🧠 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 ایک واحد اجازت شدہ دروازے کے ذریعے قدرتی زبان میں 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، الگ سے نشان زد ہیں۔ 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۔
اصلی اصول
OpenRAG کا پورا ڈیزائن ایک ہی جملے پر قائم ہے: ویکٹرز شائع نہیں کیے جاتے ہیں، رسائی کھولی جاتی ہے۔ باہر دی جانے والی چیز مواد کی ایک کاپی نہیں ہے، بلکہ اس سے سوالات 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.
یہ کیسے کام کرتا ہے — ٹارگٹ آرکیٹیکچر
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 واحد دروازہ، ابھی بھی روڈ میپ پر ہیں؛ ہر قدم نیچے بیان کرتا ہے کہ کون سا کیا ہے۔
ذرائع جمع کیے جاتے ہیں
xloji سائٹس، اپ لوڈ کردہ دستاویزات اور کرال کردہ ویب صفحات مواد کے ذرائع ہیں۔ (ورڈ پریس پلگ ان اور ایک پبلک انجیکشن API روڈ میپ پر ہیں۔)
اسے صاف اور منظم کیا جاتا ہے
بے ترتیب مواد کو صاف کیا جاتا ہے، بامعنی حصوں میں تقسیم کیا جاتا ہے اور ایک ایسے فارم میں لایا جاتا ہے جو RAG استعمال کر سکے۔ یہ قدم آج کام کرتا ہے۔
اسے انڈیکس اور تلاش کیا جاتا ہے
حصوں کو ویکٹرز میں تبدیل کیا جاتا ہے اور pgvector میں لکھا جاتا ہے۔ انہیں HNSW انڈیکس اور ہائبرڈ سرچ (کیورڈ + ویکٹر) کے ذریعے پایا جاتا ہے۔ یہ قدم آج کام کرتا ہے۔ دوبارہ رینکنگ لنک کو شامل کرنا روڈ میپ پر ہے۔
اس تک ایک ہی دروازے کے ذریعے پہنچا جاتا ہے
بیرونی AI نظام قدرتی زبان میں ایک ہی اجازت شدہ دروازے کے ذریعے پوچھتے ہیں۔ جوابات اور ماخذ کے پیراگراف واپس آتے ہیں، ویکٹرز نہیں۔ یہ دروازہ ابھی تک موجود نہیں ہے؛ یہ روڈ میپ پر ہے۔
حصے جو آج کام کر رہے ہیںLive
مندرجہ ذیل آج پلیٹ فارم پر چل رہے ہیں اور پہلے سے ہی xloji.com پر AI ٹولز کے ذریعے استعمال کیے جا رہے ہیں۔
pgvector + HNSW index
مواد کے حصوں کو ڈیٹا بیس میں ویکٹرز کے طور پر ذخیرہ کیا جاتا ہے اور cosine similarity پر HNSW انڈیکس کے ساتھ تلاش کیا جاتا ہے۔
Hybrid search
کیورڈ سرچ اور ویکٹر سرچ ایک ساتھ چلتی ہیں۔ دو نتائج کی فہرستوں کو ایک ہی رینکنگ میں ضم کیا جاتا ہے۔ یہ درست اصطلاح کے میچوں اور سمانتک طور پر قریب کے پیراگراف دونوں کو تلاش کرتا ہے۔
Multi-tenant isolation
ہر کاروبار، سائٹ اور مصنف کا اپنا RAG ہے۔ ایک سوال صرف اس کے اپنے کرایہ دار کے انڈیکس کے خلاف چلتا ہے۔ ڈیٹا کبھی بھی کرایہ داروں کے درمیان مخلوط نہیں ہوتا ہے۔
Document cleaning and RAG structuring
اپ لوڈ کردہ دستاویزات کو RAG کے لیے صاف، ٹکڑا اور منظم کیا جاتا ہے۔ پلیٹ فارم پر ڈیٹا اسٹرکچرنگ ٹول اس پائپ لائن کا صارف کا سامنا کرنے والا چہرہ ہے۔
Web crawling
کسی سائٹ کے صفحات کو کرال کیا جاتا ہے، ان کے مواد کو نکالا جاتا ہے اور اسی صفائی اور انڈیکسنگ پائپ لائن سے گزرا جاتا ہے۔
Public RAG feed in custom AI tools
آپ کا بنایا ہوا ایک کسٹم AI ٹول ایک پبلک RAG سورس سے کھلایا جا سکتا ہے۔ ٹول اپنے جوابات کو اس علم کے اڈے میں رکھتا ہے۔
