🧠 OpenRAG
OpenRAG är en RAG-plattform som rensar och strukturerar ett företags innehåll, indexerar det på vår egen server och gör det frågbart på naturligt språk av externa AI-system genom en enda behörighetsstyrd dörr.
Vektorer publiceras inte; ÅTKOSTN öppnas.
Detta är en produktintroduktion, inte en lista över löften. Nedan är de delar som fungerar idag och de delar som fortfarande finns på vägkartan markerade separat. Inga datum utlovas för vägkartsartiklar; när de är slutförda flyttas de till avsnittet "fungerar idag".
Den grundläggande principen
Hela OpenRAG:s design vilar på en enda mening: vektorer publiceras inte, åtkomst öppnas. Vad som ges utåt är inte en kopia av innehållet, utan rätten att ställa frågor till det.
En vektor är en motor, inte en produkt
En vektor är specifik för den modell som producerade den; en annan AI kan inte konsumera den som den är. Den ökar också texten många gånger om. Det är därför vektorer aldrig delas ut.
Vad som öppnas är frågeåtkomst
En fråga kommer in; ett svar och de källpassager det vilar på går tillbaka ut. Hela innehållet kopieras, distribueras eller laddas aldrig ner.
Behörigheten tillhör företaget
Företaget bestämmer vilket innehåll som blir externt frågbart; deltagande är frivilligt. Behörighets- och samtyckeslagret finns på vägkartan.
Hur det fungerar — målararkitektur
Rengörings-, strukturerings-, indexerings- och söklänkarna i detta flöde fungerar idag. Självhostad inbäddning med omrankning och den enda dörren till omvärlden finns fortfarande på vägkartan; varje steg nedan anger vilken som är vilken.
Källor samlas in
xloji-webbplatser, uppladdade dokument och genomsökta webbsidor är innehållskällorna. (En WordPress-plugin och ett offentligt inmatnings-API finns på vägkartan.)
Det rensas och struktureras
Rörigt innehåll rensas, delas upp i meningsfulla bitar och förs in i en form som RAG kan använda. Detta steg fungerar idag.
Det indexeras och söks
Bitarna omvandlas till vektorer och skrivs till pgvector; de hittas via ett HNSW-index och hybridsökning (nyckelord + vektor). Detta steg fungerar idag; att lägga till omrankningslänken finns på vägkartan.
Det nås genom en enda dörr
Externa AI-system frågar på naturligt språk genom en enda behörighetsstyrd dörr; svar och källpassager kommer tillbaka, inte vektorerna själva. Denna dörr finns ännu inte; den finns på vägkartan.
Delar som fungerar idagLive
Följande körs på plattformen idag och används redan av AI-verktygen på xloji.com.
pgvector + HNSW-index
Innehållsbitar lagras som vektorer i databasen och söks med ett HNSW-index över cosinuslikhet.
Hybridsökning
Nyckelordssökning och vektorsökning körs tillsammans; de två resultatlistorna slås samman till en enda rankning. Detta hittar både exakta termmatchningar och semantiskt nära passager.
Multi-tenant-isolering
Varje företag, webbplats och författare har sin egen RAG. En fråga körs endast mot sin egen tenants index; data blandas aldrig mellan tenants.
Dokumentrensning och RAG-strukturering
Uppladdade dokument rensas, delas upp och struktureras för RAG. Verktyget för datastrukturering på plattformen är användargränssnittet för denna pipeline.
Webbcrawling
En webbplats sidor genomsöks, deras innehåll extraheras och skickas genom samma rengörings- och indexeringspipeline.
Offentligt RAG-flöde i anpassade AI-verktyg
Ett anpassat AI-verktyg du skapar kan matas från en offentlig RAG-källa; verktyget grundar sina svar i den kunskapsbasen.
Fil- och medielagring
Filer och media finns i objektlagring — inte i vektorbutiken. RAG-posten pekar tillbaka till den ursprungliga filen.
Inbäddning och omrankning på våra egna servrar
Inbäddning och omrankning körs nu på våra egna servrar i en separat tjänst. Text omvandlas till vektorer utan att lämna servern, och kandidatsökresultat passerar genom en lokal omrankerare för att förbättra noggrannheten.
Frågeomskrivning
En vag eller ofullständig fråga rensas upp innan sökningen körs. Användare behöver inte formulera den "rätta" frågan; systemet gör frågan sökredo.
