@intlayer/docs 9.0.0-canary.2 → 9.0.0-canary.20

package/blog/de/rag_powered_documentation_assistant.md

@@ -57,41 +57,6 @@ Dieser letzte Punkt ist entscheidend. Ein RAG-System beantwortet nicht nur Frage
 
 RAG ist also nicht nur ein Support-Tool. Es ist auch eine **Produktentdeckungsmaschine**.
 
-## Wie die RAG-Pipeline funktioniert
-
-Auf hoher Ebene sieht das Rezept, das ich verwendet habe, so aus:
-
-1.  **Aufteilen der Dokumentation** Große Markdown-Dateien werden in Abschnitte (Chunks) aufgeteilt. Das Aufteilen ermöglicht es, nur die relevanten Teile der Dokumentation als Kontext bereitzustellen.
-2.  **Erzeugen von Embeddings** Jeder Abschnitt wird mit der OpenAI-Embedding-API (text-embedding-3-large) oder einer Vektordatenbank (Chroma, Qdrant, Pinecone) in einen Vektor umgewandelt.
-3.  **Indexierung & Speicherung** Embeddings werden in einer einfachen JSON-Datei gespeichert (für meine Demo), aber in der Produktion würden Sie wahrscheinlich eine Vektor-Datenbank verwenden.
-4.  **Abruf (R in RAG)** Eine Benutzeranfrage wird eingebettet, die Kosinusähnlichkeit wird berechnet, und die am besten passenden Chunks werden abgerufen.
-5.  **Erweiterung + Generierung (AG in RAG)** Diese Chunks werden in die Eingabeaufforderung für ChatGPT eingefügt, sodass das Modell mit tatsächlichem Dokumentationskontext antwortet.
-6.  **Protokollierung von Anfragen für Feedback** Jede Benutzeranfrage wird gespeichert. Das ist Gold wert, um Schmerzpunkte, fehlende Dokumentationen oder neue Chancen zu verstehen.
-
-## Schritt 1: Die Dokumentation lesen
-
-Der erste Schritt war einfach: Ich brauchte eine Möglichkeit, einen docs/-Ordner nach allen .md-Dateien zu durchsuchen. Mit Node.js und glob habe ich den Inhalt jeder Markdown-Datei in den Speicher geladen.
-
-Dies hält die Pipeline flexibel: Anstatt Markdown könnten Sie die Dokumentation auch aus einer Datenbank, einem CMS oder sogar einer API abrufen.
-
-## Schritt 2: Aufteilen der Dokumentation
-
-Warum aufteilen? Weil Sprachmodelle **Kontextgrenzen** haben. Ein ganzes Buch voller Dokumentation auf einmal zu füttern, funktioniert nicht.
-
-Die Idee ist also, den Text in handhabbare Abschnitte (z. B. jeweils 500 Tokens) mit Überlappungen (z. B. 100 Tokens) zu zerlegen. Die Überlappung sorgt für Kontinuität, damit am Abschnittsrand keine Bedeutung verloren geht.
-
-**Beispiel:**
-
-- Abschnitt 1 → „…die alte Bibliothek, die viele vergessen hatten. Ihre hohen Regale waren mit Büchern gefüllt…“
-- Abschnitt 2 → „…Regale waren mit Büchern aus allen erdenklichen Genres gefüllt, die alle Geschichten flüsterten…“
-
-Die Überlappung stellt sicher, dass beide Abschnitte gemeinsamen Kontext enthalten, sodass die Suche kohärent bleibt.
-
-Dieser Kompromiss (Chunk-Größe vs. Überlappung) ist entscheidend für die Effizienz von RAG:
-
-- Zu klein → es entsteht Rauschen.
-- Zu groß → der Kontext wird zu umfangreich.
-
 ## Schritt 3: Erzeugen von Embeddings
 
 Sobald die Dokumente in Chunks aufgeteilt sind, erzeugen wir **Embeddings**, hochdimensionale Vektoren, die jeden Chunk repräsentieren.
@@ -110,164 +75,6 @@ Ich habe das OpenAI-Modell text-embedding-3-large verwendet, aber Sie können je
 
 Jeder Vektor ist ein mathematischer Fingerabdruck des Textes und ermöglicht die Ähnlichkeitssuche.
 
