用途：通过 inference.sh CLI（belt）构建 RAG（检索增强生成）流程，把外部检索结果注入提示词，再由 LLM 生成更准确、更新且可核验的回答。RAG 由检索、增强、生成三部分组成。
安装与登录：npx skills add belt-sh/cli；需先安装 inference.sh CLI（belt），然后执行 belt login。可用 belt app list 浏览全部应用。
主要能力与工具：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）；LLM 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）。
常见流程模式：简单搜索加回答（查询→网页搜索→带上下文的 LLM→答案）；多源研究（多路搜索→聚合→LLM 分析→报告）；提取加处理（URL→内容提取→分块→LLM 摘要→输出）。示例流程包括基础 RAG、多源研究、URL 内容分析、事实核查、研究报告生成与带来源的快速问答。
典型用法示例：SEARCH_RESULT=$(belt app run tavily/search-assistant --input '{"query": "..."}') 后，将结果拼入 belt app run openrouter/claude-sonnet-45 的 prompt；或用 belt app run exa/answer 直接回答事实问题。
最佳实践：查询要具体且带上下文；长搜索结果先压缩再交给 LLM；要求模型以 来源 格式标注引用；可迭代研究，先广搜再深入。
限制：资料未提供具体收费、价格、各平台可用性及效果数据；实际使用依赖 inference.sh CLI 与相应应用，输出质量受检索内容与模型能力影响。