🧠 OpenRAG
OpenRAG เป็นแพลตฟอร์ม RAG ที่ทำความสะอาดและจัดโครงสร้างเนื้อหาของธุรกิจ ทำการจัดทำดัชนี บนเซิร์ฟเวอร์ของเราเอง และทำให้สามารถสืบค้นได้ด้วยภาษาธรรมชาติโดยระบบ AI ภายนอกผ่าน ประตูเดียวที่ได้รับอนุญาต
Vectors are not published; ACCESS is opened.
นี่คือการแนะนำผลิตภัณฑ์ ไม่ใช่รายการคำสัญญา ด้านล่าง ส่วนที่ใช้งานได้ในปัจจุบันและส่วนที่ยังอยู่ในแผนงานจะถูกทำเครื่องหมายแยกกัน ไม่มีวันที่สัญญาสำหรับรายการในแผนงาน เมื่อเสร็จสมบูรณ์จะย้ายไปที่ส่วน "ใช้งานได้ในปัจจุบัน"
หลักการสำคัญ
การออกแบบทั้งหมดของ OpenRAG อยู่บนประโยคเดียว: เวกเตอร์จะไม่ถูกเผยแพร่ การเข้าถึงจะถูกเปิดใช้งาน สิ่งที่มอบให้ภายนอกไม่ใช่สำเนาของเนื้อหา แต่เป็นสิทธิ์ในการถามคำถาม
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.
วิธีการทำงาน — สถาปัตยกรรมเป้าหมาย
การเชื่อมโยงการทำความสะอาด การจัดโครงสร้าง การทำดัชนี และการค้นหาของการไหลนี้ทำงานได้ในปัจจุบัน การฝังตัวแบบโฮสต์เองพร้อมการจัดอันดับใหม่ และประตูเดียวสู่โลกภายนอก ยังอยู่ในแผนงาน แต่ละขั้นตอนด้านล่างระบุว่าขั้นตอนใดเป็นขั้นตอนใด
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.
ส่วนที่ใช้งานได้ในปัจจุบันLive
รายการต่อไปนี้กำลังทำงานบนแพลตฟอร์มในปัจจุบันและถูกนำไปใช้โดยเครื่องมือ AI บน xloji.com แล้ว
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.
การฝังตัวและการจัดอันดับใหม่บนเซิร์ฟเวอร์ของเราเอง
การฝังตัวและการจัดอันดับใหม่ตอนนี้ทำงานบนเซิร์ฟเวอร์ของเราเองในบริการแยกต่างหาก ข้อความจะถูกแปลงเป็นเวกเตอร์โดยไม่ทิ้งเซิร์ฟเวอร์ และผลลัพธ์ที่เป็นไปได้จะผ่านตัวจัดอันดับใหม่ในเครื่องเพื่อปรับปรุงความแม่นยำ
การเขียนคำค้นหาใหม่
คำถามที่ไม่ชัดเจนหรือไม่สมบูรณ์จะถูกปรับปรุงก่อนที่จะเริ่มการค้นหา ผู้ใช้ไม่จำเป็นต้องใช้คำถามที่ "ถูกต้อง" ระบบจะทำให้คำค้นหาพร้อมสำหรับการค้นหา
ข้อความจากรูปภาพ เสียง และวิดีโอ
การดึงข้อความจากรูปภาพและการถอดเสียงเสียงและวิดีโอทำงานด้วยเครื่องมือในเครื่องบนเซิร์ฟเวอร์ และข้อความที่ได้จะเข้าสู่กระบวนการทำความสะอาดและการจัดทำดัชนีเดียวกัน ข้อมูลจะไม่ทิ้งเซิร์ฟเวอร์
สิ่งที่อยู่ในแผนงานPlanned
รายการต่อไปนี้ยังไม่มีอยู่จริง เป็นรายการที่วางแผนและออกแบบแล้ว หน้านี้ไม่ได้นำเสนอสิ่งเหล่านี้ราวกับว่าสร้างเสร็จแล้ว
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.
ชั้นการอนุญาตและการยินยอม
Businesses join by their own choice; authentication, key management, rate limiting and abuse protection all live in this layer.
ชั้นการมองเห็นของ AI
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.