Text från bilder, ljud och video
Textutvinning från bilder och transkribering av ljud och video körs med lokala verktyg på servern, och den resulterande texten går in i samma rengörings- och indexeringspipeline. Data lämnar inte servern.
Vad som finns på vägkartanPlanerat
Följande finns ännu inte. De är planerade och designade artiklar; denna sida presenterar dem inte som om de redan var byggda.
Den enda dörren: MCP / API-gateway
En enda gateway som externa AI-system kan fråga på naturligt språk. En AI som ansluter en gång når varje deltagande företag genom samma dörr.
Behörighets- och samtyckeslager
Företag ansluter sig på eget val; autentisering, nyckelhantering, hastighetsbegränsning och missbruksskydd finns alla i detta lager.
AI-synlighetslager
Att göra innehåll maskindiskoverbart via llms.txt, /.well-known/ och schema.org-märkning, plus registrering i MCP-register. Det finns ingen magisk automatisk upptäckt; synlighet byggs på detta sätt.
WordPress-plugin
En plugin som låter en WordPress-webbplats skicka sitt innehåll till OpenRAG och få tillbaka en slutpunkt som AI-system kan fråga.
Vi ger inga datum för dessa artiklar. När en artikel är klar flyttas den upp i listan "delar som fungerar idag", och denna sida uppdateras därefter.
🔒 Data lämnar inte servern
OpenRAG:s mål är att köra varje steg i RAG-pipelinen på vår egen server med lokala, fria verktyg: inbäddning, omrankning, textextrahering från bilder och ljudtranskription. Inga media som kommer in i RAG skickas till en extern tjänst — detta är en icke-förhandlingsbar designregel.
Den ärliga statusen: vissa av dessa steg utförs fortfarande av externa tjänster idag. Att flytta dem inåt är den första punkten på vägkartan.
Hur tillväxt planeras
Vektorsökning blir dyrare när innehållet växer. OpenRAG:s design begränsar den kostnaden från början på tre sätt.
Det finns inget enda jätteindex
Varje företag har sitt eget lilla index och en fråga körs endast mot det indexet. Även när det totala innehållet växer, förblir det område en enskild fråga skannar litet; sökkostnaden skalas med den storleken på det enskilda företaget, inte med plattformens totala storlek.
Vektorstorlek och precision är justerbara
Genom att använda kortare vektordimensioner och mer kompakta talformat tar samma innehåll upp märkbart mindre utrymme. Dessa val är inbyggda i designen från början så att ingen dyr migrering behövs senare.
Kallt lager
Indexet för ett företag som inte har frågats på länge flyttas till billig persistent lagring och hämtas tillbaka när en fråga anländer för det. På så sätt stannar endast aktuellt aktivt innehåll i snabbt minne. Detta lager finns på vägkartan.
Vanliga frågor
Vad är egentligen OpenRAG?
Det är en RAG-plattform som rensar och strukturerar ett företags innehåll, indexerar det på vår egen server och gör det frågbart på naturligt språk av externa AI-system genom en enda behörighetsstyrd dörr. Det är inte ett chattverktyg; det är kunskapslagret som körs under sådana verktyg.
Delar ni mina vektorer eller mitt innehåll med någon annan?
Nej. Den grundläggande principen är: vektorer publiceras inte, åtkomst öppnas. Vad som går utåt är inte en kopia av innehållet utan rätten att ställa frågor till det; endast de stödjande passagerna kommer tillbaka med svaret. Dessutom bestämmer företaget vilket innehåll som blir externt frågbart.
Vad kan faktiskt användas idag?
Vektordatabasen och indexet, hybrid sökning, multi-tenant isolering, dokumentrensning och RAG-strukturering, webbcrawling, det offentliga RAG-flödet i anpassade AI-verktyg och lagring av filer/media fungerar alla idag. Självhostad inbäddning, omrankning, frågeomskrivning, den externa dörren, behörighetslagret, synlighetslagret och WordPress-pluginet existerar ännu inte.
Lämmnar min data servern?
Målet är att varje steg i RAG-pipeline ska köras med lokala verktyg på servern, utan att någon media som går in i RAG någonsin skickas till en extern tjänst. Den ärliga statusen: vissa av dessa steg hanteras fortfarande av externa tjänster idag, och att flytta dem internt är den första punkten på vägkartan.
När kommer funktionerna på vägkartan att vara klara?
Vi lovar inga datum. Det är precis syftet med denna sida: att visa separat vad som fungerar idag och vad som är planerat. När en punkt är slutförd flyttas den till listan "delar som fungerar idag".