-## Schritt 4: Indexieren & Speichern der Embeddings
-
-Um zu vermeiden, dass Embeddings mehrfach neu generiert werden, habe ich sie in embeddings.json gespeichert.
-
-In der Produktion möchten Sie wahrscheinlich eine Vektordatenbank wie folgende verwenden:
-
-- Chroma
-- Qdrant
-- Pinecone
-- FAISS, Weaviate, Milvus, etc.
-
-Vektor-DBs übernehmen Indexierung, Skalierbarkeit und schnelle Suche. Für meinen Prototyp hat jedoch eine lokale JSON-Datei gut funktioniert.
-
-## Schritt 5: Abruf mit Kosinus-Ähnlichkeit
-
-Wenn ein Benutzer eine Frage stellt:
-
-1.  Erzeugen Sie ein Embedding für die Anfrage.
-2.  Vergleichen Sie es mit allen Dokument-Embeddings mittels **Kosinus-Ähnlichkeit**.
-3.  Behalten Sie nur die N ähnlichsten Chunks.
-
-Die Kosinus-Ähnlichkeit misst den Winkel zwischen zwei Vektoren. Eine perfekte Übereinstimmung erzielt **1,0**.
-
-So findet das System die dem Query am nächsten liegenden Dokumentabschnitte.
-
-## Schritt 6: Erweiterung + Generierung
-
-Jetzt kommt die Magie. Wir nehmen die besten Chunks und injizieren sie in den **System-Prompt** für ChatGPT.
-
-Das bedeutet, dass das Modell so antwortet, als wären diese Abschnitte Teil des Gesprächs.
-
-Das Ergebnis: präzise, **dokumentenbasierte Antworten**.
-
-## Schritt 7: Protokollierung der Benutzeranfragen
-
-Das ist die versteckte Superkraft.
-
-Jede gestellte Frage wird gespeichert. Im Laufe der Zeit entsteht so ein Datensatz mit:
-
-- Häufigsten Fragen (ideal für FAQs)
-- Unbeantworteten Fragen (Dokumentation fehlt oder ist unklar)
-- Funktionsanfragen, die als Fragen getarnt sind („Integriert es sich mit X?“)
-- Aufkommenden Anwendungsfällen, die Sie nicht geplant hatten
-
-Das verwandelt Ihren RAG-Assistenten in ein **kontinuierliches Nutzerforschungstool**.
-
-## Was kostet das?
-
-Ein häufiger Einwand gegen RAG sind die Kosten. In der Praxis ist es überraschend günstig:
-
-- Die Erstellung von Embeddings für ca. 200 Dokumente dauert etwa **5 Minuten** und kostet **1–2 Euro**.
-- Die Suchfunktion in den Dokumenten ist zu 100 % kostenlos.
-- Für Anfragen verwenden wir gpt-4o-latest ohne den „Thinking“-Modus. Bei Intlayer sehen wir etwa **300 Chat-Anfragen pro Monat**, und die OpenAI-API-Rechnung übersteigt selten **10 $**.
-
-Darüber hinaus können Sie die Hosting-Kosten einrechnen.
-
-## Implementierungsdetails
-
-Stack:
-
-- Monorepo: pnpm Workspace
-- Doc-Paket: Node.js / TypeScript / OpenAI API
-- Frontend: Next.js / React / Tailwind CSS
-- Backend: Node.js API-Route / OpenAI API
-
-Das `@smart-doc/docs`-Paket ist ein TypeScript-Paket, das die Dokumentationsverarbeitung übernimmt. Wenn eine Markdown-Datei hinzugefügt oder geändert wird, enthält das Paket ein `build`-Skript, das die Dokumentationsliste in jeder Sprache neu erstellt, Embeddings generiert und diese in einer `embeddings.json`-Datei speichert.
-
-Für das Frontend verwenden wir eine Next.js-Anwendung, die bietet:
-
-- Markdown-zu-HTML-Rendering
-- Eine Suchleiste, um relevante Dokumentation zu finden
-- Eine Chatbot-Oberfläche, um Fragen zur Dokumentation zu stellen
-
-Um eine Dokumentationssuche durchzuführen, enthält die Next.js-Anwendung eine API-Route, die eine Funktion im `@smart-doc/docs`-Paket aufruft, um Dokumentationsabschnitte abzurufen, die zur Anfrage passen. Mithilfe dieser Abschnitte können wir eine Liste von Dokumentationsseiten zurückgeben, die für die Suche des Benutzers relevant sind.
