llm-application-dev-langchain-agent
Construir Agentes LangChain de Produção com Claude
Construir agentes LangChain de nível de produção requer expertise em padrões assíncronos, gerenciamento de estado, sistemas de memória e infraestrutura de implantação. Esta skill fornece padrões comprovados e melhores práticas para criar aplicações de IA escaláveis e observáveis com LangChain 0.1+ e 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”。 Create a ReAct agent that searches the web and summarizes results
预期结果:
Código Python completo gerado com inicialização de LLM Claude, integração de ferramenta de busca Tavily, StructuredTool com tratamento de erros, configuração de rastreamento LangSmith e padrão de invoke assíncrono com lógica de retry.
正在使用“llm-application-dev-langchain-agent”。 Build a RAG system with Pinecone and conversation memory
预期结果:
Configuração de embeddings VoyageAI implementada, PineconeVectorStore com parâmetros de busca híbrida, integração de ConversationTokenBufferMemory e cadeia de recuperação com compressão de contexto.
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
Aplicação RAG Empresarial
Construir um sistema de问答 de documentos com busca híbrida, memória e observabilidade para bases de conhecimento empresarial
Atendimento ao Cliente Multi-Agente
Criar sistema multi-agente supervisionado com agentes especializados para diferentes tarefas de atendimento ao cliente
Agente Assistente de Pesquisa
Desenvolver um agente com integração de ferramentas para busca na web, análise e síntese de documentos
试试这些提示
Criar um agente LangChain ReAct usando Claude Sonnet 4.5 que pode [task description]. Incluir padrões assíncronos, tratamento de erros com retry do tenacity e rastreamento LangSmith.
Projetar um pipeline RAG usando embeddings Voyage AI e store vetorial Pinecone. Implementar busca híbrida com reranking usando Cohere. Incluir memória conversacional com buffer de token.
Criar um sistema multi-agente LangGraph com um supervisor que roteia entre [agent types]. Usar Command routing, implementar gerenciamento de estado e adicionar checkpointers para histórico de conversas.
Gerar um servidor FastAPI com endpoints de streaming para implantação de agente LangChain. Incluir métricas Prometheus, logging estruturado com structlog, verificações de saúde e caching Redis com TTL.
最佳实践
- Sempre use padrões assíncronos (ainvoke, astream) para melhor desempenho e concorrência
- Implemente tratamento de erros abrangente com retry do tenacity e backoff exponencial
- Use rastreamento LangSmith para todas as execuções de agentes para depurar e otimizar o desempenho
避免
- Evite chamadas síncronas de invoke em produção - sempre use variantes assíncronas
- Nunca codifique chaves de API ou segredos - use variáveis de ambiente com validação adequada
- Não pule o gerenciamento de memória - histórico de conversa ilimitado causará estouro de tokens