AI RAG パイプライン

使用する場合

必要に応じてこのスキルを使用して、指定された自動化タスクを実行します。

inference.sh CLIを使用してRAG（Retrieval Augmented Generation）パイプラインを構築します。

クイックスタート

curl -fsSL https://cli.inference.sh | sh && infsh login

# シンプルなRAG：検索 + 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\"
}"

RAGとは？

RAGは以下を組み合わせたものです：

1. 検索（Retrieval）: 外部ソースから関連情報を取得
2. 拡張（Augmentation）: 取得したコンテキストをプロンプトに追加
3. 生成（Generation）: LLMがコンテキストを使用して応答を生成

これにより、より正確で最新の、かつ検証可能なAI応答が得られます。

RAGパイプラインパターン

パターン1：シンプルな検索 + 回答

[ユーザークエリ] -> [ウェブ検索] -> [コンテキスト付きLLM] -> [回答]

パターン2：複数ソース研究

[クエリ] -> [複数検索] -> [集約] -> [LLM分析] -> [レポート]

パターン3：抽出 + 処理

[URL] -> [コンテンツ抽出] -> [チャンキング] -> [LLM要約] -> [出力]

利用可能なツール

検索ツール

ツール	アプリID	最適用途
Tavily Search	tavily/search-assistant	AI搭載の回答付き検索
Exa Search	exa/search	ニューラル検索、セマンティックマッチング
Exa Answer	exa/answer	直接的な事実回答

抽出ツール

ツール	アプリID	最適用途
Tavily Extract	tavily/extract	URLからのクリーンなコンテンツ
Exa Extract	exa/extract	ウェブコンテンツの分析

LLMツール

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

パイプライン例

基本的なRAGパイプライン

# 1. 情報を検索
SEARCH_RESULT=$(infsh app run tavily/search-assistant --input '{
  "query": "What are the latest breakthroughs in quantum computing 2024?"
}')

# 2. 根拠のある応答を生成
infsh 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.\"
}"

複数ソース研究

# 複数のソースを検索
TAVILY=$(infsh app run tavily/search-assistant --input '{"query": "electric vehicle market trends 2024"}')
EXA=$(infsh app run exa/search --input '{"query": "EV market analysis latest reports"}')

# 統合して分析
infsh 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コンテンツ分析

# 1. 特定のURLからコンテンツを抽出
CONTENT=$(infsh app run tavily/extract --input '{
  "urls": [
    "https://example.com/research-paper",
    "https://example.com/industry-report"
  ]
}')

# 2. 抽出したコンテンツを分析
infsh 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\"
}"

ファクトチェックパイプライン

# 検証するクレーム
CLAIM="AI will replace 50% of jobs by 2030"

# 1. エビデンスを検索
EVIDENCE=$(infsh app run tavily/search-assistant --input "{
  \"query\": \"$CLAIM evidence studies research\"
}")

# 2. クレームを検証
infsh 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\"
}"

研究レポート生成

TOPIC="Impact of generative AI on creative industries"

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

# 2. 包括的なレポートを生成
infsh 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\"
}"

ソース付きクイック回答

# ファクトチェック質問にはExa Answerを使用
infsh 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

# 悪い例：不明瞭
"AI news"

# 良い例：具体的でコンテキスト指向
"latest developments in large language models January 2024"

2. コンテキスト管理

# LLMに送信する前に長い検索結果を要約
SEARCH=$(infsh app run tavily/search-assistant --input '{"query": "..."}')

# 長い場合は、まず要約
SUMMARY=$(infsh app run openrouter/claude-haiku-45 --input "{
  \"prompt\": \"Summarize these search results in bullet points: $SEARCH\"
}")

# その後、分析に要約を使用
infsh app run openrouter/claude-sonnet-45 --input "{
  \"prompt\": \"Based on this research summary, provide insights: $SUMMARY\"
}"

3. ソースの表示

常にLLMにソースを引用するよう指示します：

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

4. イテラティブな研究

# 第1パス：広範な検索
INITIAL=$(infsh app run tavily/search-assistant --input '{"query": "topic overview"}')

# 第2パス：初期検索から得られた知見に基づいて詳く掘り下げる
DEEP=$(infsh app run tavily/search-assistant --input '{"query": "specific aspect from initial search"}')

パイプラインテンプレート

エージェント研究ツール

#!/bin/bash
# research.sh - 再利用可能な研究関数

research() {
  local query="$1"

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

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

research "your query here"

関連スキル

# ウェブ検索ツール
npx skills add inference-sh/skills@web-search

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

# コンテンツパイプライン
npx skills add inference-sh/skills@ai-content-pipeline

# フルプラットフォームスキル
npx skills add inference-sh/skills@inference-sh

すべてのアプリを確認：infsh app list

ドキュメント

• エージェントへのツール追加 - エージェントツール統合
• 研究エージェントの構築 - 完全ガイド