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

Pipe, a pipeline-native language, now supports retrieval-augmented generation (RAG) in about 10 lines of code without a vector database, framework, or external dependencies, according to a blog post in the 'Pipe in 30 Lines' series. The implementation uses built-in primitives `embed_batch`, `nearest`, and `ask` to vectorize documents, find top matches by cosine similarity, and answer with retrieved context, working with any provider such as DeepSeek, OpenAI, Anthropic, or Ollama. The post claims the equivalent Python and LangChain pipeline is roughly 80 lines across SDKs, while Pipe achieves it in a dozen lines with a single ~7 MB binary.

← All posts← Alle Beiträge ../blog.html 📚 RAG in ~10 Lines — No Vector Database, No pip install 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 tutorial-self-healing.html · Parallel LLM calls tutorial-parallel.html · Your first MCP server tutorial-first-mcp-server.html 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 https://github.com/MachuraHarry/pipe/blob/master/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 tutorial-self-healing.html · Parallele LLM-Calls tutorial-parallel.html · Dein erster MCP-Server tutorial-first-mcp-server.html 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 — kein embed 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 https://github.com/MachuraHarry/pipe/blob/master/examples/rag knowledge base.pipe — oder starte die Minimalversion oben mit export DEEPSEEK API KEY=... && pipe examples/blog rag.pipe .