ai-rag-pipeline

用途

ai-rag-pipeline 是一个用于构建 RAG（Retrieval Augmented Generation，检索增强生成）流水线的技能。它通过 inference.sh CLI（即 belt）把网络搜索工具与大型语言模型连接起来，用于生成更准确、更新且可核验的 AI 回答。

RAG 由三部分组成：

检索（Retrieval）：从外部来源获取相关信息；
增强（Augmentation）：把检索到的上下文加入提示词；
生成（Generation）：LLM 基于上下文生成回答。

主要能力

资料提供的三种 RAG 流水线模式：

模式一：简单搜索加回答。流程为 [用户查询] -> [网络搜索] -> [带上下文的 LLM] -> [回答]。
模式二：多来源研究。流程为 [查询] -> [多个搜索] -> [聚合] -> [LLM 分析] -> [报告]。
模式三：提取加处理。流程为 [URL] -> [内容提取] -> [分块] -> [LLM 摘要] -> [输出]。

资料列出的可用工具：

搜索工具：

Tavily Search，应用 ID 为 tavily/search-assistant，适合带答案的 AI 搜索；
Exa Search，应用 ID 为 exa/search，适合神经搜索、语义匹配；
Exa Answer，应用 ID 为 exa/answer，适合直接的事实性回答。

提取工具：

Tavily Extract，应用 ID 为 tavily/extract，适合从 URL 提取干净内容；
Exa Extract，应用 ID 为 exa/extract，适合分析网页内容。

LLM 工具：

Claude Sonnet 4.5，应用 ID 为 openrouter/claude-sonnet-45，适合复杂分析；
Claude Haiku 4.5，应用 ID 为 openrouter/claude-haiku-45，适合快速处理；
GPT-4o，应用 ID 为 openrouter/gpt-4o，适合通用场景；
Gemini 2.5 Pro，应用 ID 为 openrouter/gemini-25-pro，适合长上下文。

文档中还给出了若干流水线示例的用途：基础 RAG 流水线（先搜索再生成带引用的回答）、多来源研究（合并 Tavily 与 Exa 结果做平衡分析）、URL 内容分析（提取多个 URL 内容后提取关键洞见）、事实核查（先检索证据再给出真伪判定）、研究报告生成器（多角度检索后生成结构化报告）、带来源的快速回答（用 Exa Answer 回答直接事实问题）。

使用方式

资料给出的安装与前置步骤：

安装 belt CLI 技能：npx skills add belt-sh/cli
需要 inference.sh CLI（belt），安装说明见资料所指位置；
登录：belt login

基础 RAG 流水线示例（保持原样）：

# 1. Search for information
SEARCH_RESULT=$(belt app run tavily/search-assistant --input '{
  "query": "What are the latest breakthroughs in quantum computing 2024?"
}')

# 2. Generate grounded response
belt app run openrouter/claude-sonnet-45 --input "{
  \"prompt\": \"You are a research assistant. Based on the following search results, provide a comprehensive summary with citations.\n\nSearch Results:\n$SEARCH_RESULT\n\nProvide a well-structured summary with source citations.\"
}"

多来源研究示例（保持原样）：

TAVILY=$(belt app run tavily/search-assistant --input '{"query": "electric vehicle market trends 2024"}')
EXA=$(belt app run exa/search --input '{"query": "EV market analysis latest reports"}')

belt app run openrouter/claude-sonnet-45 --input "{
  \"prompt\": \"Analyze these research results and identify common themes and contradictions.\n\nSource 1 (Tavily):\n$TAVILY\n\nSource 2 (Exa):\n$EXA\n\nProvide a balanced analysis with sources.\"
}"

URL 内容分析示例（保持原样）：

CONTENT=$(belt app run tavily/extract --input '{
  "urls": [
    "https://example.com/research-paper",
    "https://example.com/industry-report"
  ]
}')

belt app run openrouter/claude-sonnet-45 --input "{
  \"prompt\": \"Analyze these documents and extract key insights:\n\n$CONTENT\n\nProvide:\n1. Key findings\n2. Data points\n3. Recommendations\"
}"

事实核查示例（保持原样）：

CLAIM="AI will replace 50% of jobs by 2030"

EVIDENCE=$(belt app run tavily/search-assistant --input "{
  \"query\": \"$CLAIM evidence studies research\"
}")

belt app run openrouter/claude-sonnet-45 --input "{
  \"prompt\": \"Fact-check this claim: '$CLAIM'\n\nBased on the following evidence:\n$EVIDENCE\n\nProvide:\n1. Verdict (True/False/Partially True/Unverified)\n2. Supporting evidence\n3. Contradicting evidence\n4. Sources\"
}"

带来源的快速回答示例（保持原样）：

belt app run exa/answer --input '{
  "question": "What is the current market cap of NVIDIA?"
}'

可复用的研究函数模板（保持原样）：

#!/bin/bash
# research.sh - Reusable research function

research() {
  local query="$1"

  local results=$(belt app run tavily/search-assistant --input "{\"query\": \"$query\"}")

  belt app run openrouter/claude-haiku-45 --input "{
    \"prompt\": \"Summarize: $results\"
  }"
}

research "your query here"

资料还列出相关技能安装命令：

npx skills add inference-sh/skills@web-search
npx skills add inference-sh/skills@llm-models
npx skills add inference-sh/skills@ai-content-pipeline
npx skills add inference-sh/skills@infsh-cli

以及查看应用列表命令：belt app list。

最佳实践（摘自资料）

查询优化：避免过于含糊（如 AI news），应具体且带上下文（如 latest developments in large language models January 2024）。
上下文管理：检索结果过长时先用模型摘要，再送入分析模型。
来源标注：要求 LLM 以 Source Name 格式引用来源。
迭代研究：先广泛搜索，再针对初轮结果深入检索。

适用场景

资料示例覆盖：基础检索问答、多来源交叉研究、URL 文档内容分析、事实核查、研究报告生成、直接事实问答等。

限制

资料未提供关于收费、价格、平台限制、性能效果或使用配额的具体信息，这些内容暂未提供。资料亦未提供各模型的参数、速率限制或错误处理说明。

技能介绍

用途

主要能力

使用方式

最佳实践（摘自资料）

适用场景

限制