-
-Für die Chatbot-Funktionalität folgen wir demselben Suchprozess, injizieren jedoch zusätzlich die abgerufenen Dokumentationsabschnitte in den Prompt, der an ChatGPT gesendet wird.
-
-Hier ist ein Beispiel für einen an ChatGPT gesendeten Prompt:
-
-System-Prompt:
-
-```txt
-You are a helpful assistant that can answer questions about the Intlayer documentation.
-
-Related chunks :
-
------
-docName: "getting-started"
-docChunk: "1/3"
-docUrl: "https://example.com/docs/de/getting-started"
----
-
-# Wie man anfängt
-
-...
-
------
-docName: "another-doc"
-docChunk: "1/5"
-docUrl: "https://example.com/docs/de/another-doc"
----
-
-# Ein weiteres Dokument
-
-...
-```
-
-Benutzeranfrage:
-
-```txt
-Wie fängt man an?
-```
-
-Wir verwenden SSE, um die Antwort von der API-Route zu streamen.
-
-Wie bereits erwähnt, verwenden wir gpt-4-turbo ohne den "Denkmodus". Die Antworten sind relevant und die Latenz gering.
-Wir haben mit gpt-5 experimentiert, aber die Latenz war zu hoch (manchmal bis zu 15 Sekunden für eine Antwort). Das werden wir in Zukunft erneut prüfen.
-
-👉 [Hier die Demo ausprobieren](https://intlayer.org/doc/why) 👉 [Den Code-Template auf GitHub ansehen](https://github.com/aymericzip/smart_doc_RAG)
-
-## Weiterführende Möglichkeiten
-
-Dieses Projekt ist eine Minimalimplementierung. Aber Sie können es auf viele Arten erweitern:
-
-- MCP-Server → die Dokumentationssuchfunktion zu einem MCP-Server machen, um die Dokumentation mit jedem KI-Assistenten zu verbinden
-
-- Vektor-Datenbanken → Skalierung auf Millionen von Dokumentenabschnitten
-- LangChain / LlamaIndex → fertige Frameworks für RAG-Pipelines
-- Analyse-Dashboards → Visualisierung von Benutzeranfragen und Schmerzpunkten
-- Multi-Source Retrieval → nicht nur Dokumente abrufen, sondern auch Datenbankeinträge, Blogbeiträge, Tickets usw.
-- Verbesserte Eingabeaufforderungen → Neuranking, Filterung und hybride Suche (Schlüsselwort + semantisch)
-
-## Begrenzungen, auf die wir gestoßen sind
-
-- Chunking und Überlappung sind empirisch. Das richtige Gleichgewicht (Chunk-Größe, Überlappungsprozentsatz, Anzahl der abgerufenen Chunks) erfordert Iteration und Tests.
-- Embeddings werden nicht automatisch neu generiert, wenn sich die Dokumente ändern. Unser System setzt Embeddings für eine Datei nur zurück, wenn sich die Anzahl der Chunks von der gespeicherten Anzahl unterscheidet.
-- In diesem Prototyp werden Embeddings im JSON-Format gespeichert. Das funktioniert für Demos, verschmutzt aber das Git-Repository. In der Produktion ist eine Datenbank oder ein dedizierter Vektor-Speicher besser geeignet.
-
-## Warum das über die Dokumentation hinaus wichtig ist
-
-Der interessante Teil ist nicht nur der Chatbot. Es ist der **Feedback-Loop**.
-
-Mit RAG beantwortest du nicht nur:
-
-- Du lernst, was die Nutzer verwirrt.
-- Du entdeckst, welche Funktionen sie erwarten.
-- Du passt deine Produktstrategie basierend auf echten Anfragen an.
-
-**Beispiel:**
-
-Stell dir vor, du führst eine neue Funktion ein und siehst sofort:
-
-- 50 % der Fragen betreffen denselben unklaren Einrichtungsschritt
-- Nutzer fragen wiederholt nach einer Integration, die du noch nicht unterstützt
-- Menschen suchen nach Begriffen, die einen neuen Anwendungsfall offenbaren
-
-Das ist **Produktintelligenz** direkt von deinen Nutzern.
-
 ## Fazit
 