🔒 ข้อมูลจะไม่ถูกส่งออกจากเซิร์ฟเวอร์
เป้าหมายของ OpenRAG คือการเรียกใช้ทุกขั้นตอนของไปป์ไลน์ RAG บนเซิร์ฟเวอร์ของเราเองด้วยเครื่องมือฟรีในพื้นที่: การฝังตัว การจัดอันดับใหม่ การดึงข้อความจากรูปภาพ และการถอดเสียงเสียง ไม่มีสื่อที่เข้าสู่ RAG ถูกส่งไปยังบริการภายนอก นี่เป็นกฎการออกแบบที่ไม่สามารถต่อรองได้
สถานะที่ตรงไปตรงมา: บางขั้นตอนเหล่านี้ยังดำเนินการโดยบริการภายนอกในปัจจุบัน การย้ายเข้ามาภายในเป็นรายการแรกในแผนงาน
วิธีการวางแผนการเติบโต
การค้นหาเวกเตอร์มีค่าใช้จ่ายมากขึ้นเมื่อเนื้อหาเติบโต การออกแบบของ OpenRAG จำกัดต้นทุนนั้นตั้งแต่เริ่มต้นในสามวิธี
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.
คำถามที่พบบ่อย
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?
ฐานข้อมูลเวกเตอร์และดัชนี, การค้นหาแบบผสมผสาน, การแยกส่วนผู้เช่าหลายราย, การทำความสะอาดเอกสารและการจัดโครงสร้าง RAG, การรวบรวมข้อมูลจากเว็บ, ฟีด RAG สาธารณะในเครื่องมือ AI แบบกำหนดเอง และพื้นที่จัดเก็บไฟล์/สื่อ ใช้งานได้แล้วในวันนี้ ส่วนการฝังตัวแบบโฮสต์เอง, การจัดลำดับใหม่, การเขียนคำถามใหม่, ประตูภายนอก, เลเยอร์สิทธิ์, เลเยอร์การมองเห็น และปลั๊กอิน WordPress ยังไม่มีให้บริการในขณะนี้
ข้อมูลของฉันจะออกจากเซิร์ฟเวอร์หรือไม่?
เป้าหมายคือเพื่อให้ทุกขั้นตอนของไปป์ไลน์ RAG ทำงานด้วยเครื่องมือภายในเซิร์ฟเวอร์ โดยไม่มีสื่อใดๆ ที่เข้าสู่ RAG ถูกส่งไปยังบริการภายนอกเลย สถานะที่แท้จริง: ขั้นตอนบางอย่างยังคงได้รับการจัดการโดยบริการภายนอกในปัจจุบัน และการย้ายขั้นตอนเหล่านั้นเข้ามาภายในเป็นสิ่งแรกในแผนงาน
คุณสมบัติในแผนงานจะพร้อมใช้งานเมื่อใด?
เราไม่รับประกันวันที่แน่นอน นั่นคือเหตุผลของการมีหน้านี้: เพื่อแสดงให้เห็นอย่างชัดเจนว่าอะไรทำงานได้ในวันนี้และอะไรที่กำลังวางแผนไว้ เมื่อรายการใดเสร็จสมบูรณ์ จะถูกย้ายไปยังรายการ "ส่วนที่ใช้งานได้ในวันนี้"
เนื้อหาของฉันถูกนำไปใช้หรือขายเพื่อการฝึกอบรม AI หรือไม่?
ไม่ ไม่มีลักษณะการใช้งานเช่นนั้นในปัจจุบัน แนวคิดของคลังข้อความที่ได้รับอนุญาตเป็นรายการที่อยู่ไกลที่สุดและมีความซับซ้อนทางกฎหมายมากที่สุดในแผนงาน แม้ว่ามันจะเกิดขึ้น เนื้อหาใดๆ ก็จะไม่ถูกนำไปใช้โดยไม่ได้รับความยินยอมอย่างชัดเจนจากธุรกิจ
กลับไปที่ พอร์ทัล AI สำหรับเครื่องมือ AI อื่นๆ
คำถามที่พบบ่อย
OpenRAG คืออะไร?
OpenRAG คือระบบ RAG (Retrieval-Augmented Generation) ที่ทำงานบนเซิร์ฟเวอร์ของ xloji.com และเป็นประตู AI แบบครบวงจร เมื่อมีคำถามเข้ามา ระบบจะค้นหาเนื้อหาที่เกี่ยวข้องก่อน จากนั้นจึงสร้างคำตอบโดยอิงจากเนื้อหาเหล่านั้น นอกจากนี้ยังทำหน้าที่เป็นประตูเชื่อมต่อแบบรวมศูนย์ ช่วยให้เครื่องมือ AI ภายนอก xloji.com สามารถเข้าถึงข้อมูลของ xloji.com ได้จากจุดเดียว
RAG หมายถึงอะไร และ OpenRAG ใช้งานอย่างไร?
