llm-application-dev-langchain-agent
Claude を使用した本番環境向け LangChain エージェントの構築
本番グレードの LangChain エージェントを構築するには、非同期パターン、状態管理、メモリシステム、デプロイメントインフラストラクチャに関する専門知識が必要です。このスキルは、LangChain 0.1+ と LangGraph を使用したスケーラブルで観測可能な AI アプリケーションを作成するための実証済みパターンとベストプラクティスを提供します。
スキルZIPをダウンロード
Claudeでアップロード
設定 → 機能 → スキル → スキルをアップロードへ移動
オンにして利用開始
テストする
「llm-application-dev-langchain-agent」を使用しています。 Web を検索して結果を要約する ReAct エージェントを作成
期待される結果:
Claude LLM 初期化、Tavily 検索ツール統合、エラーハンドリングを備えた StructuredTool、LangSmith トレース設定、およびリトライロジックを備えた非同期 invoke パターンを備えた完全な Python コードを生成。
「llm-application-dev-langchain-agent」を使用しています。 Pinecone と会話メモリを備えた RAG システムを構築
期待される結果:
VoyageAI 埋め込み設定、ハイブリッド検索パラメーターを備えた PineconeVectorStore、ConversationTokenBufferMemory 統合、およびコンテキスト圧縮を備えた取得チェーンを実装。
セキュリティ監査
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.
品質スコア
作れるもの
エンタープライズ RAG アプリケーション
エンタープライズナレッジベース向けに、ハイブリッド検索、メモリ、観測性を備えたドキュメント QA システムを構築
マルチエージェントカスタマーサービス
異なるカスタマーサービスタスクに対応する専門エージェントを備えた、監視付きマルチエージェントシステムを作成
リサーチアシスタントエージェント
Web 検索、ドキュメント分析、統合のためのツール統合を備えたエージェントを開発
これらのプロンプトを試す
[タスクの説明] を実行できる Claude Sonnet 4.5 を使用した LangChain ReAct エージェントを作成してください。非同期パターン、tenacity retry によるエラーハンドリング、LangSmith トレースを含めてください。
Voyage AI 埋め込みと Pinecone ベクトルストアを使用した RAG パイプラインを設計してください。Cohere を使用した再ランキングによるハイブリッド検索を実装してください。トークンバッファリングによる会話メモリを含めてください。
[エージェントタイプ] 間でルーティングするスーパーバイザーを備えた LangGraph マルチエージェントシステムを作成してください。Command ルーティングを使用し、状態管理を実装し、会話履歴のためのチェッカーポイントを追加してください。
LangChain エージェントデプロイメント向けのストリーミングエンドポイントを備えた FastAPI サーバーを生成してください。Prometheus メトリクス、structlog による構造化ログ、ヘルスチェック、TTL を備えた Redis キャッシングを含めてください。
ベストプラクティス
- パフォーマンスと並行処理を向上させるために、常に非同期パターン（ainvoke、astream）を使用
- tenacity retry と指数バックオフによる包括的なエラーハンドリングを実装
- パフォーマンスをデバッグして最適化するために、すべてのエージェント実行で LangSmith トレースを使用
回避
- 本番環境では同期的な invoke 呼び出しを回避 - 常に非同期バリアントを使用
- API キーやシークレットをハードコーディングしない - 適切な検証を備えた環境変数を使用
- メモリ管理を省略しない - 制限のない会話履歴はトークンオーバーフローを引き起こす