 RAG ist eine der einfachsten und leistungsstärksten Methoden, um LLMs praktisch einsetzbar zu machen. Durch die Kombination von **Abruf + Generierung** können Sie statische Dokumentationen in einen **intelligenten Assistenten** verwandeln und gleichzeitig einen kontinuierlichen Strom von Produktinformationen gewinnen.

package/blog/de/react-i18next_vs_react-intl_vs_intlayer.md

@@ -137,6 +137,14 @@ Wir bewerten:
 
 ---
 
+## Interoperabilität mit `react-intl` und `react-i18next`
+
+`intlayer` kann dir auch dabei helfen, deine `react-intl`- und `react-i18next`-Namespaces zu verwalten.
+
+Mit `intlayer` kannst du deine Inhalte im Format deiner bevorzugten i18n-Bibliothek deklarieren, und intlayer wird deine Namespaces am Ort deiner Wahl generieren (Beispiel: `/messages/{{locale}}/{{namespace}}.json`).
+
+---
+
 ## Praktische Migrationshinweise (react-intl / react-i18next → Intlayer)
 
 - **Schrittweise migrieren**: Beginnen Sie mit einer Funktion oder Route; behalten Sie während der Umstellung die alten Kataloge parallel bei.

package/blog/de/vue-i18n_vs_intlayer.md

@@ -249,6 +249,14 @@ Dieser Ansatz:
 
 ---
 
+## Interoperabilität mit vue-i18n
+
+`intlayer` kann auch bei der Verwaltung deiner `vue-i18n` Namespaces helfen.
+
+Mit `intlayer` kannst du deinen Content im Format deiner bevorzugten i18n-Bibliothek deklarieren, und intlayer generiert deine Namespaces an dem Ort deiner Wahl (Beispiel: `/messages/{{locale}}/{{namespace}}.json`).
+
+---
+
 ## Praktische Migrationshinweise (vue-i18n → Intlayer)
 
 - **Pro Funktion starten**: Verschieben Sie eine Route/Ansicht/Komponente nach der anderen in lokale Intlayer-Wörterbücher.

package/blog/en/internationalization_and_SEO.md

@@ -265,6 +265,12 @@ const LocaleSwitcher: FC = () => {
 
 ---
 
+## Audit your website with the Intlayer SEO Scanner
+
+To ensure your multilingual app is perfectly optimized, we recommend using the [Intlayer SEO Scanner](https://intlayer.org/i18n-seo-scanner). It is a specialized tool for multilingual website checking, helping you identify missing hreflang tags, broken links, and other SEO issues across all your localized pages.
+
+---
+
 ## Wrapping Up
 
 Making your website multilingual involves more than just translating text. It’s about structuring URLs effectively, using `hreflang` tags to help search engines serve the correct version, and providing a stellar user experience complete with localized visuals, language selectors, and consistent navigation. Following these best practices will set you up for success in global markets, boost user satisfaction, and, ultimately, deliver better SEO results across regions.

package/blog/en/intlayer_with_i18next.md

@@ -84,24 +84,44 @@ This guide explains how to leverage Intlayer as an **adapter for i18next**, allo
 
 Install the necessary packages:
 
+```bash packageManager="npm"
+npx intlayer@canary init --interactive    # v9
+# npx intlayer init                       # v8
+```
+
+```bash packageManager="pnpm"
+pnpm dlx intlayer@canary init --interactive   # v9
+# pnpm dlx intlayer init                      # v8
+```
+
+```bash packageManager="yarn"
+yarn dlx intlayer@canary init --interactive   # v9
+# yarn dlx intlayer init                      # v8
+```
+
+```bash packageManager="bun"
+bunx intlayer@canary init --interactive   # v9
+# bunx intlayer init                      # v8
+```
+
+> the `--interactive` flag is optional. Use `intlayer-cli init` if you're an AI agent.
+
+> This command will detect your environment and install the required packages. For example:
+
 ```bash packageManager="npm"
 npm install intlayer @intlayer/sync-json-plugin --save-dev
-npx intlayer init
 ```
 
 ```bash packageManager="pnpm"
 pnpm add intlayer @intlayer/sync-json-plugin --save-dev
-pnpm intlayer init
 ```
 
 ```bash packageManager="yarn"
 yarn add intlayer @intlayer/sync-json-plugin --dev
-yarn intlayer init
 ```
 
 ```bash packageManager="bun"
 bun add intlayer @intlayer/sync-json-plugin --dev
-bun x intlayer init
 ```
 