File and media storage
فائلیں اور میڈیا آبجیکٹ اسٹوریج میں رہتے ہیں — ویکٹر اسٹور میں نہیں۔ RAG ریکارڈ اصل فائل کی طرف اشارہ کرتا ہے۔
ہماری اپنی سرورز پر ایمبیڈنگ اور ری رینکنگ
ایمبیڈنگ اور ری رینکنگ اب ایک علیحدہ سروس میں ہمارے اپنے سرورز پر چلتی ہے۔ متن سرور چھوڑے بغیر وییکٹر میں تبدیل ہو جاتا ہے، اور امیدوار نتائج کو درستگی کو بہتر بنانے کے لیے ایک مقامی ری رینکر کے ذریعے گزرنا پڑتا ہے۔
کوئری کو دوبارہ لکھنا
ایک مبہم یا نامکمل سوال کو تلاش چلنے سے پہلے درست کیا جاتا ہے۔ صارفین کو "صحیح" سوال کہنے کی ضرورت نہیں ہے؛ نظام کوئری کو تلاش کے لیے تیار کرتا ہے۔
تصاویر، آڈیو اور ویڈیو سے متن
تصاویر سے متن کا استخراج اور آڈیو اور ویڈیو کی نقل سرور پر مقامی ٹولز کے ساتھ چلتی ہے، اور نتیجہ کے طور پر متن اسی صفائی اور انڈیکسنگ پائپ لائن میں داخل ہوتا ہے۔ ڈیٹا سرور چھوڑتا نہیں ہے۔
روڈ میپ پر کیا ہےPlanned
مندرجہ ذیل ابھی تک موجود نہیں ہیں۔ وہ منصوبہ بند اور ڈیزائن کردہ آئٹمز ہیں؛ یہ صفحہ انہیں پہلے سے ہی بنائے جانے کے طور پر پیش نہیں کرتا ہے۔
The single door: MCP / API gateway
ایک سنگل گیٹ وے جو بیرونی AI نظام قدرتی زبان میں پوچھ سکتے ہیں۔ ایک AI جو ایک بار جڑتا ہے وہ ہر شریک کاروبار تک ایک ہی دروازے کے ذریعے پہنچتا ہے۔
اجازت اور رضامندی کی پرت
کاروبار اپنی مرضی سے شامل ہوتے ہیں۔ توثیق، کلید کا انتظام، شرح کی حد اور بدسلوکی سے تحفظ سب اس لیئر میں رہتے ہیں۔
AI کی نمائش کی پرت
llms.txt، /.well-known/ اور schema.org مارک اپ کے ذریعے مواد کو مشین کے ذریعے دریافت کرنے کے قابل بنانا، نیز MCP رجسٹریوں میں رجسٹریشن۔ کوئی جادوی خودکار دریافت نہیں ہے؛ اس طرح نظر ثانی کی جاتی ہے۔
WordPress plugin
ایک پلگ ان جو ایک WordPress سائٹ کو اپنا مواد OpenRAG کو بھیجنے اور ایک اینڈ پوائنٹ حاصل کرنے کی اجازت دیتا ہے جو AI نظاموں کے ذریعے پوچھا جا سکتا ہے۔
ہم ان آئٹمز کے لیے تاریخیں نہیں دیتے ہیں۔ جب کوئی آئٹم مکمل ہو جاتا ہے تو وہ "آج کام کر رہے ہیں" فہرست میں چلا جاتا ہے، اور اس صفحے کو اس کے مطابق اپ ڈیٹ کیا جاتا ہے۔
🔒 ڈیٹا سرور چھوڑ نہیں سکتا
OpenRAG کا مقصد RAG پائپ لائن کے ہر قدم کو اپنے سرور پر مقامی، مفت ٹولز کے ساتھ چلانا ہے: ایمبیڈنگ، دوبارہ رینکنگ، تصاویر سے متن کا استخراج اور آڈیو ٹرانسکرپشن۔ RAG میں داخل ہونے والا کوئی بھی میڈیا کسی بیرونی سروس پر نہیں بھیجا جاتا ہے — یہ ایک غیر قابل مذاق ڈیزائن کا اصول ہے۔
صادقانہ حیثیت: ان میں سے کچھ اقدامات آج بھی بیرونی خدمات کے ذریعے کیے جاتے ہیں۔ انہیں اندر لانا روڈ میپ پر سب سے پہلا آئٹم ہے۔
گروتھ کی منصوبہ بندی کیسے کی جاتی ہے
جیسے جیسے مواد بڑھتا ہے، ویکٹر سرچ زیادہ مہنگی ہوتی جاتی ہے۔ OpenRAG کا ڈیزائن شروع سے ہی اس لاگت کو تین طریقوں سے محدود کرتا ہے۔
There is no single giant index
