Langchain Ai Skills

OpenAPI-Dokumentation und REST-API-Entwurfsmuster

Durchsuche arXiv nach Preprints und wissenschaftlichen Artikeln zu einem Thema mit Abruf der Zusammenfassungen. Abfragebasierte Suche in den Bereichen Physik, Mathematik, Informatik, Biologie, Statistik und verwandten Feldern. Konfigurierbare Ergebnisanzahl (Standard 10 Artikel), sortiert nach Relevanz. Gibt Titel und Zusammenfassung jedes passenden Artikels zurück. Erfordert das arxiv-Python-Paket; Installation über pip, falls nicht bereits vorhanden.

Durchsuche das arXiv-Preprint-Repository nach Papieren aus den Bereichen Physik, Mathematik, Informatik, quantitative Biologie und verwandten Feldern

We need to translate the given English text into German, preserving the name "blog-post" if it appears. The text describes a skill for writing long-form blog posts. It mentions research delegation, structured templates, AI-generated cover images, etc. The instruction says to preserve product names, protocol names, URLs, numbers, technical terms. "blog-post" is a name to preserve. The text does not contain "blog-post" explicitly, but the name is given as "blog-post" in the directory item type. However, the instruction says "Do not include the name unless it appears in the source text." So we should not add "blog-post" if it's not in the source. The source text starts with "Long-form blog post writing..." so "blog post" appears but not as a name to preserve? The instruction says "Name to preserve: blog-post" but then says "Do not include the name unless it appears in the source text." The source text has "blog post" (two words) not "blog-post" (hyphenated). But likely we should

Führe eine strukturierte Code-Review der Änderungen durch und prüfe auf Korrektheit, Stil, Tests und potenzielle Probleme.

Lies die Codierungspräferenzen des Benutzers aus /memory/coding-prefs.md, bevor du nicht-triviale Stilentscheidungen triffst, und füge neue Präferenzen hinzu, wenn der Benutzer diese angibt…

Wenn Sie gebeten werden, Wettbewerber zu analysieren:

Verwendung für GPU-beschleunigte Datenanalyse auf Datensätzen, CSVs oder tabularen Daten mit NVIDIA cuDF. Wird ausgelöst, wenn Aufgaben Groupby-Aggregationen, statistische…

Verwendung für GPU-beschleunigtes maschinelles Lernen auf tabularen Daten mit NVIDIA cuML. Wird ausgelöst, wenn Aufgaben Klassifikation, Regression, Clustering, Dimensionsreduktion betreffen…

Verwendung zur Erstellung von publikationsreifen Diagrammen und mehrteiligen Analysezusammenfassungen. Wird ausgelöst, wenn Aufgaben die Visualisierung von Daten, das Plotten von Ergebnissen, das Erstellen von … umfassen.

Datenbank-Migrationsmuster und Schema-Versionierung

deep-agents-memory-&-filesystem — eine installierbare Fähigkeit für KI-Agenten, veröffentlicht von langchain-ai/langchain-skills.

We need to translate the given English text into German. The text describes a foundation framework for building multi-step agents. It mentions six core middleware options, three built-in tools, etc. We must preserve the name "deep-agents-core" if it appears, but it does not appear in the source text. So we just translate the text. No extra commentary, no labels. Keep technical terms like "middleware", "tools", "subagents" as is or use common German equivalents? The instruction says "preserve product names, protocol names, URLs, numbers, and technical terms." So technical terms like "middleware" might be kept as is, but often in German technical texts they are used in English. However, "middleware" is a technical term, so we can keep it. Similarly "tools", "subagents", "filesystem", "context management", "task planning", "persistent memory", "human approval workflows", "on-demand skill loading". Also the built-in tools: write_todos, ls, read_file, etc. Those are names, so

Rufe diese Fähigkeit auf, wenn du EINE beliebige Deep Agents-Anwendung erstellst. Umfasst create_deep_agent(), Harness-Architektur, SKILL.md-Format und Konfigurationsoptionen.