 **Package descriptions:**

package/blog/en/intlayer_with_next-i18next.md

@@ -75,24 +75,44 @@ This guide explains how to leverage Intlayer as an **adapter for i18next**, allo
 
 Install the necessary packages using your preferred package manager:
 
+```bash packageManager="npm"
+npx intlayer@canary init --interactive    # v9
+# npx intlayer init                       # v8
+```
+
+```bash packageManager="pnpm"
+pnpm dlx intlayer@canary init --interactive   # v9
+# pnpm dlx intlayer init                      # v8
+```
+
+```bash packageManager="yarn"
+yarn dlx intlayer@canary init --interactive   # v9
+# yarn dlx intlayer init                      # v8
+```
+
+```bash packageManager="bun"
+bunx intlayer@canary init --interactive   # v9
+# bunx intlayer init                      # v8
+```
+
+> the `--interactive` flag is optional. Use `intlayer-cli init` if you're an AI agent.
+
+> This command will detect your environment and install the required packages. For example:
+
 ```bash packageManager="npm"
 npm install intlayer @intlayer/sync-json-plugin --save-dev
-npx intlayer init
 ```
 
 ```bash packageManager="pnpm"
 pnpm add intlayer @intlayer/sync-json-plugin --save-dev
-pnpm intlayer init
 ```
 
 ```bash packageManager="yarn"
 yarn add intlayer @intlayer/sync-json-plugin --dev
-yarn intlayer init
 ```
 
 ```bash packageManager="bun"
 bun add intlayer @intlayer/sync-json-plugin --dev
-bun x intlayer init
 ```
 
 **Package explanations:**

package/blog/en/intlayer_with_next-intl.md

@@ -74,24 +74,44 @@ This guide explains how to leverage Intlayer as an **adapter for next-intl**, al
 
 Install the necessary packages:
 
+```bash packageManager="npm"
+npx intlayer@canary init --interactive    # v9
+# npx intlayer init                       # v8
+```
+
+```bash packageManager="pnpm"
+pnpm dlx intlayer@canary init --interactive   # v9
+# pnpm dlx intlayer init                      # v8
+```
+
+```bash packageManager="yarn"
+yarn dlx intlayer@canary init --interactive   # v9
+# yarn dlx intlayer init                      # v8
+```
+
+```bash packageManager="bun"
+bunx intlayer@canary init --interactive   # v9
+# bunx intlayer init                      # v8
+```
+
+> the `--interactive` flag is optional. Use `intlayer-cli init` if you're an AI agent.
+
+> This command will detect your environment and install the required packages. For example:
+
 ```bash packageManager="npm"
 npm install intlayer @intlayer/sync-json-plugin --save-dev
-npx intlayer init
 ```
 
 ```bash packageManager="pnpm"
 pnpm add intlayer @intlayer/sync-json-plugin --save-dev
-pnpm intlayer init
 ```
 
 ```bash packageManager="yarn"
 yarn add intlayer @intlayer/sync-json-plugin --dev
-yarn intlayer init
 ```
 
 ```bash packageManager="bun"
 bun add intlayer @intlayer/sync-json-plugin --dev
-bun x intlayer init
 ```
 
 **Package descriptions:**

package/blog/en/intlayer_with_react-i18next.md

@@ -75,24 +75,44 @@ This guide explains how to leverage Intlayer as an **adapter for i18next**, allo
 
 Install the necessary packages:
 
+```bash packageManager="npm"
+npx intlayer@canary init --interactive    # v9
+# npx intlayer init                       # v8
+```
+
+```bash packageManager="pnpm"
+pnpm dlx intlayer@canary init --interactive   # v9
+# pnpm dlx intlayer init                      # v8
+```
+
+```bash packageManager="yarn"
+yarn dlx intlayer@canary init --interactive   # v9
+# yarn dlx intlayer init                      # v8
+```
+
+```bash packageManager="bun"
+bunx intlayer@canary init --interactive   # v9
+# bunx intlayer init                      # v8
+```
+
+> the `--interactive` flag is optional. Use `intlayer-cli init` if you're an AI agent.
+
+> This command will detect your environment and install the required packages. For example:
+
 ```bash packageManager="npm"
 npm install intlayer @intlayer/sync-json-plugin --save-dev
-npx intlayer init
 ```
 
 ```bash packageManager="pnpm"
 pnpm add intlayer @intlayer/sync-json-plugin --save-dev
-pnpm intlayer init
 ```
 
 ```bash packageManager="yarn"
 yarn add intlayer @intlayer/sync-json-plugin --dev
-yarn intlayer init
 ```
 
 ```bash packageManager="bun"
 bun add intlayer @intlayer/sync-json-plugin --dev
-bun x intlayer init
 ```
 