ہر کاروبار کا اپنا چھوٹا انڈیکس ہوتا ہے اور ایک سوال صرف اس انڈیکس کے خلاف چلتا ہے۔ یہاں تک کہ کل مواد بڑھنے کے ساتھ ساتھ، ایک ہی سوال کے ذریعے اسکین کیا جانے والا علاقہ چھوٹا رہتا ہے۔ تلاش کی لاگت اس ایک کاروبار کے سائز کے ساتھ بڑھتی ہے، پورے پلیٹ فارم کے ساتھ نہیں۔
Vector size and precision are adjustable
چھوٹے ویکٹر طول و عرض اور زیادہ کمپیکٹ نمبر فارمیٹس کا استعمال کرتے ہوئے، وہی مواد نمایاں طور پر کم جگہ لیتا ہے۔ یہ انتخاب شروع سے ہی ڈیزائن میں بنائے گئے ہیں تاکہ بعد میں کسی مہنگی منتقلی کی ضرورت نہ ہو۔
Cold tier
ایک کاروبار کا انڈیکس جو طویل عرصے سے پوچھا نہیں گیا ہے اسے سستے مستقل اسٹوریج میں منتقل کر دیا جاتا ہے اور جب اس کے لیے کوئی سوال آتا ہے تو اسے واپس بلایا جاتا ہے۔ اس طرح صرف فعال مواد تیز میموری میں رہتا ہے۔ یہ ٹیر روڈ میپ پر ہے۔
اکثر پوچھے جانے والے سوالات
OpenRAG کیا ہے؟
یہ 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 قابل سوال بناتا ہے، ایک سنگل اجازت شدہ دروازے کے ذریعے۔ یہ ایک چیٹ ٹول نہیں ہے؛ یہ وہ علم کی تہہ ہے جو اس طرح کے ٹولز کے نیچے چلتی ہے۔
کیا آپ میرے ویکٹرز یا میرے مواد کو کسی اور کو دیتے ہیں؟
نہیں. بنیادی اصول یہ ہے: ویکٹرز شائع نہیں کیے جاتے ہیں، رسائی کھولی جاتی ہے۔ باہر جانے والی چیز مواد کی ایک کاپی نہیں ہے بلکہ اس سے سوالات پوچھنے کا حق ہے۔ اس کے علاوہ، کاروبار فیصلہ کرتا ہے کہ کون سا مواد بیرونی طور پر قابل سوال ہے۔
آج کیا استعمال کیا جا سکتا ہے؟
ویکٹر ڈیٹا بیس اور انڈیکس، ہائبرڈ سرچ، ملٹی ٹیننٹ آئیزولیشن، دستاویز کی صفائی اور RAG ساخت، ویب کرالنگ، کسٹم AI ٹولز میں پبلک RAG فیڈ، اور فائل/میڈیا اسٹوریج سب آج کام کرتے ہیں۔ خود میزبانی والے ایمبیڈنگ، ری رینکنگ، کوئری ری رائٹنگ، بیرونی دروازہ، پرمیشن لیئر، وسibility لیئر اور WordPress پلگ ان ابھی تک موجود نہیں ہیں۔
کیا میرا ڈیٹا سرور چھوڑتا ہے؟
ہدف یہ ہے کہ RAG پائپ لائن کا ہر قدم سرور پر مقامی ٹولز کے ساتھ چلے، بغیر کسی میڈیا کے RAG میں داخل ہوئے جو کبھی بھی کسی بیرونی سروس کو بھیجا جائے۔ ایمان دار اسٹیٹس: ان میں سے کچھ اقدامات آج بھی بیرونی خدمات کے ذریعے ہینڈل کیے جاتے ہیں، اور انہیں اندر منتقل کرنا روڈ میپ پر سب سے پہلا آئٹم ہے۔
روڈ میپ کی خصوصیات کب تک تیار ہوں گی؟
ہم تاریخوں کا وعدہ نہیں کرتے۔ یہی اس صفحے کا مقصد ہے: یہ دکھانا کہ آج کیا کام کرتا ہے اور کیا منصوبہ بنایا گیا ہے۔ جب کوئی آئٹم مکمل ہو جاتا ہے تو وہ "آج کام کرنے والے حصے" کی فہرست میں چلا جاتا ہے۔
کیا میری مواد کو AI ٹریننگ کے لیے استعمال یا فروخت کیا جاتا ہے؟
نہیں. آج ایسا کوئی استعمال نہیں ہے۔ اجازت شدہ متن کارپس کا خیال روڈ میپ پر سب سے دور، قانونی طور پر بھاری آئٹم ہے؛ یہاں تک کہ اگر یہ ہوتا ہے، تو کسی بھی مواد کو کاروبار کی واضح رضامندی کے بغیر اس کے لیے استعمال نہیں کیا جائے گا۔
AI پورٹل پر دیگر AI ٹولز کے لیے واپس جائیں۔
اکثر پوچھے جانے والے سوالات
What is OpenRAG?
