Posso vibecodare MagicChat?

Cosa costruisci

Fare il crawl di un sito o di una documentazione, spezzare le pagine in chunk e indicizzarle in un vector store, recuperare i match migliori per la domanda di un visitatore e rispondere con un LLM attraverso un widget di chat incorporabile.

cosa ti serve

• una API key OpenAI/Anthropic
• un modello di embedding
• un vector store (pgvector o sqlite-vec)
• un deploy HTTPS pubblico per il widget

Bot di supporto AI del tipo «chatta con la tua documentazione»: il nucleo RAG è un lavoro da weekend, il moat è lo strato di aggiornamento, analytics e hosting.

Il prompt

Un weekend con un agente di coding. I buchi che restano sono qui sotto, in «cosa perdi».

Build me an AI support chatbot that trains on my own website and docs, to replace
MagicChat, in an empty repo.

Stack (no alternatives): Next.js 15 (App Router) + TypeScript, Postgres with the
pgvector extension via Drizzle ORM, and Docker Compose so `docker compose up` runs
Postgres and the app together. Use the OpenAI or Anthropic API for both embeddings
and answers (keys in .env).

Core loop:
- `npm run ingest -- <sitemap-or-url>`: crawl the pages, strip to clean text, chunk
  (~800 tokens with overlap), embed each chunk, and store text + vector + source URL
  in Postgres.
- A /api/chat route: embed the incoming question, pull the top-k chunks by cosine
  similarity, and ask the LLM to answer ONLY from that context, returning the source
  URLs it used. Stream the answer.
- A single embeddable widget: one <script> tag mounts a floating chat bubble on any
  site, talking to /api/chat with CORS locked to configured origins.

Details:
- One config file: bot name, greeting, allowed origins, model, top-k.
- Store everything locally in Postgres; `npm run reindex` re-crawls and replaces.
- Secrets in .env, ship .env.example, never commit keys.
- Handle empty, loading, and "I don't know from the docs" states honestly; never
  invent answers outside the retrieved context.
- Out of scope: multi-channel (email/WhatsApp/Slack), team seats, an analytics
  dashboard, human handoff, scheduled auto-refresh (leave a documented cron hook),
  and any hosted control plane.
- README: setup, the ingest command, embedding the widget, and where data lives.

Cosa perdi

• il ricrawl automatico programmato e l'aggiornamento dei contenuti
• le analytics e le dashboard sullo storico delle conversazioni
• la raccolta lead e il passaggio a un operatore umano
• i connettori e le integrazioni multi-sorgente
• l'uptime gestito del widget
• le postazioni per il team e la compliance enterprise (HIPAA/DPA/BAA)

Perché pagano ancora

Si paga per non toccare mai le tubature: il crawler che reindicizza quando la documentazione cambia, la dashboard che mostra cosa hanno chiesto i clienti, i connettori verso l'help desk e un widget che resta in piedi senza dover gestire un server. Il RAG è la parte facile; tenerlo aggiornato, misurato e online è il lavoro che torna ogni mese.

moat: Integrazioni Qualità di esecuzione Scala dell'infrastruttura cos’è un moat

connettori, pipeline di aggiornamento e uptime gestito

Alternative gratuite

Non hai voglia di costruirtelo? Queste esistono già, sono gratis o open source, e le abbiamo controllate una per una.

Chi l’ha già costruito

Partire da qui è vibecoding lo stesso: il prompt serve quando lo vuoi esattamente a modo tuo.

• Onyx (formerly Danswer) (si apre in una nuova scheda) — Open-source AI assistant that answers questions over your own documents
• Flowise (si apre in una nuova scheda) — Open-source builder for RAG chatbots you can embed

Sei d’accordo?

App correlate

Intercom — NON PROPRIO Tidio 29 $ QUASI Crisp 45 $ QUASI