Leo/Arcrun

Files

T

uncle6me-web 922a57fe34 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>

2026-06-03 15:52:38 +08:00

1.6 KiB

Raw Permalink Blame History

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

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

1.6 KiB Raw Permalink Blame History Unescape Escape