用途
AI RAG Pipeline 用于通过 inference.sh CLI（infsh）构建 RAG（Retrieval Augmented Generation，检索增强生成）流水线。RAG 将三部分组合起来：检索（从外部来源获取相关信息）、增强（把检索到的上下文加入提示词）、生成（大语言模型基于上下文生成回答）。其目标是产出更准确、更新、更可验证的 AI 回答。
主要能力
该技能整合了三类工具：
- 搜索工具：Tavily Search（tavily/search-assistant，AI 驱动搜索并带答案）、Exa Search（exa/search，神经搜索与语义匹配）、Exa Answer（exa/answer，直接事实性回答）。
- 提取工具：Tavily Extract（tavily/extract，从 URL 提取干净内容）、Exa Extract（exa/extract，分析网页内容）。
- LLM 工具：Claude Sonnet 4.5（openrouter/claude-sonnet-45，复杂分析）、Claude Haiku 4.5（openrouter/claude-haiku-45，快速处理）、GPT-4o（openrouter/gpt-4o，通用）、Gemini 2.5 Pro（openrouter/gemini-25-pro，长上下文）。
使用方式
需要先安装 inference.sh CLI（infsh），然后登录：
infsh login
最简单的 RAG 流程是“搜索 + LLM”：
SEARCH=$(infsh app run tavily/search-assistant --input '{"query": "latest AI developments 2024"}')
infsh app run openrouter/claude-sonnet-45 --input "{
\"prompt\": \"Based on this research, summarize the key trends: $SEARCH\"
}"
技能中给出的流水线模式包括：
- 模式 1：简单搜索 + 回答：[用户查询] -> [网络搜索] -> [带上下文的 LLM] -> [回答]。
- 模式 2：多源研究：[查询] -> [多个搜索] -> [聚合] -> [LLM 分析] -> [报告]。
- 模式 3：提取 + 处理：[URL] -> [内容提取] -> [分块] -> [LLM 摘要] -> [输出]。
技能还提供了多个可直接参考的示例，包括基础 RAG 流水线、多源研究、URL 内容分析、事实核查流水线、研究报告生成器，以及使用 Exa Answer 的快速带来源回答。
适用场景
- 基于最新网络信息生成带引用的研究摘要。
- 对某一主张进行事实核查，输出判定、支持证据、矛盾证据与来源。
- 对指定 URL 的文档或报告进行内容提取与要点分析。
- 围绕某一主题聚合多来源数据，生成结构化研究报告。
- 直接回答事实性问题并附带来源。
最佳实践
技能中列出的实践包括：查询优化（避免过于宽泛，使用具体且带上下文的查询）、上下文管理（对过长的搜索结果先用快速模型摘要再交给分析模型）、来源归属（要求 LLM 以 Source Name 格式引用来源）、迭代研究（先广泛搜索，再根据发现深入搜索）。
限制
该技能依赖 inference.sh CLI（infsh）及上述各 app 的可用性；具体安装方式、计费、价格、速率限制、平台支持范围等事实在所提供的资料中暂未提供。