llm-application-dev-langchain-agent
Создание продакшн-агентов LangChain с Claude
Создание продакшн-агентов LangChain требует экспертизы в асинхронных паттернах, управлении состоянием, системах памяти и инфраструктуре развертывания. Этот навык предоставляет проверенные паттерны и лучшие практики для создания масштабируемых AI-приложений с наблюдаемостью на LangChain 0.1+ и LangGraph.
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。 Создайте ReAct-агента, который ищет в вебе и суммаризирует результаты
期待される結果:
Сгенерирован полный Python-код с инициализацией Claude LLM, интеграцией инструмента поиска Tavily, StructuredTool с обработкой ошибок, настройкой трассировки LangSmith и асинхронным паттерном invoke с retry-логикой.
「llm-application-dev-langchain-agent」を使用しています。 Постройте RAG-систему с Pinecone и памятью разговоров
期待される結果:
Реализована конфигурация эмбеддингов VoyageAI, PineconeVectorStore с параметрами гибридного поиска, интеграция ConversationTokenBufferMemory и retrieval chain со сжатием контекста.
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
Корпоративное RAG-приложение
Построение системы问答для документов с гибридным поиском, памятью и наблюдаемостью для корпоративных баз знаний
Мульти-агентский сервис поддержки клиентов
Создание управляемой супервизором мульти-агентской системы со специализированными агентами для разных задач поддержки клиентов
Агент-помощник для исследований
Разработка агента с интеграцией инструментов для веб-поиска, анализа документов и синтеза информации
これらのプロンプトを試す
Создайте ReAct-агента LangChain с использованием Claude Sonnet 4.5, который может [task description]. Включите асинхронные паттерны, обработку ошибок с tenacity retry и трассировку LangSmith.
Спроектируйте RAG-пайплайн с использованием эмбеддингов Voyage AI и векторного хранилища Pinecone. Реализуйте гибридный поиск с переранжированием через Cohere. Включите разговорную память с токено-буферизацией.
Создайте мульти-агентскую систему LangGraph с супервизором, который маршрутизирует между [agent types]. Используйте Command-маршрутизацию, реализуйте управление состоянием и добавьте checkpointers для истории разговора.
Сгенерируйте FastAPI-сервер со streaming endpoints для развертывания агента LangChain. Включите метрики Prometheus, структурированное логирование с structlog, health checks и Redis-кеширование с TTL.
ベストプラクティス
- Всегда используйте асинхронные паттерны (ainvoke, astream) для лучшей производительности и конкурентности
- Реализуйте комплексную обработку ошибок с tenacity retry и экспоненциальной задержкой
- Используйте трассировку LangSmith для всех выполнений агента для отладки и оптимизации производительности
回避
- Избегайте синхронных invoke-вызовов в продакшн - всегда используйте асинхронные варианты
- Никогда не хардкодьте API-ключи или секреты - используйте переменные окружения с правильной валидацией
- Не пропускайте управление памятью - неограниченная история разговоров вызовет переполнение токенов