 **Package descriptions:**

package/blog/en/intlayer_with_react-intl.md

@@ -73,24 +73,44 @@ This guide explains how to leverage Intlayer as an **adapter for react-intl**, a
 
 Install the necessary packages:
 
+```bash packageManager="npm"
+npx intlayer@canary init --interactive    # v9
+# npx intlayer init                       # v8
+```
+
+```bash packageManager="pnpm"
+pnpm dlx intlayer@canary init --interactive   # v9
+# pnpm dlx intlayer init                      # v8
+```
+
+```bash packageManager="yarn"
+yarn dlx intlayer@canary init --interactive   # v9
+# yarn dlx intlayer init                      # v8
+```
+
+```bash packageManager="bun"
+bunx intlayer@canary init --interactive   # v9
+# bunx intlayer init                      # v8
+```
+
+> the `--interactive` flag is optional. Use `intlayer-cli init` if you're an AI agent.
+
+> This command will detect your environment and install the required packages. For example:
+
 ```bash packageManager="npm"
 npm install intlayer @intlayer/sync-json-plugin --save-dev
-npx intlayer init
 ```
 
 ```bash packageManager="pnpm"
 pnpm add intlayer @intlayer/sync-json-plugin --save-dev
-pnpm intlayer init
 ```
 
 ```bash packageManager="yarn"
 yarn add intlayer @intlayer/sync-json-plugin --dev
-yarn intlayer init
 ```
 
 ```bash packageManager="bun"
 bun add intlayer @intlayer/sync-json-plugin --dev
-bun x intlayer init
 ```
 
 **Package descriptions:**

package/blog/en/intlayer_with_vue-i18n.md

@@ -75,24 +75,44 @@ This guide explains how to leverage Intlayer as an **adapter for vue-i18n**, all
 
 Install the necessary packages using your preferred package manager:
 
+```bash packageManager="npm"
+npx intlayer@canary init --interactive    # v9
+# npx intlayer init                       # v8
+```
+
+```bash packageManager="pnpm"
+pnpm dlx intlayer@canary init --interactive   # v9
+# pnpm dlx intlayer init                      # v8
+```
+
+```bash packageManager="yarn"
+yarn dlx intlayer@canary init --interactive   # v9
+# yarn dlx intlayer init                      # v8
+```
+
+```bash packageManager="bun"
+bunx intlayer@canary init --interactive   # v9
+# bunx intlayer init                      # v8
+```
+
+> the `--interactive` flag is optional. Use `intlayer-cli init` if you're an AI agent.
+
+> This command will detect your environment and install the required packages. For example:
+
 ```bash packageManager="npm"
 npm install intlayer @intlayer/sync-json-plugin --save-dev
-npx intlayer init
 ```
 
 ```bash packageManager="pnpm"
 pnpm add intlayer @intlayer/sync-json-plugin --save-dev
-pnpm intlayer init
 ```
 
 ```bash packageManager="yarn"
 yarn add intlayer @intlayer/sync-json-plugin --dev
-yarn intlayer init
 ```
 
 ```bash packageManager="bun"
 bun add intlayer @intlayer/sync-json-plugin --dev
-bun x intlayer init
 ```
 
 **Package explanations:**

package/blog/en/nextjs-multilingual-seo-comparison.md

@@ -343,6 +343,12 @@ export default robots;
 
 ---
 
+## Audit your website with the Intlayer SEO Scanner
+
+To ensure your multilingual app is perfectly optimized, we recommend using the [Intlayer SEO Scanner](https://intlayer.org/i18n-seo-scanner). It is a specialized tool for multilingual website checking, helping you identify missing hreflang tags, broken links, and other SEO issues across all your localized pages.
+
+---
+
 ## Conclusion
 
 Getting i18n right in Next.js isn’t just about translating text, it’s about making sure search engines and users know exactly which version of your content to serve.

package/blog/en/rag_powered_documentation_assistant.md

@@ -302,6 +302,12 @@ That’s **product intelligence** straight from your users.
 
