llm-application-dev-langchain-agent
Créez des agents LangChain de production avec Claude
La création d'agents LangChain de qualité production nécessite une expertise en modèles async, gestion d'état, systèmes de mémoire et infrastructure de déploiement. Cette compétence fournit des modèles éprouvés et des meilleures pratiques pour créer des applications IA évolutives et observables avec LangChain 0.1+ et LangGraph.
下载技能 ZIP
在 Claude 中上传
前往 设置 → 功能 → 技能 → 上传技能
开启并开始使用
测试它
正在使用“llm-application-dev-langchain-agent”。 Créer un agent ReAct qui recherche sur le web et résume les résultats
预期结果:
Code Python complet généré avec initialisation Claude LLM, intégration de l'outil de recherche Tavily, StructuredTool avec gestion d'erreurs, configuration du tracing LangSmith et modèle d'invocation async avec logique de retry.
正在使用“llm-application-dev-langchain-agent”。 Construire un système RAG avec Pinecone et mémoire de conversation
预期结果:
Configuration des embeddings VoyageAI implémentée, PineconeVectorStore avec paramètres de recherche hybride, intégration de ConversationTokenBufferMemory et chaîne de retrieval avec compression de contexte.
安全审计
安全Static analysis detected 39 patterns flagged as potential security risks, all are false positives. The 'external_commands' findings are markdown code fence backticks (lines 27-237) used for Python code examples, not Ruby shell execution. The 'blocker' findings flag 'Weak cryptographic algorithm' but these are legitimate Anthropic model names (claude-sonnet-4-5). The 'network' finding is an HTTP client reference in a code example. This is a documentation-only skill with no executable code.
质量评分
你能构建什么
Application RAG d'entreprise
Construisez un système de questions-réponses sur documents avec recherche hybride, mémoire et observabilité pour les bases de connaissances d'entreprise
Service client multi-agents
Créez un système multi-agents supervisé avec des agents spécialisés pour différentes tâches de service client
Agent assistant de recherche
Développez un agent avec intégration d'outils pour la recherche web, l'analyse et la synthèse de documents
试试这些提示
Créez un agent ReAct LangChain utilisant Claude Sonnet 4.5 qui peut [description de la tâche]. Incluez des modèles async, la gestion d'erreurs avec tenacity retry et le tracing LangSmith.
Concevez un pipeline RAG utilisant les embeddings Voyage AI et le vector store Pinecone. Implémentez une recherche hybride avec reranking utilisant Cohere. Incluez une mémoire conversationnelle avec tampon de tokens.
Créez un système multi-agents LangGraph avec un superviseur qui route entre [types d'agents]. Utilisez le routage par Command, implémentez la gestion d'état et ajoutez des checkpointers pour l'historique de conversation.
Générez un serveur FastAPI avec des endpoints en streaming pour le déploiement d'agents LangChain. Incluez les métriques Prometheus, le logging structuré avec structlog, les health checks et la mise en cache Redis avec TTL.
最佳实践
- Utilisez toujours des modèles async (ainvoke, astream) pour de meilleures performances et concurrence
- Implémentez une gestion d'erreurs complète avec tenacity retry et exponential backoff
- Utilisez le tracing LangSmith pour toutes les exécutions d'agents afin de déboguer et optimiser les performances
避免
- Évitez les appels invoke synchrones en production - utilisez toujours les variantes async
- Ne codez jamais en dur les clés API ou secrets - utilisez des variables d'environnement avec validation appropriée
- Ne négligez pas la gestion de la mémoire - un historique de conversation non limité provoquera un débordement de tokens