llm-application-dev-langchain-agent
使用 Claude 建構生產級 LangChain 智能體
建構生產級 LangChain 智能體需要具備非同步模式、狀態管理、記憶體系統和部署基礎設施的專業知識。此技能提供經過驗證的模式和最佳實踐，用於使用 LangChain 0.1+ 和 LangGraph 建立可擴展、可觀測的 AI 應用程式。
下載技能 ZIP
在 Claude 中上傳
前往 設定 → 功能 → 技能 → 上傳技能
開啟並開始使用
測試它
正在使用「llm-application-dev-langchain-agent」。 建立一個搜尋網頁並總結結果的 ReAct 智能體
預期結果:
產生完整的 Python 程式碼，包含 Claude LLM 初始化、Tavily 搜尋工具整合、具有錯誤處理的 StructuredTool、LangSmith 追蹤設定，以及具有重試邏輯的非同步 invoke 模式。
正在使用「llm-application-dev-langchain-agent」。 建立具有 Pinecone 和對話記憶體的 RAG 系統
預期結果:
實作 VoyageAI embeddings 設定、具有混合搜尋參數的 PineconeVectorStore、ConversationTokenBufferMemory 整合，以及具有上下文壓縮的檢索鏈。
安全審計
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.
品質評分
你能建構什麼
企業 RAG 應用程式
為企業知識庫建構具有混合搜尋、記憶體和可觀測性的文件問答系統
多智能體客戶服務
建立具有監督者的多智能體系統，針對不同客戶服務任務使用專門智能體
研究助理智能體
開發具有工具整合的智能體，用於網路搜尋、文件分析和綜合
試試這些提示
建立一個使用 Claude Sonnet 4.5 的 LangChain ReAct 智能體，可以 [task description]。包含非同步模式、使用 tenacity retry 的錯誤處理和 LangSmith 追蹤。
設計使用 Voyage AI embeddings 和 Pinecone 向量儲存區的 RAG 管線。實作使用 Cohere 進行重新排序的混合搜尋。包含使用權杖緩衝的對話記憶體。
建立具有監督者的 LangGraph 多智能體系統，在 [agent types] 之間進行路由。使用 Command 路由，實作狀態管理，並為對話歷史新增檢查點。
產生用於 LangChain 智能體部署的 FastAPI 伺服器，具有串流端點。包含 Prometheus 指標、使用 structlog 的結構化記錄、健康檢查和具有 TTL 的 Redis 快取。
最佳實務
- 始終使用非同步模式（ainvoke、astream）以獲得更好的效能和併發性
- 使用 tenacity retry 和指數退避實作全面的錯誤處理
- 為所有智能體執行使用 LangSmith 追蹤以除錯和優化效能
避免
- 避免在生產中使用同步 invoke 呼叫 - 始終使用非同步變體
- 切勿硬編碼 API 金鑰或機密資訊 - 使用具有適當驗證的環境變數
- 不要跳過記憶體管理 - 無界限的對話歷史會導致權杖溢位