We need to translate the given English text into German. The text describes a pluggable memory and file backends system for Deep Agents. It mentions four backend types and a FilesystemMiddleware with six file operation tools. The name "deep-agents-memory" is not in the text, so we don't include it. We must preserve technical terms like "StateBackend", "StoreBackend", "FilesystemBackend", "CompositeBackend", "FilesystemMiddleware", and the tool names (ls, read_file, etc.). Also preserve "Deep Agents" as is? It's a product name, so keep it. Translate the rest naturally. Let's translate: "Pluggable memory and file backends for Deep Agents with ephemeral, persistent, and hybrid routing options." -> "Steckbare Speicher- und Datei-Backends für Deep Agents mit flüchtigen, persistenten und hybriden Routing-Optionen." "Four backend types: StateBackend (thread-scoped, ephemeral), StoreBackend (cross-session persistent), Filesystem

RUFEN SIE DIESE FÄHIGKEIT auf, wenn Ihr Deep Agent Speicher, Persistenz oder Dateisystemzugriff benötigt. Umfasst StateBackend (flüchtig), StoreBackend (dauerhaft),…

Orchestriere Unteragenten, plane mehrstufige Aufgaben und fordere menschliche Genehmigung für sensible Vorgänge an. Delegiere Arbeit an spezialisierte Unteragenten über das Aufgabenwerkzeug; benutzerdefinierte Unteragenten unterstützen isolierte Werkzeugsätze und Systemaufforderungen, während der standardmäßige "Allzweck"-Unteragent die Hauptagentenkonfiguration übernimmt. Plane und verfolge komplexe Arbeitsabläufe mit write_todos, organisiere Aufgaben in den Status "ausstehend", "in Bearbeitung" und "abgeschlossen"; erfordert eine thread_id für die Beständigkeit über Aufrufe hinweg. Implementiere...

Rufe diese Fähigkeit auf, wenn Subagenten, Aufgabenplanung oder menschliche Genehmigung in Deep Agents verwendet werden. Deckt SubAgentMiddleware, TodoList für die Planung und HITL-Unterbrechungen ab.

Bewährte Verfahren für Docker-Containerisierung und Multi-Stage-Builds

Erstelle neue Evaluierungs-Suiten für das deepagentsjs-Monorepo. Übernimmt Datensatzdesign, Testfall-Gerüstbau, Bewertungslogik, Vitest-Konfiguration und LangSmith…

Organisiert intelligent Ihre Dateien und Ordner auf Ihrem Computer, indem es Kontext versteht, Duplikate findet, bessere Strukturen vorschlägt und automatisiert…

Framework-Auswahlleitfaden für die geschichtete Architektur von LangChain, LangGraph und Deep Agents. Geschichtete Frameworks, bei denen LangChain grundlegende Primitive bereitstellt, LangGraph Orchestrierung und Kontrollfluss hinzufügt und Deep Agents Planung, Speicher, Dateiverwaltung und Aufgabenverteilung ergänzt. Eine Entscheidungstabelle leitet die Framework-Wahl basierend auf der Aufgabenkomplexität: LangChain für einzweckorientierte Agenten, LangGraph für benutzerdefinierten Kontrollfluss und Schleifen, Deep Agents für mehrstufige Planung und persistente Sitzungen. Deep...

Rufe diese Fähigkeit zu Beginn eines jeden LangChain/LangGraph/Deep Agents Projekts auf, bevor du Agentencode schreibst. Bestimmt, welche Framework-Ebene für die… geeignet ist.

Verwenden Sie bei der Verarbeitung großer PDFs, Dokumentensammlungen oder Massentextextraktionsaufgaben, die von GPU-beschleunigter Verarbeitung profitieren. Wird ausgelöst, wenn der Benutzer…

BEGINNE HIER IMMER für jedes Open-Source-Agent-Projekt mit LangChain, Deep Agents oder LangGraph. Es ist der erforderliche Ausgangspunkt für jeden Open-Source-Agenten von LangChain…

langchain-middleware-&-hitl — eine installierbare Fähigkeit für KI-Agenten, veröffentlicht von langchain-ai/langchain-skills.

RUFEN SIE DIESE FÄHIGKEIT auf, wenn Sie ein Retrieval-Augmented Generation (RAG)-System erstellen. Umfasst Dokumentenlader, RecursiveCharacterTextSplitter, Einbettungen (OpenAI),…

langchain-structured-output-&-hitl — eine installierbare Fähigkeit für KI-Agenten, veröffentlicht von langchain-ai/langchain-skills.

Verwenden Sie diese Fähigkeit für JEDE Programmierfrage zu LangChain-Produkten (LangChain, LangGraph, LangSmith SDK). Deckt Agentenentwicklungsmuster, Grundbausteine, … ab.