OpenRAG is a RAG (Retrieval-Augmented Generation) system and a single-door AI gateway running on xloji.com's own server. When a question arrives, it first finds the relevant content, then generates an answer based on this content. It also serves as a central gateway allowing AI tools outside of xloji.com to access xloji.com's information from a single point.
What does RAG mean and how does OpenRAG implement it?
RAG stands for 'Retrieval-Augmented Generation', meaning it searches for information from relevant sources before an AI generates an answer, then creates a response based on that information. OpenRAG runs these two steps, the search and generation steps, together on its own server. Thus, the answers given by OpenRAG are not random, but based on real content belonging to xloji.com.
What does 'single-door AI gateway' mean?
A single-door AI gateway means that different AI requests and integrations are passed through a single central entry point instead of separate systems. OpenRAG takes on this role: both xloji.com's own 'Ask a Question' feature and AI tools connected from outside receive service through the same OpenRAG infrastructure. This central structure allows AI-related traffic to be managed from a single point.
What difference does it make that OpenRAG runs on its own server?
OpenRAG runs on xloji.com's own server without relying on a third-party cloud service. This means that the searched and processed data remains under xloji.com's own control. As a structure running on its own server, OpenRAG performs search and answer generation operations within its own infrastructure without transferring data to external systems.
Who uses OpenRAG?
OpenRAG is used by three different groups: end-users who visit xloji.com and type into the 'Ask a Question' box, systems that query xloji.com's own RAG infrastructure, and external AI tools that access information about xloji.com via OpenRAG. For the end-user, OpenRAG returns an answer based on xloji.com content to the question asked. For external tools, OpenRAG is a context-free gateway used to retrieve information from xloji.com.
How does the 'Ask a Question' box on xloji.com work with OpenRAG?
A question entered into the 'Ask a Question' box on xloji.com is processed by OpenRAG. OpenRAG first searches for content related to the question within xloji.com's own data, then generates an answer based on the content it finds. This ensures that the answer given to the user is supported by real content from xloji.com.
How do external AI tools obtain information via OpenRAG?
