бу курдук туттуллубат. Кэлэтиини ылларар текст корпускуйа roadmap-ка баар уонна юридически уустугурбут быһыылаах; бу буолуон баҕарыллар даҕаны, бизнес ааҕыыта суох контент туттуллума.
AI порталга төннүҥ, атын AI инструменнарга.
Көмүс курдук ыйытыылар
OpenRAG диэн мии?
OpenRAG, xloji.com саайабын кытта үлэниэххэ RAG (Retrieval-Augmented Generation) системата уонна AI хайысхатын аһаарбыт пуута. Хайысха киирбитин кэнниттэн, онно баар маны таhынан информацияны булуон, онтон бу информацияны туттан хоруоһуҥҥа быhаарыыны оҥорон таһааран. Маннык курдук, xloji.com кытта сибээстээх суох AI куруhуолара xloji.com информациятыгар баар пуутунан хайысхалара киирэрин хааччыйар.
RAG диэн мии? OpenRAG буну туох гынан туттуон?
RAG, 'Retrieval-Augmented Generation' диэн булуллуннан эбии хоруоһуҥҥа киириини биллэрэр; AI хоруоһуҥҥа быhаарыыны оҥороруоҕуттан иннэр, онно баар маны таhынан информацияны хайаан, онтон бу информацияны туттан быhаарыыны оҥорон таһааран. OpenRAG бу икки бас гынан, хайаан уонна оҥорооччу бас гынан, саайабын кытта үлэниэххэ туттуон. Оннук гынан, OpenRAG быhаарыылара суруйа суох, xloji.com информациятыгар олоҕуран буолаллар.
'Хаҥас пуута AI хайысхата' диэн мии?
Хаҥас пуута AI хайысхата, араас AI хайысхалара уонна интеграциялара тус-туһунан системаларга буолбакка, хаҥас бас гынан киириини биллэрэр. OpenRAG бу роһуну ылыан: xloji.com 'Хайысхалааҥ' функцията уонна тас AI куруhуолара, барыта OpenRAG инфраструктуратынан үлэлииллэр. Бу бас гынан, AI хайысхатынан улахан трафик бас гынан салайыллаан.
OpenRAG саайабын кытта үлэниэххэ буолбутун туох уларытаарый?
OpenRAG, тас облак кыhылыгар сүүспүт буолбакка, xloji.com саайабын кытта үлэниэххэ буолар. Бу, хайаан уонна үлэниллибит информация xloji.com бас гынан хааччыйарын биллэрэр. Саайабын кытта үлэниэххэ буолан, OpenRAG тас системаларга информацияны уонна хоруоһуҥҥа быhаарыыны оҥорооччу бас гынан оҥорон таһааран.
OpenRAG-ы ким туттуохха?
OpenRAG-ы үс өҥнөөҥҥэ туттуллар: xloji.com веб-сиһи уонна 'Сураҕыҥ баар буоллаҕына' буттуга суруйааччы эбии тыл тылдьыттара, xloji.com састаабыгар RAG инфраструктуратын кытта итэҕэстииллэрэ, уонна OpenRAG эбии xloji.com информациятыгар тиийэр тас AI инструменттара. Эбии тыл тылдьыт иһин OpenRAG, ыллаан турар сураҕыгар xloji.com ситиһиитигэр олоҕуран хоруоһуруон. Тас инструменттарга OpenRAG xloji.com-тан информацияны ылаабыт туолуур кыахтаах буолар.
xloji.com веб-сиһитигэр 'Сураҕыҥ баар буоллаҕына' бут OpenRAG-ы кытта туһаннарар?
xloji.com веб-сиһитигэр суруллубут сураҕы OpenRAG улаатыыр. OpenRAG баста сураҕы кытта холбоһуулаах ситиһиилэри xloji.com өҥнөөҕүттэн хайаабыр, онтон бу ситиһиилэринэн хоруоһуруон. Манна эбии тыл тылдьыт xloji.com өҥнөөҕүттэн олоҕуран хоруоһуруон.
