exa-rag — скилл для Claude Code: RAG с Exa и установка
Скилл exa-rag для Claude Code подключает поиск Exa к RAG-системам и ИИ-агентам. Использует актуальные веб-источники и ссылки на них.
MIT 251 установок ★ 6 обновлён 2026-06-25
npx skills add ejirocodes/agent-skills --skill exa-rag -a claude-codeЧто делает exa-rag
Скилл показывает, как использовать Exa для поиска веб-страниц и передачи найденного контекста в генерацию ответов. В нём разобраны интеграции с LangChain, LlamaIndex и Vercel AI SDK, а также MCP, вызов инструментов и OpenAI-совместимый API.
Для LangChain описан ExaSearchRetriever, для LlamaIndex — ExaReader; примеры для Vercel AI SDK подключают поиск как инструмент. В рекомендациях есть фильтрация доменов и дат, краткие фрагменты вместо полного текста и ссылки на источники в цитатах. Для работы с Exa нужен API-ключ; без него примеры запросов не подключатся к сервису. Выбор интеграции зависит от стека проекта.
Какие задачи решает
- подключить веб-поиск Exa к RAG-цепочке
- загружать результаты Exa в LlamaIndex
- добавить поиск в приложение на Vercel AI SDK
- передавать агенту веб-поиск через MCP или вызов инструментов
- добавлять URL источника в ответы с цитатами
Примеры запросов агенту
- Подключи поиск Exa к моей RAG-цепочке на LangChain и покажи, как получать релевантные фрагменты.
- Настрой
ExaReaderдля загрузки результатов Exa в LlamaIndex. - Добавь поиск Exa как инструмент в приложение на Vercel AI SDK.
Как установить exa-rag
1Через Skills CLI (Vercel)
npx skills add ejirocodes/agent-skills --skill exa-rag -a claude-code2Вручную: положить файлы
~/.claude/skills/exa-rag/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/exa-rag/
1Через Skills CLI (Vercel)
npx skills add ejirocodes/agent-skills --skill exa-rag -a codex2Вручную: положить файлы
.agents/skills/exa-rag/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add ejirocodes/agent-skills --skill exa-rag -a cursor2Вручную: положить файлы
.cursor/skills/exa-rag/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install ejirocodes/agent-skills exa/skills/exa-rag2Вручную: положить файлы
.github/skills/exa-rag/SKILL.md1Через Skills CLI (Vercel)
npx skills add ejirocodes/agent-skills --skill exa-rag -a gemini-cli2Командой платформы
gemini skills install https://github.com/ejirocodes/agent-skills --path exa/skills/exa-ragВручную: положить файлы
.devin/skills/exa-rag/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add ejirocodes/agent-skills --skill exa-rag -a opencodeClaude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы об exa-rag
Как установить exa-rag в Claude Code?
Выполните npx skills add ejirocodes/agent-skills --skill exa-rag -a claude-code. Файл скилла находится по пути ~/.claude/skills/exa-rag/SKILL.md.
Что делает exa-rag?
Скилл объясняет интеграцию веб-поиска Exa с RAG и ИИ-агентами. В нём есть примеры для LangChain, LlamaIndex, Vercel AI SDK, MCP и OpenAI-совместимого API.
Нужен ли API-ключ Exa для работы?
Да. Примеры для ExaSearchRetriever, ExaReader и OpenAI-совместимого API передают API-ключ Exa.
Исходный текст
SKILL.md · MIT
---
name: exa-rag
description: "Build RAG pipelines with Exa.ai for real-time web retrieval. Use when building retrieval-augmented generation, integrating Exa with LangChain, LlamaIndex, Vercel AI SDK, or implementing AI agents with web search capabilities. Triggers on: RAG pipeline, retrieval augmented generation, Exa LangChain, Exa LlamaIndex, ExaSearchRetriever, ExaSearchResults, Exa MCP, Exa tool calling, Claude tool use, AI agent web search, grounded generation, citation generation, fact checking, hallucination detection, OpenAI compatibility, chat completions."
license: MIT
metadata:
author: ejirocodes
version: '1.0.0'
---
# Exa RAG Integration
## Quick Reference
| Topic | When to Use | Reference |
|-------|-------------|-----------|
| **LangChain** | Building RAG chains with LangChain | [langchain.md](references/langchain.md) |
| **LlamaIndex** | Using Exa as a LlamaIndex data source | [llamaindex.md](references/llamaindex.md) |
| **Vercel AI SDK** | Adding web search to Next.js AI apps | [vercel-ai.md](references/vercel-ai.md) |
| **MCP & Tools** | Claude MCP server, OpenAI tools, function calling | [mcp-tools.md](references/mcp-tools.md) |
## Essential Patterns
### LangChain Retriever
```python
from langchain_exa import ExaSearchRetriever
retriever = ExaSearchRetriever(
exa_api_key="your-key",
k=5,
highlights=True
)
docs = retriever.invoke("latest AI research papers")
```
### LlamaIndex Reader
```python
from llama_index.readers.web import ExaReader
reader = ExaReader(api_key="your-key")
documents = reader.load_data(
query="machine learning best practices",
num_results=10
)
```
### Vercel AI SDK Tool
```typescript
import { exa } from "@agentic/exa";
import { createOpenAI } from "@ai-sdk/openai";
import { generateText } from "ai";
const result = await generateText({
model: openai("gpt-4"),
tools: { search: exa.searchAndContents },
prompt: "Search for the latest TypeScript features",
});
```
### OpenAI-Compatible Endpoint
```python
from openai import OpenAI
client = OpenAI(
base_url="https://api.exa.ai/v1",
api_key="your-exa-key"
)
response = client.chat.completions.create(
model="exa",
messages=[{"role": "user", "content": "What are the latest AI trends?"}]
)
```
## Integration Selection
| Framework | Best For | Key Feature |
|-----------|----------|-------------|
| **LangChain** | Complex chains, agents | ExaSearchRetriever, tool integration |
| **LlamaIndex** | Document indexing, Q&A | ExaReader, query engines |
| **Vercel AI SDK** | Next.js apps, streaming | Tool definitions, edge-ready |
| **OpenAI Compat** | Drop-in replacement | Minimal code changes |
| **Claude MCP** | Claude Desktop, Claude Code | Native tool calling |
## Common Mistakes
1. **Not using highlights for RAG** - Full text wastes context; use `highlights=True` for relevant snippets
2. **Missing source attribution** - Always include `result.url` in citations for grounded responses
3. **Ignoring summaries** - `summary=True` provides concise context without full page overhead
4. **Over-fetching results** - Start with 3-5 results; more isn't always better for RAG quality
5. **Not filtering domains** - Use `include_domains` to limit to authoritative sources
6. **Skipping date filters** - For current events, always add `start_published_date` to avoid stale info
7. **Forgetting async patterns** - Use async retrievers in production for better throughput
© ejirocodes · MIT · ejirocodes/agent-skills