用途：通过 inference.sh CLI（infsh）搭建 RAG（检索增强生成）管道，把外部检索到的信息加入提示词，再交由大模型生成更有依据、更新、可核验的回答。
主要能力与可用工具：搜索类有 tavily/search-assistant（AI 搜索并给答案）、exa/search（神经语义搜索）、exa/answer（直接事实性回答）；提取类有 tavily/extract（从 URL 提取干净内容）、exa/extract（分析网页内容）；大模型类有 openrouter/claude-sonnet-45（复杂分析）、openrouter/claude-haiku-45（快速处理）、openrouter/gpt-4o（通用）、openrouter/gemini-25-pro（长上下文）。
使用方式：需先安装 infsh CLI，然后 infsh login 登录。基本流程为先搜索再让 LLM 基于结果生成回答，例如：SEARCH=$(infsh app run tavily/search-assistant --input '{"query": "latest AI developments 2024"}')，随后 infsh app run openrouter/claude-sonnet-45 --input "{"prompt": "...基于以下研究总结关键趋势：$SEARCH"}"。
典型模式：简单搜索+回答；多来源研究（多次搜索、聚合并分析）；提取+处理（URL 提取内容、分块、LLM 总结）。文档还给出事实核查、研究报告生成、快速带来源问答等示例。
最佳实践：优化查询（避免过于笼统）；上下文过长时先用 haiku 类模型总结再分析；让模型标注来源；采用迭代式研究，先广后深。相关技能可通过 npx skills add inference-sh/skills@web-search 等方式添加。
限制：资料未提供具体收费、价格、额度、运行平台细节或效果保证；模型与工具可用性以实际环境为准。部分引用命令中的变量、输入格式需按原样使用。