📚 RAG in ~10 Lines — No Vector Database, No pip install

← All posts← Alle Beiträge

Semantic search and retrieval-augmented generation without a vector DB, a framework, or a single dependency.

Part of the Pipe in 30 Lines series: Self-healing code · Parallel LLM calls · Your first MCP server

RAG usually means a stack: a vector database, an embedding SDK, a retrieval library, and glue code to hold it together. Pipe collapses that into language primitives. embed_batch

vectorizes your documents, nearest

finds the top matches by meaning, and ask

answers with the retrieved context — all in one binary, zero imports.

ai_provider "deepseek"

docs: ["Pipe is a pipeline-native language where data flows top to bottom.", "The bytecode VM runs compiled programs about 7x faster than the tree-walker.", "Built-in MCP lets Pipe expose its own tools or consume any stdio MCP server.", "Sandbox profiles restrict exec, write_file, and http_get in one declarative block.", "One ~7 MB binary, zero dependencies, on Linux, macOS, Windows, or the browser."]

vectors: embed_batch docs        -- 1. vectorize once
question: "What makes the VM fast?"
q_vec: embed question            -- 2. embed the query
top: nearest q_vec vectors 2     -- 3. top-k by similarity

context: ""
for idx in top
    context: context ++ (at docs idx) ++ "\n---\n"

ask ("Context:\n" ++ context ++ "\nQuestion: " ++ question)
    > print

What happens here:

turns every document into a vector in one call — no vector DB to install, no index to configure.embed_batch

returns the indices of the most relevant documents by cosine similarity. Meaning, not keywords.nearest

• The top matches are stitched into a context block, and answers grounded in it — classic RAG.ask

In Python + LangChain the same pipeline is roughly 80 lines across SDKs. In Pipe it's a dozen, and it works with every provider: swap "deepseek"

for "openai"

, "anthropic"

, or "ollama"

and nothing else changes.

Want the full version with a web UI, SQLite persistence, and a /search

API? See examples/rag_knowledge_base.pipe — or run the minimal version above with

export DEEPSEEK_API_KEY=... && pipe examples/blog_rag.pipe

.# 📚 RAG in ~10 Zeilen — ohne Vektor-DB, ohne pip install

Semantische Suche und RAG ohne Vektor-DB, ohne Framework und ohne eine einzige Abhängigkeit.

Teil der Serie Pipe in 30 Lines: Selbstheilender Code · Parallele LLM-Calls · Dein erster MCP-Server

RAG bedeutet sonst einen ganzen Stack: eine Vektor-DB, ein Embedding-SDK, eine Retrieval-Bibliothek und Kleber-Code. Pipe reduziert das auf Sprach-Primitives. embed_batch

vektorisiert deine Dokumente, nearest

findet die besten Treffer nach Bedeutung, und ask

antwortet mit dem gelieferten Kontext — alles in einer Binary, null Imports.

ai_provider "deepseek"

docs: ["Pipe ist eine pipeline-native Sprache, in der Daten von oben nach unten fließen.", "Die Bytecode-VM führt Programme etwa 7x schneller aus als der Tree-Walker.", "Eingebautes MCP: Pipe stellt eigene Tools bereit oder nutzt jeden stdio-MCP-Server.", "Sandbox-Profile sperren exec, write_file und http_get in einem deklarativen Block.", "Eine ~7-MB-Binary, null Abhängigkeiten, auf Linux, macOS, Windows oder im Browser."]

vectors: embed_batch docs        -- 1. einmal vektorisieren
question: "Was macht die VM schnell?"
q_vec: embed question            -- 2. Query einbetten
top: nearest q_vec vectors 2     -- 3. Top-K nach Ähnlichkeit

context: ""
for idx in top
    context: context ++ (at docs idx) ++ "\n---\n"

ask ("Context:\n" ++ context ++ "\nQuestion: " ++ question)
    > print

Was hier passiert:

verwandelt jedes Dokument in einen Vektor — keinembed_batch

pip install

, keine Vektor-DB, keine Index-Konfiguration.liefert die Indizes der relevantesten Dokumente per Kosinus-Ähnlichkeit. Bedeutung statt Keywords.nearest

• Die Treffer werden zu einem Kontext-Block verbunden und antwortet darauf — klassisches RAG.ask

In Python + LangChain ist dieselbe Pipeline ~80 Zeilen über mehrere SDKs. In Pipe sind es ein Dutzend — und es funktioniert mit jedem Provider: Tausche "deepseek"

gegen "openai"

, "anthropic"

oder "ollama"

, sonst ändert sich nichts.

Die Vollversion mit Web-UI, SQLite-Persistenz und /search

-API? Siehe examples/rag_knowledge_base.pipe — oder starte die Minimalversion oben mit

export DEEPSEEK_API_KEY=... && pipe examples/blog_rag.pipe

.