Skool RAG Pipeline
Ziel
Durchsuche Skool-Community-Inhalte mit einer RAG (Retrieval-Augmented Generation)-Pipeline, die Vektorsuche und Neubewertung verwendet.
Skripte
./scripts/skool_rag_prepare.py– Inhalte für die Indizierung vorbereiten./scripts/skool_rag_index.py– Inhalte in Pinecone indizieren./scripts/skool_rag_query.py– Die Wissensdatenbank abfragen
Pipeline
1. Inhalt vorbereiten
python3 ./scripts/skool_rag_prepare.py --community makerschool
Durchsucht und chunked Community-Inhalte.
2. In Pinecone indizieren
python3 ./scripts/skool_rag_index.py --input .tmp/skool_chunks.json
Erstellt OpenAI-Embeddings und speichert sie in Pinecone.
3. Abfragen
python3 ./scripts/skool_rag_query.py --query "Wie bekomme ich meinen ersten Kunden?"
Pipeline:
- OpenAI-Embeddings für die Abfrage
- Pinecone Vektorsuche
- Cohere Neubewertung
- Claude Antwortgenerierung
Umgebung
PINECONE_API_KEY=dein_schlüssel
OPENAI_API_KEY=dein_schlüssel
COHERE_API_KEY=dein_schlüssel
ANTHROPIC_API_KEY=dein_schlüssel
Schema
Eingaben
| Name | Typ | Erforderlich | Beschreibung |
|---|---|---|---|
query | string | Ja | Frage in natürlicher Sprache zur Suche |
community | string | Nein | Community-Slug zum Indizieren (Standard: makerschool) |
Ausgaben
| Name | Typ | Beschreibung |
|---|---|---|
answer | string | KI-generierte Antwort mit Quellenangaben |
Anmeldeinformationen
| Name | Quelle |
|---|---|
PINECONE_API_KEY | .env |
OPENAI_API_KEY | .env |
COHERE_API_KEY | .env |
ANTHROPIC_API_KEY | .env |
Kombinierbar mit
Skills, die gut mit diesem kombinierbar sind: skool-monitor
Kosten
Pinecone + OpenAI-Embeddings + Cohere Neubewertung + Claude