Site RagСканираща вертикална лентача за извличане и запитване на онлайн съдържание

4.3 (4)

Прегледано от Daniel Nikulshyn·Актуализирано юли 2026 г.

RAG Developer Tools Web Scraping Vector Search LLM Knowledge Base Embeddings

Преглед

Site Rag e е инструмент за генериране подчертайчи ретривал, проектиран за превръщане на съдържанието на уебсайтове в сървър по търсене на знания. e справя с харвестите, парсите и embed-а, необходими за да се направят уебстраниците достъпни за обширни модели на език, с намаляване на бъркотията, типично изисквана за изграждане на собствен RAG система. Инструментът е насочен към разработчици и отбори, които искат бързо да установят слой за запитвания и отговори над уебсайтове със съдържание, блогове или други публични интернет източници. Обединявайки извличане и запитване в единен поток, той позволява на потребителите да се съфокусират на запити и логика на по-нататъшно прилагане, а не на инфраструктурата.

Ключови функции

Автоматично извличане на онлайн съдържание
Едногласяване и векторно съхранение
Питателни естествен езиц
Оркестрация на вертикална лентача
Работа с дизайнери
cons
:
useCases
:
[object Object],[object Object],[object Object],[object Object]

Цени

Модел: Free
Категория: Web Агенти заето AI
Оценка: 4.3 / 5 (4)

Случаи на употреба

Изпитвания върху продуктирана документация

Извличай дoku-сеинс и излагай ги като природно-езикови изпитвания, разрешвайки на потребителите да се задават въпроси и да получават добре обосновани отговори от доку-мените.

Търсими база на знания от блогова доку

Превърти компаният блог или съдържание на архив в търсими база на знания, което е лесно за да се извлекат отговори по темите чрез LLM-използвана търсена

Вътрешна поддръжка на асистент

Сгради асистент, който отнася публични вебсайтови източници, за да помага поддръжкителните тимове бързо да намерят точни отговори без да бараха ръчно да гледат през страниците

Сбърждете приложенията за RAG с по-голяма бързина

Забавете създаването на извличане, използване, и вектор за съхранение от самото начало, позволявайки разработчиците да се фокусират върху повиквания и логика на приложението за нови продукти основани на RAG

Плюсове и минуси

Плюсове

Упрощава създаването на RAG от начало до краиште
Разработувана специално за вебсайтови съдържание
Скъсва бърояване за разработчиците
Полезна за дoku-меню и бази на знания

Минуси

Ограничена до сайтове базирани източници
Имат необходима техническа настройка
Качеството зависи от структура на сайта

Рекорд от битки

В 3 битки в Пантеона.

1-во

2-ро

3-то

Last 3 battles

Отзиви

4.3

Средно от 4 оценки.

Влез, за да оставиш отзив.

Camille Laurent

Apr 22, 2026

Solid for our team

We rolled this out across the team last quarter and purpose-built for web content. Embedding and vector storage fits neatly into how we already work, and embedding and vector storage removed a step we used to do by hand. Limited to website-based sources, which is the main caveat, but it has held up under daily use.

Gunnar Eriksson

Feb 23, 2026

Years in this space

I've evaluated a lot of these over the years. What stands out here is embedding and vector storage — handled better than most — and reduces boilerplate for developers. Quality depends on site structure is my one real gripe. Worth the time if this is your use case.

Nadia Petrova

Oct 16, 2025

Use it every day

Honestly didn't expect to like it this much. Embedding and vector storage is exactly what I needed, and reduces boilerplate for developers. I do wish quality depends on site structure, but I reach for it almost every day now and it just clicks.

Kwame Mensah

Oct 7, 2025

Skeptical, then convinced

I went in skeptical — most tools in this space overpromise. It actually delivers on automated web content extraction, and useful for docs and knowledge bases caught me off guard. Limited to website-based sources is why this isn't a perfect score, still, I'd recommend giving it a real trial.

Въпроси

How does context stuff work?

Context stuff mode will scrape the current page, then store those results in your browser's storage. Then, each time you send a request using context stuffing mode, it will include the entire contents of the page in the system prompt.

Asked by Dovid Klein · May 11, 2026

How does retrieval work in followup questions?

Site RAG preforms retrieval (if you aren't using context stuffing mode) on each request by you. Once documents are retrieved, they are stored in your browser's storage with a sessionID tying them to your current chat session. Then, in followup questions the context from the most recent question will be included in the system prompt, and previous context will be passed as user messages before each of your previous requests, so the model always has the full context.

Asked by Uma Krishnan · May 1, 2026

What is "multi query mode"?

Multi query mode will generate multiple queries based on your input message, then preform a semantic search on each generated query. Finally, using all of the results, it will remove duplicates and generate a final response.

Asked by Julia Steiner · Feb 27, 2026

What happens if I index the same site twice?

Site RAG will ask you if you want to delete existing documents before indexing again, so you don't have to worry about duplicates. It deletes documents by URL.

Asked by Kenji Watanabe · Feb 18, 2026