arcrun — AI workflow execution engine (clean history)

Self-hosted 開源：WASM 零件 + recipe + cypher-executor，跑在你自己的 Cloudflare。

此為重建的乾淨歷史起點（移除曾誤 commit 的 GCP SA 金鑰，舊歷史保留在
richblack/arcrun 與本地 backup 分支）。含：
- acr init --self-hosted installer（建 KV/R2 + codeload 拉預編譯 wasm + wrangler deploy + seed recipe）
- recipe push 把關（資料外流提醒 + 打通檢查）
- 19 個正當零件預編譯 wasm（claude_api/km_writer/kbdb_upsert_block 排除：違反 DECISIONS §1）
- CLI / cypher-executor / registry / 完整 SDD

Co-Authored-By: Claude Opus 4.8 <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