（660期）ai-rag-pipeline – AI 检索增强生成流水线构建指南

AI 检索增强生成流水线构建指南 基于 inference.sh 的 RAG 构建指南，整合多源搜索与顶尖 LLM，为 AI 研究代理提供可溯源的知识检索与生成方案。 使用说明 核心用法 AI RAG Pipeline 是一套基于 inference.sh CLI 的检索增强生成（RAG）构建指南，通过组合 Tavily、Exa 等搜索引擎与 Claude、GPT-4、Gemini 等 LLM，帮助用户搭建从信息检索到生成回答的完整流水线。用户可通过简单的 Bash 命令链式调用 infsh app run 实现搜索、内容提取、多源聚合和智能分析，支持从简单问答到复杂研究报告生成的多种场景。 显著优点 该技能提供了极为丰富的流水线模式示例，涵盖基础搜索问答、多源研究、URL 内容分析、事实核查和研究报告生成等典型 RAG 场景。文档结构清晰，详细列出了各工具的最佳适用场景，并提供了查询优化、上下文管理和来源引用的最佳实践。支持通过 OpenRouter 访问多个顶尖 LLM 模型，灵活性高。 潜在缺点与局限性 作为 T3 来源的社区文档，其权威性不如官方发布。该技能为纯文档性质，所有示例均依赖外部 inference.sh CLI 工具和相关 API 服务（Tavily、Exa、OpenRouter），无法离线使用，且对用户网络环境有要求。文档未提供错误处理、重试机制或版本锁定建议，生产环境使用需自行完善。API 调用会产生费用，大规模使用需考虑成本。 适合的目标群体 主要面向 AI 应用开发者、研究人员、数据分析师以及需要构建智能研究助手或知识库系统的技术团队。适合希望快速理解 RAG 架构并基于现成工具链实现原型的开发者，也可作为教育材料用于学习检索增强生成技术。不适合对数据隐私要求极高或需要完全离线部署的场景。 使用风险 首要风险是 API 密钥管理，用户需自行保管 Tavily、Exa 和 OpenRouter 的密钥，存在泄露风险。其次，过度依赖第三方服务可用性，任一服务中断都会影响流水线工作。网络请求可能带来延迟和超时问题，未在示例中展示超时处理。此外，搜索结果的版权和内容合规性需用户自行审查，LLM 生成内容可能存在幻觉，需人工核实。 原始说明 Build RAG (Retrieval Augmented Generation) pipelines with web search and LLMs. Tools: Tavily Search, Exa Search, Exa Answer, Claude, GPT-4, Gemini via OpenRo...