RAG ย่อมาจาก 'Retrieval-Augmented Generation' หรือการสร้างเนื้อหาโดยเสริมด้วยการดึงข้อมูล ซึ่งหมายถึง AI จะค้นหาข้อมูลจากแหล่งที่เกี่ยวข้องก่อนที่จะสร้างคำตอบ จากนั้นจึงใช้ข้อมูลนั้นในการสร้างคำตอบ OpenRAG ทำงานโดยรวมสองขั้นตอน คือการค้นหาและการสร้างเนื้อหาไว้บนเซิร์ฟเวอร์ของตัวเอง ด้วยวิธีนี้ คำตอบที่ OpenRAG ให้จึงไม่ได้เป็นแบบสุ่ม แต่เป็นไปตามเนื้อหาจริงของ xloji.com
'ประตู AI แบบครบวงจร' หมายถึงอะไร?
ประตู AI แบบครบวงจร หมายถึงการส่งคำขอและทำการรวมระบบ AI ต่างๆ ผ่านจุดเข้าใช้งานส่วนกลางเพียงจุดเดียว แทนที่จะเป็นระบบแยกส่วน OpenRAG ทำหน้าที่นี้: ทั้งคุณสมบัติ 'ถามคำถาม' ของ xloji.com เอง และเครื่องมือ AI ที่เชื่อมต่อจากภายนอก จะได้รับบริการผ่านโครงสร้างพื้นฐาน OpenRAG เดียวกัน โครงสร้างส่วนกลางนี้ช่วยให้สามารถจัดการการเข้าชมที่เกี่ยวข้องกับ AI ได้จากจุดเดียว
การที่ OpenRAG ทำงานบนเซิร์ฟเวอร์ของตัวเองมีความแตกต่างอย่างไร?
OpenRAG ทำงานบนเซิร์ฟเวอร์ของ xloji.com โดยไม่ต้องพึ่งพาบริการคลาวด์ของบุคคลที่สาม ซึ่งหมายความว่าข้อมูลที่ค้นหาและประมวลผลจะอยู่ภายใต้การควบคุมของ xloji.com เอง ในฐานะโครงสร้างพื้นฐานที่ทำงานบนเซิร์ฟเวอร์ของตัวเอง OpenRAG จะดำเนินการค้นหาและสร้างคำตอบภายในโครงสร้างพื้นฐานของตัวเอง โดยไม่ต้องส่งข้อมูลไปยังระบบภายนอก
ใครใช้ OpenRAG บ้าง?
OpenRAG ถูกใช้งานโดยสามกลุ่มที่แตกต่างกัน: ผู้ใช้ปลายทางที่เข้าเยี่ยมชม xloji.com และพิมพ์คำถามในช่อง 'ถามคำถาม', ระบบที่สอบถามโครงสร้างพื้นฐาน RAG ของ xloji.com และเครื่องมือ AI ภายนอกที่เข้าถึงข้อมูลของ xloji.com ผ่าน OpenRAG สำหรับผู้ใช้ปลายทาง OpenRAG จะให้คำตอบโดยอิงตามเนื้อหาของ xloji.com สำหรับเครื่องมือภายนอก OpenRAG เป็นประตูที่ไม่มีบริบทที่ใช้ในการดึงข้อมูลจาก xloji.com
ช่อง 'ถามคำถาม' บน xloji.com ทำงานร่วมกับ OpenRAG อย่างไร
คำถามที่พิมพ์ในช่อง 'ถามคำถาม' บน xloji.com จะถูกประมวลผลโดย OpenRAG OpenRAG จะค้นหาเนื้อหาที่เกี่ยวข้องกับคำถามภายในข้อมูลของ xloji.com ก่อน จากนั้นจึงสร้างคำตอบโดยอิงตามเนื้อหาที่พบ ด้วยวิธีนี้ คำตอบที่ให้กับผู้ใช้จะได้รับการสนับสนุนจากเนื้อหาจริงของ xloji.com
เครื่องมือ AI ภายนอกจะรับข้อมูลผ่าน OpenRAG ได้อย่างไร
OpenRAG ทำหน้าที่เป็นประตูเดียวสำหรับเครื่องมือ AI ภายนอกเพื่อเข้าถึงข้อมูลของ xloji.com เครื่องมือเหล่านี้สามารถเชื่อมต่อผ่าน OpenRAG และรับคำตอบที่เข้าใจได้ด้วยตัวเองโดยไม่มีบริบทจากเนื้อหาของ xloji.com ด้วยเหตุนี้ ข้อมูลที่ให้ผ่าน OpenRAG จึงถูกออกแบบมาให้มีความหมายในตัวมันเองโดยไม่ต้องมีบริบทเพิ่มเติม