Används eller säljs mitt innehåll för AI-träning?
Nej. Det finns inget sådant användningsområde idag. Idén om en tillståndsgiven textkorpus är det mest avlägsna, juridiskt tyngsta objektet på vägkartan; även om det händer, skulle inget innehåll användas för det utan företagets uttryckliga samtycke.
Gå tillbaka till AI-portalen för de andra AI-verktygen.
Vanliga frågor och svar
Vad är OpenRAG?
OpenRAG är ett RAG (Retrieval-Augmented Generation)-system och en AI-gateway som körs på xloji.com:s egen server. När en fråga kommer, söker den först efter relevant innehåll och genererar sedan ett svar baserat på detta innehåll. Det fungerar också som en central gateway som gör att AI-verktyg utanför xloji.com kan komma åt information som tillhör xloji.com från en enda punkt.
Vad betyder RAG och hur implementerar OpenRAG det?
RAG står för 'Retrieval-Augmented Generation', vilket betyder generering förstärkt med hämtning; en AI söker information från relevanta källor innan den genererar ett svar, och skapar sedan svaret baserat på denna information. OpenRAG kör dessa två steg, sök- och genereringsstegen, tillsammans på sin egen server. Därför är svaren från OpenRAG inte slumpmässiga, utan baserade på faktiskt innehåll som tillhör xloji.com.
Vad betyder 'enkel AI-gateway'?
Enkel AI-gateway innebär att olika AI-förfrågningar och integrationer passerar genom en enda central ingångspunkt istället för separata system. OpenRAG tar på sig denna roll: både xloji.com:s egen funktion 'Ställ en fråga' och AI-verktyg som ansluts från utsidan får service via samma OpenRAG-infrastruktur. Denna centrala struktur möjliggör hantering av AI-relaterad trafik från en enda punkt.
Vad är skillnaden med att OpenRAG körs på en egen server?
OpenRAG körs på xloji.com:s egen server utan att vara beroende av en tredjeparts molntjänst. Detta innebär att data som söks efter och bearbetas förblir under xloji.com:s egen kontroll. Som en struktur som körs på en egen server utför OpenRAG sök- och svarsproduktionsprocesserna inom sin egen infrastruktur utan att överföra data till externa system.
Vem använder OpenRAG?
OpenRAG används av tre olika grupper: slutanvändare som besöker xloji.com och skriver i rutan 'Ställ en fråga', system som frågar xloji.com:s egen RAG-infrastruktur och externa AI-verktyg som får tillgång till information om xloji.com via OpenRAG. För slutanvändaren returnerar OpenRAG ett svar baserat på innehållet på xloji.com. För externa verktyg är OpenRAG en kontextfri dörr som används för att hämta information från xloji.com.
Hur fungerar rutan 'Ställ en fråga' på xloji.com med OpenRAG?
En fråga som skrivs i rutan 'Ställ en fråga' på xloji.com bearbetas av OpenRAG. OpenRAG söker först efter innehåll relaterat till frågan inom xloji.com:s egen data, och skapar sedan ett svar baserat på detta innehåll. På så sätt stöds svaret som ges till användaren av faktiskt innehåll från xloji.com.
Hur får externa AI-verktyg information via OpenRAG?
OpenRAG fungerar som en enda gateway för AI-verktyg utanför xloji.com för att få tillgång till information om xloji.com. Dessa verktyg kan ansluta via OpenRAG och få kontextfria, självförklarande svar från xloji.com:s innehåll. Därför är informationen som tillhandahålls via OpenRAG utformad för att vara meningsfull i sig själv utan att kräva ytterligare kontext.
Vilka är begränsningarna för OpenRAG?
Svaren som OpenRAG ger är begränsade till det innehåll som tillhandahålls för det; OpenRAG kan inte generera ett definitivt svar på information som inte finns i systemet eller har lagts till. OpenRAG är utformad för att hålla sig inom ramen för befintligt innehåll istället för att hitta på information som inte finns. Därför bör man komma ihåg att ett svar som erhålls från OpenRAG är begränsat till det innehåll som xloji.com har för tillfället.
Är OpenRAG en chattbot?
OpenRAG är inte en fristående chattbot i klassisk mening; det är en RAG- och gateway-infrastruktur som driver 'Ställ en fråga'-funktionen på xloji.com och tillgången till information via externa verktyg. OpenRAG:s kärnfunktion är att hitta innehåll som svarar på en fråga och generera ett svar baserat på detta innehåll. I detta avseende fungerar OpenRAG mer som ett infrastrukturlager bakom svaren än ett gränssnitt som chattar direkt med användaren.