Тас AI инструменттара OpenRAG эбии информацияны хайдах ылаллар?
OpenRAG xloji.com уонна тас AI инструменттара xloji.com информациятыгар тиийэрэ иһин атын атын ааттаах буолар. Бу инструменттара OpenRAG эбии холбоһуулаах xloji.com ситиһиитэ кытта атын контекстэ суох, өҥнөөҕүттэн хоруоһуруон. Оннук буолан, OpenRAG эбии биэрэр информация, атын контекстэ суох өҥнөөҕүттэн хоруоһуруон.
OpenRAG-ы туох уонна туох кыахтаабат?
OpenRAG биэрэр хоруоһуруон атын ситиһиилэринэн улаатыыр; системаҕа суох эбэтэр эбии эбии тылдьытыгар киллэрбэтэх информация туһунан OpenRAG хоруоһуруон. OpenRAG суох информацияны уонна уонна эбии тылдьытыгар улаатыыр. Оннук буолан, OpenRAG-тан ылан хоруоһуруон, xloji.com олус улаатыыр ситиһиитэ уонна улаатыыр.
OpenRAG чат бот буоллаҕына?
OpenRAG, классикалык уратыта суhуhуйун чат-бот буолбат; xloji.com уонна тас оҥоһуу куратыылар билиилэрин хайааннарарга туттуллар RAG уонна хааччыйа инфраструктурата буолар. OpenRAG сүрүн үлэтэ, биир ыйытыыга сөптөөх маны таhыы уонна бу маны аналлаах эппиэтиини оҥороо буолар. Бу көрүҥҥэ OpenRAG, туттуур кыахтаах интерфейска хатылаата охсуоҕуй, эппиэтиини оҥоруу инфраструктуратын уонна хааччыйатын курдук үлэлиир.
OpenRAG xloji.com иччитин туhунан туохха наада?
OpenRAG xloji.com билиилэрин эбиитин-эбиллэрин, эбэтэр тас AI куратыыларын ити билиилэрин ситиһиилэрин хааччыйарга уонна итэҕэтиллээх уонна бэрээдэккэ киирсэр инфраструктураны туттан оҥорорга аналланар. Кэлин серверигар үлэлиирэ, бу ситиһиини тас системаларга тутулуга суох оҥорор. Хааччыйа хааччыйата буолан, OpenRAG ситиһии пуондаларын биирдэ уонна центральнай системаҕа холбонор.
OpenRAG туhунан кэҥэ информация
OpenRAG, xloji.com улахан сервере үлэлиэх RAG (Retrieval-Augmented Generation) системата буолар, уонна бу да AI-га сыһыаннаах эрэйилэниилэри биирии уонна баһылааһын биир сириттэн барар AI хаҥыыта буолар. Аатыгар баар 'Open' диэн тыл система хаҥыыта уонна туттуллуур буолун, 'RAG' диэн тыл эттэриини үөскэтэрэр кэмҥэ сөптөөх матырыйааллары булан, онтон бу матырыйаалларга олоҕуран эттэриини үөскэтэрэ билсиин. xloji.com веб-сайтыгар баар 'Сураах биэр' хапсыһыыга суруллубут сураах баста OpenRAG-нан сөптөөх матырыйаалларга ахталарар, онтон бу матырыйаалларга олоҕуран эттэрии үөскэтэр. Бу курдук инфраструктура xloji.com веб-сайтыттан хайаан да AI курустара OpenRAG-тан xloji.com матырыйаалларынан баһылааһын уонна эттэриилэригэр туттуллуннарар. Бу структура xloji.com араас продукцияларыгар атын-атын AI эрэйилэниилэрин оҥорор сиһиннэригэр, биирдэ биир улахан инфраструктураны туттуллуннарар.