OpenRAG serves as a single-gate passage enabling AI tools outside of xloji.com to access information about xloji.com. These tools can connect via OpenRAG and receive self-contained, understandable answers from xloji.com's content. Therefore, the information provided via OpenRAG is designed to be meaningful on its own, without requiring a separate context.
What are the limitations of OpenRAG?
The answers provided by OpenRAG are limited to the content provided to it; OpenRAG cannot produce a definitive answer about information that is not in the system or has not been added. OpenRAG is designed to remain limited to the content it has, rather than fabricating non-existent information. Therefore, it should be remembered that an answer obtained from OpenRAG is limited to the content that xloji.com currently possesses.
Is OpenRAG a chatbot?
OpenRAG is not a standalone chatbot in the classical sense; it is the RAG and gateway infrastructure that powers xloji.com's 'Ask a Question' feature and external tools' access to information. OpenRAG's core function is to find content corresponding to a question and generate an answer based on that content. As such, OpenRAG operates more as the infrastructure layer behind the answers than as an interface that directly chats with the user.
What is the purpose of OpenRAG for xloji.com?
The purpose of OpenRAG is to enable both end-users and external AI tools to access information belonging to xloji.com through a reliable and self-controlled infrastructure. Running on its own server ensures that this access happens without dependence on third-party systems. Thanks to its single gateway structure, OpenRAG combines different access points in a single central system.
OpenRAG کے بارے میں تفصیلی معلومات
OpenRAG is a RAG (Retrieval-Augmented Generation) system running on xloji.com's own server, and it is also an AI gateway that passes AI-related requests from a single point. The 'Open' in its name indicates that the system offers an open and accessible structure, while 'RAG' refers to its method of operation, which involves first finding relevant data and then generating an answer based on that data. A question typed into the 'Ask a Question' box on xloji.com is first searched for relevant content by OpenRAG, and then an answer is generated based on this content. The same infrastructure also allows AI tools outside of xloji.com to access information belonging to xloji.com through OpenRAG and use this information in their own answers. This structure enables xloji.com to provide services through a single central infrastructure instead of setting up separate AI solutions for its different products.
The basic logic of the RAG approach is that an AI system, instead of relying solely on the general knowledge it was previously trained on, first retrieves up-to-date and accurate content from a source related to the question and then answers in light of this content. OpenRAG operates by combining these two steps – retrieval and generation – on its own server. This approach aims to reduce the tendency of AI models to sometimes generate non-existent information; because the answer is derived from actually found content, not from the model's own memory. In this way, the answers given by OpenRAG are based on xloji.com's own content, not on random or outdated information. Thus, the source of an answer produced by OpenRAG remains traceable as xloji.com's own data. The server belonging to xloji.com means that the searched and processed data is kept under xloji.com's own control without depending on a third-party cloud service.
The 'single-door AI gateway' side of OpenRAG means that different AI requests and integrations are routed through a single central entry point instead of separate systems. In this way, both xloji.com's own 'Ask a Question' feature and external tools connected via OpenRAG use the same infrastructure and the same basic logic. As a central gateway structure, OpenRAG ensures that AI-related traffic passes through a single point; this increases both the consistency of answers and control over the data as a system running on its own server. This single-point approach also allows maintenance and updates to be done in one place instead of in distributed systems. In this respect, OpenRAG is not only a question-and-answer tool, but also an infrastructure layer that unifies all of xloji.com's AI access points.
OpenRAG is used directly or indirectly by three different user groups: end-users who visit xloji.com and type into the 'Ask a Question' box, systems that query xloji.com's own RAG infrastructure, and external AI tools that access information belonging to xloji.com via OpenRAG. All three user groups receive answers fed from the same OpenRAG infrastructure, the same content pool; therefore, a consistent source of information is reached no matter where questions about xloji.com are asked. The answers given by OpenRAG are limited to the content provided to it; that is, a definitive answer should not be expected from OpenRAG about information that is not in the system or has not been added to its server. This limitation also forms the basis of OpenRAG's reliability: instead of fabricating non-existent information, it aims to produce answers limited to and based on the content it has.