deepagents-typescript-quickstart

Erstelle ein minimales lokales Deep Agent in TypeScript, indem du dem offiziellen Quickstart folgst, und verwende die anbieternative Websuche anstelle von Tavily. Verwende, wenn der Benutzer…

npx skills add https://github.com/langchain-ai/langchain-skills --skill deepagents-typescript-quickstart

Deep Agents TypeScript quickstart

Follow the live docs — do not invent an alternate API from memory:

https://docs.langchain.com/oss/javascript/deepagents/quickstart

Fetch that page (Docs MCP or HTTP) and implement the research-agent shape it shows (createDeepAgent, research system prompt, invoke with a research question like “What is LangGraph?”). Requires Node 22+.

Local setup constraints

Apply these on top of the quickstart (they keep setup minimal and model-agnostic):

  1. Ask which provider/model to use. Showcase that Deep Agents are model-agnostic. Suggested prompt:

    Which model should this agent use? Pass a provider:model string — e.g. openai:gpt-5.5, anthropic:claude-sonnet-5, google-genai:gemini-3.5-flash. Default if you're unsure: anthropic:claude-sonnet-5.
    We'll use that provider's built-in web search (no separate search API key).

  2. Create a new directory (e.g. deep-agent/) and do all work there — do not pollute the open project.

  3. Do not use Tavily (or @langchain/tavily). Replace the quickstart's search tool with the chosen provider's built-in web search. Look up the current export/tool shape on that provider's LangChain docs (examples as of writing — re-check if needed):

    ProviderBuilt-in search tool
    Anthropic@langchain/anthropic tools.webSearch_*() (or equivalent dict)
    OpenAI{ type: "web_search" }
    Google{ google_search: {} }

    Prefer Anthropic / OpenAI / Google so provider search is available. Only secret: that provider's API key in .env (gitignored). Skip LangSmith tracing unless they ask.

  4. Install packages from the quickstart minus Tavily; add the provider package for their model.

  5. Run the research example, show output, then stop. Point to deep-agents-core / customization / Managed Deep Agents for next steps.

Mehr Skills von langchain-ai

deepagents-thread-inspector
langchain-ai
Untersuchen und erklären Sie Konversationen im lokalen Deep Agents Code SQLite-Sitzungsspeicher. Verwenden Sie es als Fallback, wenn die LangSmith-Trace-Tooling nicht verfügbar ist, für…
deepagents-python-quickstart
langchain-ai
Richte einen minimalen lokalen Deep Agent in Python ein, indem du dem offiziellen Quickstart folgst und die provider-native Websuche anstelle von Tavily verwendest. Verwende dies, wenn der Benutzer möchte…
eval-engineering
langchain-ai
Ein Agent-Repository und optionale vom Benutzer bereitgestellte Traces iterativ inspizieren, den Benutzer interviewen und Harbor-Evals einzeln erstellen, ausführen und prüfen. Verwenden für…
LangChain RAG Pipeline
langchain-ai
RUFEN SIE DIESE FÄHIGKEIT auf, wenn Sie ein Retrieval-Augmented Generation (RAG)-System erstellen. Umfasst Dokumentenlader, RecursiveCharacterTextSplitter, Einbettungen (OpenAI),…
LangChain Structured Output & HITL
langchain-ai
langchain-structured-output-&-hitl — eine installierbare Fähigkeit für KI-Agenten, veröffentlicht von langchain-ai/langchain-skills.
LangSmith Datasets
langchain-ai
RUFEN SIE DIESE FÄHIGKEIT auf, wenn Sie Evaluierungsdatensätze aus Traces erstellen oder Datensätze zu LangSmith hochladen oder Datensätze abfragen. Deckt Datensatztypen ab (final_response, …)
langsmith-evaluator
langchain-ai
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)…
LangSmith Evaluators
langchain-ai
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)…