We need to translate the given text from English to German. The text is about LangChain ecosystem package versions, dependencies, and installation guidance. We must preserve the name "langchain-dependencies" but it's not in the text, so we don't include it. Also preserve product names like LangChain, LangGraph, Deep Agents, langchain-core, langchain-community, and version numbers. No extra commentary. Translation: "LangChain ecosystem package versions, dependencies, and installation guidance for Python and TypeScript. Start all new projects on LangChain 1.0 LTS; version 0.3 is legacy maintenance-only. Always install langchain-core explicitly alongside other packages. Choose one orchestration layer: LangGraph for fine-grained graph control, or Deep Agents for batteries-included planning and memory. Pin langchain-community conservatively to exact minor versions (e.g., >=0.4.0,<0.5.0 ) since it does not..." German: "LangChain-Ökosystem-Paketversionen, Abhängigkeiten und Install

Rufe diese Fähigkeit auf, wenn ein neues Projekt eingerichtet wird oder wenn nach Paketversionen, Installation oder Abhängigkeitsverwaltung für LangChain, LangGraph,… gefragt wird.

Produktionsreife LangChain-Agenten mit create_agent(), Tools und Middleware-Mustern erstellen. create_agent() mit Modell, Tool-Liste und System-Prompt verwenden; Zustandspersistenz mit Checkpointer und thread_id für Gesprächsspeicher über Aufrufe hinweg konfigurieren. Tools über @tool-Dekorator (Python) oder tool()-Funktion (TypeScript) mit klaren Beschreibungen definieren, damit Agenten wissen, wann sie sie aufrufen sollen. Middleware wie HumanInTheLoopMiddleware für Genehmigungsworkflows, benutzerdefinierte Fehlerbehandlung und Human-in-the-Loop hinzufügen...

Erstellen

Human-in-the-loop-Genehmigung, benutzerdefinierte Middleware und strukturierte Ausgabemuster für LangChain-Agenten. HumanInTheLoopMiddleware pausiert die Ausführung vor gefährlichen Tool-Aufrufen und ermöglicht es Menschen, zu genehmigen, Argumente zu bearbeiten oder mit Feedback abzulehnen. Pro-Tool-Unterbrechungsrichtlinien ermöglichen die Konfiguration unterschiedlicher Genehmigungsregeln basierend auf dem Risikoniveau; erfordert einen Checkpointer und eine thread_id für die Zustandspersistenz. Das Command-Resume-Muster setzt die Ausführung nach menschlichen Entscheidungen fort, mit Unterstützung für die Bearbeitung von Tool-Argumenten...

RUFEN SIE DIESE FÄHIGKEIT auf, wenn Sie eine Mensch-im-Kreis-Freigabe, benutzerdefinierte Middleware oder strukturierte Ausgabe benötigen. Deckt HumanInTheLoopMiddleware für die menschliche Freigabe von…

BEGINNE HIER IMMER für jedes LangChain-, Deep Agents- oder LangGraph-Agent-Bauprojekt. Erforderlicher Ausgangspunkt, bevor andere Fähigkeiten ausgewählt oder Code geschrieben wird…

Vollständige RAG-Pipeline für Dokumentenerfassung, Einbettung, Abruf und LLM-gestützte Antwortgenerierung. Unterstützt mehrere Dokumentenlader (PDF, Webseiten, Verzeichnisse) und persistente Vektorspeicher (Chroma, FAISS, Pinecone) mit konfigurierbarer Chunk-Größe und Überlappung für optimale Kontexterhaltung. Enthält Ähnlichkeitssuche, MMR-Abruf (Maximal Marginal Relevance) und Metadatenfilterung, um Relevanz und Diversität der Ergebnisse auszugleichen. Funktioniert mit OpenAI-Einbettungen und integriert sich nahtlos...

langchain-rag — eine installierbare Fähigkeit für KI-Agenten, veröffentlicht von langchain-ai/skills-benchmarks.

DIESE FÄHIGKEIT für LangGraph-Workflows, parallele Ausführung, Unterbrechungen oder Streaming aufrufen. Deckt Send-API für Fan-out, interrupt() für Human-in-the-Loop,…

langgraph-persistence-&-memory — eine installierbare Fähigkeit für KI-Agenten, veröffentlicht von langchain-ai/langchain-skills.

