Kebanyakan demo RAG terlihat baik-baik saja sampai model menjawab dari memori pelatihannya, bukan dari dokumen Anda. Baseline ini menjaganya tetap jujur.
sonnet3 hariPineconeOpenAILangChainPython
Claude
64ROI
84Scale
$1.8k88Saved
ROI for
README.md
Mengapa subagent ini
Kebanyakan demo RAG terlihat baik-baik saja sampai model menjawab dari memori pelatihannya, bukan dari dokumen Anda. Baseline ini menjaganya tetap jujur.
Dokumen di-chunk dan di-embedding ke dalam namespace Pinecone; setiap pertanyaan menarik chunk terdekat, dan model hanya menjawab dari chunk tersebut. Setiap jawaban mencantumkan chunk yang digunakannya, dan ketika tidak ada yang relevan, ia akan berkata begitu alih-alih mengarang jawaban. Titik awal yang bersih dan siap Anda kembangkan.
Cara kerjanya
Used at step 01 to kick off the pipeline.
Write
Used at step 01 to kick off the pipeline.
WebFetch
Used at step 01 to kick off the pipeline.
WebSearch
Used at step 01 to kick off the pipeline.
Embedding pertanyaan yang masuk dan ambil chunk paling cocok dari namespace tersebut.
pending
Berikan chunk yang diambil sebagai konteks dan minta model menjawab hanya berdasarkan apa yang diambil.
pending
Kembalikan jawaban beserta ID chunk sumber yang digunakan agar klaim dapat diverifikasi.
pending
Contoh output
json
// Sample output
// (generated when the pipeline finishes)
Answer questions from Pinecone-retrieved chunks only, citing the chunk IDs used and refusing when context is missing.
Unlock the rest
The full agent definition, install snippet, and starter task are gated for community members.
Members get the full `.md` agent file, the npm / pnpm install one-liners, a starter prompt that we've tuned against real runs, and the open-source repo when this automation ships there. One email, magic link, done.