ขีดจำกัดของ OpenRAG คืออะไร
คำตอบที่ OpenRAG ให้มีข้อจำกัดตามเนื้อหาที่ได้รับ หากไม่มีข้อมูลในระบบหรือไม่ได้เพิ่มเข้าไป OpenRAG จะไม่สามารถสร้างคำตอบที่ชัดเจนได้ OpenRAG มีเป้าหมายที่จะจำกัดตัวเองให้อยู่ในเนื้อหาที่มีอยู่แทนที่จะสร้างข้อมูลที่ไม่ถูกต้อง ดังนั้นจึงควรจำไว้ว่าคำตอบที่ได้รับจาก OpenRAG นั้นจำกัดอยู่ตามเนื้อหาที่ xloji.com มีอยู่ในขณะนั้น
OpenRAG เป็นแชทบอทหรือไม่
OpenRAG ไม่ใช่แชทบอทแบบเดิมๆ แต่เป็นโครงสร้างพื้นฐาน RAG และเกตเวย์ที่ขับเคลื่อนคุณสมบัติ 'ถามคำถาม' ของ xloji.com และการเข้าถึงข้อมูลของเครื่องมือภายนอก งานหลักของ OpenRAG คือการค้นหาเนื้อหาที่เกี่ยวข้องกับคำถามและสร้างคำตอบจากเนื้อหานั้น ด้วยลักษณะนี้ OpenRAG ทำงานเป็นชั้นโครงสร้างพื้นฐานเบื้องหลังคำตอบมากกว่าที่จะเป็นอินเทอร์เฟซที่ผู้ใช้โต้ตอบโดยตรง
OpenRAG มีวัตถุประสงค์อะไรสำหรับ xloji.com?
วัตถุประสงค์ของ OpenRAG คือการทำให้ทั้งผู้ใช้ปลายทางและเครื่องมือ AI ภายนอกสามารถเข้าถึงข้อมูลของ xloji.com ได้อย่างน่าเชื่อถือและควบคุมได้ผ่านโครงสร้างพื้นฐาน การทำงานบนเซิร์ฟเวอร์ของตัวเองทำให้การเข้าถึงนี้เกิดขึ้นได้โดยไม่ต้องพึ่งพาระบบของบุคคลที่สาม ด้วยโครงสร้างเกตเวย์แบบจุดเดียว OpenRAG จะรวมจุดเข้าถึงต่างๆ ไว้ในระบบส่วนกลางเพียงระบบเดียว
ข้อมูลโดยละเอียดเกี่ยวกับ OpenRAG
OpenRAG คือระบบ RAG (Retrieval-Augmented Generation) ที่ทำงานบนเซิร์ฟเวอร์ของ xloji.com และเป็นเกตเวย์ AI ที่ส่งคำขอที่เกี่ยวข้องกับ AI ผ่านจุดเดียว ชื่อ 'Open' ในชื่อของระบบบ่งบอกถึงโครงสร้างที่เปิดและเข้าถึงได้ภายนอก และ 'RAG' หมายถึงวิธีการทำงานที่เกี่ยวข้องกับการค้นหาข้อมูลที่เกี่ยวข้องก่อนแล้วจึงสร้างคำตอบโดยอิงตามข้อมูลนั้น เมื่อคุณป้อนคำถามในช่อง 'ถามคำถาม' บน xloji.com OpenRAG จะค้นหาเนื้อหาที่เกี่ยวข้องก่อน จากนั้นจึงสร้างคำตอบโดยอิงตามเนื้อหานั้น โครงสร้างพื้นฐานเดียวกันนี้ยังช่วยให้เครื่องมือ AI ภายนอก xloji.com สามารถเข้าถึงข้อมูลของ xloji.com ผ่าน OpenRAG และใช้ข้อมูลนี้ในคำตอบของตนเองได้ โครงสร้างนี้ช่วยให้ xloji.com สามารถให้บริการผ่านโครงสร้างพื้นฐานส่วนกลางเพียงแห่งเดียวแทนที่จะสร้างโซลูชัน AI แยกต่างหากสำหรับผลิตภัณฑ์ต่างๆ