Vad är syftet med OpenRAG för xloji.com?
Syftet med OpenRAG är att göra det möjligt för både slutanvändare och externa AI-verktyg att få tillgång till information som tillhör xloji.com via en pålitlig och kontrollerad infrastruktur. Genom att köras på egen server säkerställs att denna åtkomst sker utan beroende av tredje part-system. Tack vare sin single gateway-struktur kombinerar OpenRAG olika åtkomstpunkter i ett enda centralt system.
Detaljerad information om OpenRAG
OpenRAG är ett RAG-system (Retrieval-Augmented Generation) som körs på xloji.com:s egen server och fungerar samtidigt som en AI-gateway som kanaliserar alla AI-relaterade förfrågningar genom en enda punkt. 'Open' i namnet indikerar att systemet har en öppen och tillgänglig struktur, medan 'RAG' syftar på arbetsmetoden där systemet först hittar relevant data och sedan genererar ett svar baserat på denna data. En fråga som skrivs i rutan 'Ställ en fråga' på xloji.com söks först efter relevant innehåll av OpenRAG, och därefter genereras ett svar baserat på det innehåll som hittats. Samma infrastruktur gör det möjligt för AI-verktyg utanför xloji.com att få tillgång till information som tillhör xloji.com via OpenRAG och använda denna information i sina egna svar. Denna struktur gör det möjligt för xloji.com att tillhandahålla tjänster via en enda central infrastruktur istället för att sätta upp separata AI-lösningar för olika produkter.
Grundlogiken i RAG-metoden är att ett AI-system, istället för att enbart lita på den generella kunskap det tränats på i förväg, först hämtar aktuellt och korrekt innehåll relaterat till frågan från en källa och sedan svarar i ljuset av detta innehåll. OpenRAG kombinerar och kör dessa två steg, det vill säga sökning (retrieval) och generering (generation), på sin egen server. Detta tillvägagångssätt syftar till att minska AI-modellernas tendens att ibland generera information som inte existerar; eftersom svaret inte härleds från modellens eget minne, utan från ett faktiskt hittat innehåll. På så sätt baseras OpenRAG:s svar inte på slumpmässig eller föråldrad information, utan på xloji.com:s eget innehåll. Därmed förblir källan till ett svar som genereras av OpenRAG spårbar som xloji.com:s egen data. Att servern tillhör xloji.com innebär att den sökta och behandlade datan hålls under xloji.com:s egen kontroll, utan att vara beroende av en tredjeparts molntjänst.
OpenRAG:s sida som 'AI-gateway med en enda dörr' innebär att olika AI-förfrågningar och integrationer styrs genom en enda central ingångspunkt istället för separata system. På så sätt använder både xloji.com:s egen funktion 'Ställ en fråga' och externa verktyg som ansluter via OpenRAG samma infrastruktur och samma grundlogik. Som en central gateway-struktur säkerställer OpenRAG att AI-relaterad trafik passerar genom en enda punkt; vilket ökar både konsekvensen i svaren och kontrollen över datan som ett system som körs på den egna servern. Detta tillvägagångssätt med en enda punkt gör det också möjligt att utföra underhåll och uppdateringar på ett ställe istället för i utspridda system. I denna mening är OpenRAG inte bara ett verktyg för frågor och svar, utan ett infrastrukturlager som förenar alla av xloji.com:s åtkomstpunkter relaterade till AI.
Tre olika användargrupper använder OpenRAG direkt eller indirekt: slutanvändare som besöker xloji.com och skriver i rutan 'Ställ en fråga', system som frågar xloji.com:s egen RAG-infrastruktur och externa AI-verktyg som får tillgång till information som tillhör xloji.com via OpenRAG. Alla dessa tre användargrupper får svar som matas från samma OpenRAG-infrastruktur och samma innehållspool; därför nås en konsekvent informationskälla oavsett varifrån man frågar om xloji.com. Svaren som OpenRAG ger är begränsade till det innehåll som tillhandahålls; det vill säga att man inte bör förvänta sig ett definitivt svar från OpenRAG om information som inte finns i systemet eller inte har lagts till på dess egen server. Denna gräns utgör samtidigt grunden för OpenRAG:s tillförlitlighet: istället för att hitta på information som inte existerar, strävar det efter att generera svar som är begränsade till och baserade på det innehåll det har tillgång till.