ai-rag-pipeline

belt CLI スキルをインストール： npx skills add belt-sh/cli

AI RAG パイプライン

inference.sh CLI を使って RAG（検索拡張生成）パイプラインを構築します。

クイックスタート

inference.sh CLI（belt）が必要です。インストール手順

belt login

# Simple RAG: Search + LLM
SEARCH=$(belt app run tavily/search-assistant --input '{"query": "latest AI developments 2024"}')
belt app run openrouter/claude-sonnet-45 --input "{
  \"prompt\": \"Based on this research, summarize the key trends: $SEARCH\"
}"

RAG とは？

RAG は次の要素を組み合わせます。

1. 検索：外部ソースから関連情報を取得します
2. 拡張：取得したコンテキストをプロンプトに追加します
3. 生成：LLM がコンテキストを使って応答を生成します

これにより、より正確で最新かつ検証可能な AI の応答が得られます。

RAG パイプラインのパターン

パターン 1：シンプルな検索＋回答

[User Query] -> [Web Search] -> [LLM with Context] -> [Answer]

パターン 2：複数ソースの調査

[Query] -> [Multiple Searches] -> [Aggregate] -> [LLM Analysis] -> [Report]

パターン 3：抽出＋処理

[URLs] -> [Content Extraction] -> [Chunking] -> [LLM Summary] -> [Output]

利用可能なツール

検索ツール

ツール	アプリ ID	最適な用途
Tavily 検索	tavily/search-assistant	回答付きの AI 検索
Exa 検索	exa/search	ニューラル検索、意味的マッチング
Exa 回答	exa/answer	事実に基づく直接的な回答

抽出ツール

ツール	アプリ ID	最適な用途
Tavily 抽出	tavily/extract	URL からクリーンなコンテンツを取得
Exa 抽出	exa/extract	Web コンテンツの分析

LLM ツール

モデル	アプリ ID	最適な用途
Claude Sonnet 4.5	openrouter/claude-sonnet-45	複雑な分析
Claude Haiku 4.5	openrouter/claude-haiku-45	高速な処理
GPT-4o	openrouter/gpt-4o	汎用
Gemini 2.5 Pro	openrouter/gemini-25-pro	長いコンテキスト

パイプラインの例

基本的な RAG パイプライン

# 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.

Search Results:
$SEARCH_RESULT

Provide a well-structured summary with source citations.\"
}"

複数ソースの調査

# Search multiple sources
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"}')

# Combine and analyze
belt app run openrouter/claude-sonnet-45 --input "{
  \"prompt\": \"Analyze these research results and identify common themes and contradictions.

Source 1 (Tavily):
$TAVILY

Source 2 (Exa):
$EXA

Provide a balanced analysis with sources.\"
}"

URL コンテンツの分析

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

# 2. Analyze extracted content
belt app run openrouter/claude-sonnet-45 --input "{
  \"prompt\": \"Analyze these documents and extract key insights:

$CONTENT

Provide:
1. Key findings
2. Data points
3. Recommendations\"
}"

ファクトチェックのパイプライン

# Claim to verify
CLAIM="AI will replace 50% of jobs by 2030"

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

# 2. Verify claim
belt app run openrouter/claude-sonnet-45 --input "{
  \"prompt\": \"Fact-check this claim: '$CLAIM'

Based on the following evidence:
$EVIDENCE

Provide:
1. Verdict (True/False/Partially True/Unverified)
2. Supporting evidence
3. Contradicting evidence
4. Sources\"
}"

調査レポートの生成

TOPIC="Impact of generative AI on creative industries"

# 1. Initial research
OVERVIEW=$(belt app run tavily/search-assistant --input "{\"query\": \"$TOPIC overview\"}")
STATISTICS=$(belt app run exa/search --input "{\"query\": \"$TOPIC statistics data\"}")
OPINIONS=$(belt app run tavily/search-assistant --input "{\"query\": \"$TOPIC expert opinions\"}")

# 2. Generate comprehensive report
belt app run openrouter/claude-sonnet-45 --input "{
  \"prompt\": \"Generate a comprehensive research report on: $TOPIC

Research Data:
== Overview ==
$OVERVIEW

== Statistics ==
$STATISTICS

== Expert Opinions ==
$OPINIONS

Format as a professional report with:
- Executive Summary
- Key Findings
- Data Analysis
- Expert Perspectives
- Conclusion
- Sources\"
}"

ソース付きのクイック回答

# Use Exa Answer for direct factual questions
belt app run exa/answer --input '{
  "question": "What is the current market cap of NVIDIA?"
}'

ベストプラクティス

1. クエリの最適化

# Bad: Too vague
"AI news"

# Good: Specific and contextual
"latest developments in large language models January 2024"

2. コンテキストの管理

# Summarize long search results before sending to LLM
SEARCH=$(belt app run tavily/search-assistant --input '{"query": "..."}')

# If too long, summarize first
SUMMARY=$(belt app run openrouter/claude-haiku-45 --input "{
  \"prompt\": \"Summarize these search results in bullet points: $SEARCH\"
}")

# Then use summary for analysis
belt app run openrouter/claude-sonnet-45 --input "{
  \"prompt\": \"Based on this research summary, provide insights: $SUMMARY\"
}"

3. ソースの明記

LLM にソースを引用するよう必ず指示してください。

belt app run openrouter/claude-sonnet-45 --input '{
  "prompt": "... Always cite sources in [Source Name](URL) format."
}'

4. 反復的な調査

# First pass: broad search
INITIAL=$(belt app run tavily/search-assistant --input '{"query": "topic overview"}')

# Second pass: dive deeper based on findings
DEEP=$(belt app run tavily/search-assistant --input '{"query": "specific aspect from initial search"}')

パイプラインのテンプレート

エージェント調査ツール

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

research() {
  local query="$1"

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

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

research "your query here"

関連スキル

# Web search tools
npx skills add inference-sh/skills@web-search

# LLM models
npx skills add inference-sh/skills@llm-models

# Content pipelines
npx skills add inference-sh/skills@ai-content-pipeline

# Full platform skill
npx skills add inference-sh/skills@infsh-cli

すべてのアプリを表示：belt app list

ドキュメント

• エージェントへのツールの追加 - エージェントへのツール統合
• 調査エージェントの構築 - 詳細ガイド