หลักการพื้นฐานของแนวทาง RAG คือระบบ AI จะไม่พึ่งพาความรู้ทั่วไปที่ได้รับการฝึกฝนมาเท่านั้น แต่จะดึงเนื้อหาที่เกี่ยวข้องและเป็นปัจจุบันจากแหล่งข้อมูลก่อน จากนั้นจึงตอบคำถามโดยอิงตามเนื้อหานั้น OpenRAG ทำงานโดยรวมสองขั้นตอน ได้แก่ การดึงข้อมูล (retrieval) และการสร้าง (generation) บนเซิร์ฟเวอร์ของตนเอง แนวทางนี้มีจุดมุ่งหมายเพื่อลดแนวโน้มของโมเดล AI ในการสร้างข้อมูลที่ไม่ถูกต้อง เนื่องจากคำตอบไม่ได้มาจากความทรงจำของโมเดลเอง แต่มาจากเนื้อหาที่พบจริง ด้วยเหตุนี้ คำตอบที่ OpenRAG ให้จึงไม่ได้อิงจากข้อมูลแบบสุ่มหรือล้าสมัย แต่มาจากเนื้อหาของ xloji.com เอง ดังนั้นแหล่งที่มาของคำตอบที่สร้างโดย OpenRAG จึงสามารถติดตามได้ว่าเป็นข้อมูลของ xloji.com เอง การที่เซิร์ฟเวอร์เป็นของ xloji.com หมายความว่าข้อมูลที่ค้นหาและประมวลผลจะถูกควบคุมโดย xloji.com โดยไม่ต้องพึ่งพาบริการคลาวด์ของบุคคลที่สาม
ด้าน 'เกตเวย์ AI จุดเดียว' ของ OpenRAG หมายถึงการกำหนดเส้นทางคำขอและบูรณาการ AI ต่างๆ ผ่านจุดเข้าใช้งานส่วนกลางเพียงแห่งเดียว แทนที่จะเป็นระบบแยกต่างหาก ด้วยเหตุนี้ ทั้งคุณสมบัติ 'ถามคำถาม' ของ xloji.com เอง และเครื่องมือภายนอกที่เชื่อมต่อผ่าน OpenRAG จะใช้โครงสร้างพื้นฐานและหลักการพื้นฐานเดียวกัน ในฐานะที่เป็นโครงสร้างพื้นฐานเกตเวย์ส่วนกลาง OpenRAG ช่วยให้การรับส่งข้อมูลที่เกี่ยวข้องกับ AI ผ่านจุดเดียว ซึ่งช่วยเพิ่มความสอดคล้องของคำตอบและการควบคุมข้อมูลในฐานะระบบที่ทำงานบนเซิร์ฟเวอร์ของตนเอง แนวทางแบบจุดเดียวนี้ยังช่วยให้การบำรุงรักษาและการอัปเดตสามารถทำได้ในที่เดียวแทนที่จะเป็นระบบกระจาย OpenRAG ในลักษณะนี้ไม่ได้เป็นเพียงเครื่องมือถามตอบเท่านั้น แต่ยังเป็นเลเยอร์โครงสร้างพื้นฐานที่รวมจุดเข้าใช้งานทั้งหมดที่เกี่ยวข้องกับ AI ของ xloji.com
OpenRAG ถูกใช้งานโดยกลุ่มผู้ใช้สามกลุ่มโดยตรงหรือโดยอ้อม ได้แก่ ผู้ใช้ปลายทางที่เยี่ยมชม xloji.com และป้อนคำถามในช่อง 'ถามคำถาม' ระบบที่สอบถามโครงสร้างพื้นฐาน RAG ของ xloji.com และเครื่องมือ AI ภายนอกที่เข้าถึงข้อมูลของ xloji.com ผ่าน OpenRAG กลุ่มผู้ใช้ทั้งสามนี้จะได้รับคำตอบจากโครงสร้างพื้นฐาน OpenRAG เดียวกันและจากแหล่งข้อมูลเดียวกัน ดังนั้นไม่ว่าคุณจะถามเกี่ยวกับ xloji.com จากที่ใด คุณจะได้รับแหล่งข้อมูลที่สอดคล้องกัน คำตอบที่ OpenRAG ให้มีขอบเขตจำกัดตามเนื้อหาที่ได้รับ นั่นคือ ไม่ควรคาดหวังคำตอบที่ชัดเจนจาก OpenRAG เกี่ยวกับข้อมูลที่ไม่มีอยู่ในระบบหรือไม่ได้เพิ่มลงในเซิร์ฟเวอร์ของตนเอง ข้อจำกัดนี้ยังเป็นรากฐานของความน่าเชื่อถือของ OpenRAG: มีเป้าหมายที่จะสร้างคำตอบที่จำกัดและอิงตามเนื้อหาที่มีอยู่แทนที่จะสร้างข้อมูลที่ไม่ถูกต้อง