docs(registry): seed 10 examples + 5 skills (LI SDD M3.1 + M3.3)

對應 .agents/specs/llm-interface/ Milestone 3.1 + 3.3。

registry/examples/ — 10 個可直接 push 的 workflow 範本：
  starter:    webhook-to-http
  common:     cron-watcher, llm-classify, rag-search-answer, daily-digest
  external:   email-summary (gmail+claude+telegram), pdf-to-blocks,
              github-issue-bot
  advanced:   parallel-fanout (trigger_workflow fan-out),
              error-retry (try_catch+wait pattern)

  每個含：workflow.yaml（可直接 push）+ description.md（解決什麼問題 /
  改成你自己的 / 學到什麼）+ tags.json（搜尋用）

registry/skills/ — 5 個 AI playbook（markdown）：
  build_watcher_workflow            — cron + filter + trigger 模式
  debug_paused_workflow             — claude_api callback paused 怎麼追
  migrate_http_to_trigger_workflow  — 從 self-fetch 換 trigger_workflow
  rag_with_arcrun                   — KBDB + claude_api 組裝 RAG
  add_new_wasm_component            — TinyGo 寫 + 部署全流程

兩者差異：
  examples = 可直接拿來改的 YAML
  skills = 面對 X 問題該怎麼想 + 該用哪個 example

兩者後續：CI 自動同步進 KBDB（type=workflow-example / type=agent-skill），
MCP arcrun_search_examples / arcrun_list_skills 走 KBDB semantic search。
（CI sync 是 M3.4 工作）

Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>

registry/examples/rag-search-answer/description.md

@@ -0,0 +1,36 @@
+# rag-search-answer
+
+## 解決什麼問題
+最經典 RAG：用戶問問題 → KBDB semantic search 找相關 blocks → 餵 claude 回答。
+比直接問 claude 強：claude 有了實際 context，不會編、可引用、回答跟你的資料一致。
+
+## 怎麼觸發
+```bash
+curl -X POST https://cypher.arcrun.dev/webhooks/named/rag_search_answer/trigger \
+  -H "X-Arcrun-API-Key: ak_xxx" \
+  -d '{
+    "api_key":"ak_xxx",
+    "question":"如何避免 CF self-fetch 死鎖?",
+    "user_id":"inkstone_mira_tools"
+  }'
+```
+
+## 改成你自己的
+- `search_kbdb.topK` 改 N（取多少 context，3-10 常見）
+- `search_kbdb.user_id` 改為 query 該用戶下的 blocks，或拿掉撈全庫
+- prompt 改為你的 domain（客服 / 法律 / 醫療 / 技術文件）
+- 進階：加 `_recipe_output_format: json` 讓 claude 回結構化 {answer, citations[]}
+
+## 為什麼這 pattern 重要
+RAG 是 LLM 真正派上用場的場景。沒 RAG，LLM 在你私有資料上的回答是猜的。
+
+## 變體
+- **多輪 RAG**：先 claude 改寫 question → KBDB search → claude 答（query rewriting）
+- **多源**：KBDB + web search + DB query → merge → claude
+- **filter**：claude 先判斷 "需要 RAG 嗎？" → 不需要直接回（省 search latency）
+- **followup**：把 claude 答案 + 用戶 question 一起存 KBDB，下次同問題直接 cache hit
+
+## 學到什麼
+- `kbdb_search` 走 semantic（embedding），不是字面比對 — query 不用打對關鍵字
+- `{{search_kbdb.results}}` 自動展開為 markdown 列表（component contract）
+- claude prompt 內注入 context 是 RAG 的核心，不需要 vector DB 之外的額外組件