We need to translate the given English text into German, preserving the name "langgraph-docs" if it appears. The text is a description of an agent skill. The instruction says: "Translate only the text inside <text>. Do not include the name unless it appears in the source text." The name "langgraph-docs" does not appear in the source text, so we should not include it. Also, do not add labels like "description" etc. Just translate the text. The text: "Access LangGraph documentation to build stateful agents and multi-agent workflows. Fetches official LangGraph Python docs covering state machines, graph-based agent design, and human-in-the-loop patterns Prioritizes relevant documentation by query type: implementation guides for how-to questions, concept pages for theory, tutorials for end-to-end examples, and API references for technical details Automatically selects 2–4 most relevant documentation URLs and retrieves their content to answer..." Note: There is a missing period after "patterns" and before "Prioritizes". Also the last part seems cut off:

Verwenden Sie diese Fähigkeit für Anfragen zu LangGraph, um relevante Dokumentation abzurufen und präzise, aktuelle Anleitungen bereitzustellen.

Gerichteter Graph-Framework zur Erstellung zustandsbehafteter, mehrstufiger Agenten-Workflows mit feingranularer Steuerung. StateGraph mit typisierten Zustandsschemata, Reduzierern zum Akkumulieren von Listen/Werten und Knoten, die partielle Zustandsaktualisierungen zurückgeben. Statische Kanten für feste Abläufe, bedingte Kanten für Verzweigungen und Command zur Kombination von Zustandsaktualisierungen mit dynamischem Routing. Send-API für Fan-Out-Parallelität zu Worker-Knoten mit Ergebnisaggregation über Reduzierer. Invoke für Einzelausführung und Stream-Modi (Werte, Aktualisierungen, ...)

RUFEN SIE DIESE FÄHIGKEIT auf, wenn Sie LangGraph-Code schreiben. Behandelt StateGraph, Zustandsschemata, Knoten, Kanten, Command, Send, invoke, Streaming und Fehlerbehandlung.

Pausiere die Graph-Ausführung für menschliche Überprüfung, Genehmigung oder Validierung und setze sie dann mit deren Eingabe fort. Erfordert drei Komponenten: einen Checkpointer (InMemorySaver oder PostgresSaver), eine Thread-ID in der Konfiguration und JSON-serialisierbare Interrupt-Payloads. interrupt(value) pausiert und zeigt Daten an; Command(resume=value) setzt fort und gibt diesen Wert an den pausierten Knoten zurück. Der gesamte Code vor interrupt() wird bei Fortsetzung erneut ausgeführt, daher müssen Seiteneffekte idempotent sein (upsert verwenden, nicht insert). Unterstützt Genehmigungs-Workflows,...

Rufe diese Fähigkeit auf, wenn du Human-in-the-Loop-Muster implementierst, zur Genehmigung pausierst oder Fehler in LangGraph behandelst. Deckt interrupt(), Command(resume=...),… ab.

RUFEN SIE DIESE FÄHIGKEIT auf, wenn Ihr LangGraph Zustand speichern, Gespräche merken, durch die Historie navigieren oder die Subgraph-Checkpointer-Bereichskonfiguration einrichten muss.

We need to translate the given text from English to German. The text describes a skill for durable graph execution with checkpoints, state history, and memory. The name "langgraph-persistence" is to be preserved but not included unless it appears in the source text. The source text does not include the name, so we just translate the text. Key terms: "durable graph execution", "thread-scoped checkpoints", "state history", "cross-thread long-term memory", "InMemorySaver", "SqliteSaver", "PostgresSaver", "thread_id", "get_state_history()", "Store API". These should be preserved as is or translated appropriately. Technical terms like "checkpoints" might be translated as "Checkpoints" or kept as is. "Durable" could be "dauerhafte" or "robuste". "Thread-scoped" -> "thread-bezogene" or "thread-spezifische". "Cross-thread" -> "threadübergreifende". "Long-term memory" -> "Lang

RUFEN SIE DIESE FÄHIGKEIT auf, wenn Sie Evaluierungsdatensätze aus Traces erstellen oder Datensätze zu LangSmith hochladen oder Datensätze abfragen. Deckt Datensatztypen ab (final_response, …)