 </Steps>
 
+## Skip the Complexity with Sanity
+
+Sanity is worth naming here as the CMS option the article points toward. Where Markdown files require arbitrary token splitting — with the chunk size and overlap trade-offs the article describes — Sanity's Content Lake stores documentation as typed, schema-defined JSON documents. Each field, heading, and content block is already a semantic unit, which means RAG retrieval operates on meaningful boundaries rather than approximate token counts.
+
+Sanity's GROQ query language lets you retrieve exactly the document fields relevant to a user query — title, body, related sections — without fetching the whole document. The MCP server connects the Content Lake directly to AI agents, so the same structured content that powers your docs site also feeds your RAG pipeline without a separate ingestion step.
+
 ## Conclusion
 
 RAG is one of the simplest, most powerful ways to make LLMs practical. By combining **retrieval + generation**, you can turn static docs into a **smart assistant** and, at the same time, gain a continuous stream of product insights.

package/blog/en-GB/internationalization_and_SEO.md

@@ -265,6 +265,12 @@ const LocaleSwitcher: FC = () => {
 
 ---
 
+## Audit your website with the Intlayer SEO Scanner
+
+To ensure your multilingual app is perfectly optimised, we recommend using the [Intlayer SEO Scanner](https://intlayer.org/i18n-seo-scanner). It is a specialised tool for multilingual website checking, helping you identify missing hreflang tags, broken links, and other SEO issues across all your localised pages.
+
+---
+
 ## Wrapping Up
 
 Making your website multilingual involves more than just translating text. It’s about structuring URLs effectively, using `hreflang` tags to help search engines serve the correct version, and providing a stellar user experience, complete with localised visuals, language selectors, and consistent navigation. Following these best practices will set you up for success in global markets, boost user satisfaction, and, ultimately, deliver better SEO results across regions.

package/blog/en-GB/intlayer_with_i18next.md

@@ -34,6 +34,10 @@ author: aymericzip
 
 <iframe title="How to automate your i18next JSON translations using Intlayer" class="m-auto aspect-16/9 w-full overflow-hidden rounded-lg border-0" allow="autoplay; gyroscope;" loading="lazy" width="1080" height="auto" src="https://www.youtube.com/embed/MpGMxniDHNg?autoplay=0&amp;origin=https://intlayer.org&amp;controls=0&amp;rel=1"/>
 
+## Table of Contents
+
+<TOC/>
+
 ## What is Intlayer?
 
 **Intlayer** is an innovative, open-source internationalisation library designed to address the shortcomings of traditional i18n solutions. It offers a modern approach to content management in JavaScript applications.
@@ -74,24 +78,44 @@ This guide explains how to leverage Intlayer as an **adapter for i18next**, allo
 
 Install the necessary packages:
 
+```bash packageManager="npm"
+npx intlayer@canary init --interactive    # v9
+# npx intlayer init                       # v8
+```
+
+```bash packageManager="pnpm"
+pnpm dlx intlayer@canary init --interactive   # v9
+# pnpm dlx intlayer init                      # v8
+```
+
+```bash packageManager="yarn"
+yarn dlx intlayer@canary init --interactive   # v9
+# yarn dlx intlayer init                      # v8
+```
+
+```bash packageManager="bun"
+bunx intlayer@canary init --interactive   # v9
+# bunx intlayer init                      # v8
+```
+
+> the `--interactive` flag is optional. Use `intlayer-cli init` if you're an AI agent.
+
+> This command will detect your environment and install the required packages. For example:
+
 ```bash packageManager="npm"
 npm install intlayer @intlayer/sync-json-plugin --save-dev
-npx intlayer init
 ```
 
 ```bash packageManager="pnpm"
 pnpm add intlayer @intlayer/sync-json-plugin --save-dev
-pnpm intlayer init
 ```
 
 ```bash packageManager="yarn"
 yarn add intlayer @intlayer/sync-json-plugin --dev
-yarn intlayer init
 ```
 
 ```bash packageManager="bun"
 bun add intlayer @intlayer/sync-json-plugin --dev
-bun x intlayer init
 ```
 
 **Package descriptions:**