RUFEN SIE DIESE FÄHIGKEIT auf, wenn Sie Evaluierungspipelines für LangSmith erstellen. Deckt drei Kernkomponenten ab: (1) Erstellen von Evaluatoren – LLM-as-Judge, benutzerdefinierter Code; (2)…

RUFEN SIE DIESE FÄHIGKEIT auf, wenn Sie mit LangSmith-Tracing arbeiten oder Traces abfragen. Deckt das Hinzufügen von Tracing zu Anwendungen sowie das Abfragen/Exportieren von Trace-Daten ab. Enthält…

Erstellt codebasierte Evaluatoren für LangSmith-getracete Agenten. Verwenden Sie dies beim Aufbau benutzerdefinierter Evaluierungslogik, beim Testen von Toolnutzungsmustern oder beim Bewerten von Agentenausgaben…

RUFEN SIE DIESE FÄHIGKEIT auf, wenn Sie Evaluierungsdatensätze aus Traces erstellen ODER Datensätze zu LangSmith hochladen ODER Datensätze abfragen. Deckt Datensatztypen ab (final_response, …)

Erstellen, verwalten und hochladen von Evaluierungsdatensätzen zu LangSmith für Tests und Validierung. Unterstützt vier Datensatztypen: final_response (vollständige Gespräche), single_step (einzelnes Knotenverhalten), trajectory (Werkzeugaufrufsequenzen) und RAG (Fragen/Chunks/Antworten/Zitate). CLI-Befehle für den Lebenszyklus von Datensätzen: erstellen, auflisten, abrufen, löschen, exportieren und hochladen aus lokalen JSON-Dateien. SDK-basierte Datensatzerstellung in Python und JavaScript mit programmatischem Hinzufügen von Beispielen. Beispielverwaltung...

RUFEN SIE DIESE FÄHIGKEIT auf, wenn Sie Evaluierungsdatensätze erstellen, Datensätze zu LangSmith hochladen oder vorhandene Datensätze verwalten. Deckt Datensatztypen ab (final_response, …)

RUFEN SIE DIESE FÄHIGKEIT auf, wenn Sie Evaluierungspipelines für LangSmith erstellen. Deckt drei Kernkomponenten ab: (1) Erstellen von Evaluatoren – LLM-as-Judge, benutzerdefinierter Code; (2)…

Erstellen Sie Evaluierungspipelines für LangSmith mit LLM-as-Judge und benutzerdefinierten Code-Evaluatoren. Drei Kernkomponenten: Erstellen von Evaluatoren (LLM-as-Judge oder benutzerdefinierter Code), Definieren von Ausführungsfunktionen zur Erfassung von Agentenausgaben und -trajektorien sowie lokales Ausführen von Evaluierungen oder automatisches Ausführen über hochgeladene Evaluatoren. Unterstützt sowohl Offline-Evaluatoren (Vergleich von Ausführungsergebnissen mit Datensatzbeispielen) als auch Online-Evaluatoren (Echtzeit-Qualitätsprüfungen bei Produktionsausführungen). Erfordert LangSmith-API-Schlüssel und Projekt...

RUFEN SIE DIESE FÄHIGKEIT auf, wenn Sie Evaluierungspipelines für LangSmith erstellen. Deckt drei Kernkomponenten ab: (1) Erstellen von Evaluatoren – LLM-as-Judge, benutzerdefinierter Code; (2)…

Ruft LangSmith-Traces zum Debuggen des Agentenverhaltens ab. Verwenden Sie dies bei der Fehlerbehebung von Agentenproblemen, der Überprüfung des Gesprächsverlaufs oder der Untersuchung von Tool-Aufrufen.

RUFEN SIE DIESE FÄHIGKEIT auf, wenn Sie mit LangSmith-Tracing arbeiten oder Traces abfragen. Deckt das Hinzufügen von Tracing zu Anwendungen und das Abfragen/Exportieren von Trace-Daten ab. Verwendet die…

RUFEN SIE DIESE FÄHIGKEIT auf, wenn Sie mit LangSmith-Tracing arbeiten oder Traces abfragen. Deckt das Hinzufügen von Tracing zu Anwendungen sowie das Abfragen/Exportieren von Trace-Daten ab. Enthält…

We need to translate the given text from English to German. The text describes a skill for adding tracing to LangChain/LangGraph apps and querying trace data via CLI. We must preserve the name "langsmith-trace" but it's not in the text, so we ignore. Also preserve technical terms like LangChain, LangGraph, CLI, @traceable, wrap_openai(), Python, TypeScript, JSONL, etc. No extra commentary. Translation: "Add tracing to LangChain/LangGraph apps and query trace data via CLI for debugging and dataset generation. Automatic tracing for LangChain/LangGraph apps with environment variables; manual tracing via @traceable decorator and wrap_openai() for other frameworks in Python and TypeScript Query traces (complete execution trees) or runs (individual nodes) using langsmith CLI with filters for time, latency, errors, tags, and custom metadata Export traces to JSONL files preserving hierarchy;" We need to produce a natural German translation. Let's do it step by step. "Add tracing to LangChain/LangGraph apps and

RUFEN SIE DIESE FÄHIGKEIT auf, wenn Sie mit LangSmith-Tracing arbeiten oder Traces abfragen. Deckt das Hinzufügen von Tracing zu Anwendungen und das Abfragen/Exportieren von Trace-Daten ab. Verwendet die…

Eine Programmieraufgabe in einen strukturierten Implementierungsplan mit klaren Schritten, Dateiidentifikation und Risikobewertung zerlegen.

Schreibt und führt SQL-Abfragen aus, von einfachen SELECTs bis hin zu komplexen Multi-Table-JOINs, Aggregationen und Unterabfragen. Verwenden Sie dies, wenn der Benutzer eine Datenbankabfrage wünscht,…

Moderne React-Komponentenmuster mit Hooks und TypeScript

Überprüfe die aktuelle Unterhaltung und erfasse wertvolles Wissen — Best Practices, Codierungskonventionen, Architekturentscheidungen, Arbeitsabläufe und Benutzerfeedback —…

Listiert Tabellen, beschreibt Spalten und Datentypen, identifiziert Fremdschlüsselbeziehungen und kartiert Entitätsbeziehungen in einer Datenbank. Verwenden Sie, wenn der Benutzer nach… fragt.

Leitfaden zur Erstellung effektiver Skills, die die Fähigkeiten eines Agenten durch spezialisiertes Wissen, Workflows oder Tool-Integrationen erweitern. Verwenden Sie diesen Skill, wenn der Benutzer…

Leitfaden zur Erstellung effektiver Skills, die die Agentenfähigkeiten durch spezialisiertes Wissen, Workflows oder Tool-Integrationen erweitern. Verwenden Sie diesen Skill, wenn der Benutzer…

Erstellt plattformspezifische Social-Media-Beiträge mit recherchierten Inhalten und generierten Begleitbildern. Unterstützt LinkedIn-Beiträge (1.300 Zeichen mit professionellem Ton) und Twitter/X-Threads (280 Zeichen pro Tweet im 1/🧵-Format). Erfordert die Delegierung der Recherche an einen Unteragenten vor dem Schreiben, gefolgt vom Lesen der Ergebnisse, um Genauigkeit und Relevanz sicherzustellen. Generiert automatisch auffällige Social-Bilder mit dem generate_social_image-Tool mit kräftigen, kontrastreichen Kompositionen, optimiert für kleine...

Senden Sie einen Stapel von Aufgaben parallel an Unteragenten mit begrenzter Gleichzeitigkeit. Gibt ein Zusammenfassungsobjekt mit {total, completed, failed, results[]} zurück — iterieren…

Bewährte Methoden für Unit-Tests und Integrationstests

Orchestriert mehrquellige Web-Recherche durch Delegation an Unteragenten, Synthese der Ergebnisse und Erstellung zitierter Berichte. Unterteilt Forschungsfragen in 2–5 verschiedene Unterthemen, erstellt eine Forschungsplandatei und startet bis zu 3 Unteragenten parallel für effiziente Untersuchungen. Jeder Unteragent führt 3–5 Websuchen pro Unterthema durch und schreibt Ergebnisse mit wichtigen Fakten, Zitaten und Quell-URLs in lokale Dateien. Synthetisiert Ergebnisse durch Lesen lokaler Ergebnisdateien, Integration von Erkenntnissen über Unterthemen hinweg und...

Verwenden Sie diese Fähigkeit für Anfragen im Zusammenhang mit Web-Recherche; sie bietet einen strukturierten Ansatz zur Durchführung umfassender Web-Recherchen.