langgraph-typescript-quickstart

Richte einen minimalen lokalen LangGraph-Agenten in TypeScript ein, indem du dem offiziellen Schnellstart folgst. Verwende dies, wenn der Benutzer schnell einen LangGraph-Agenten erstellen oder ausprobieren möchte…

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

LangGraph TypeScript quickstart

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

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

Fetch that page (Docs MCP or HTTP) and implement what it shows (calculator / math agent with the Graph API). Prefer the Graph API path over the Functional API unless the user asks otherwise. Skip graph visualization.

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 LangGraph works with any LangChain chat model. 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-2.5-flash-lite. Default if you're unsure: anthropic:claude-sonnet-5.

    The docs often hardcode Anthropic — replace with initChatModel("<MODEL>") (or equivalent) using their choice. If using Claude Sonnet 5+, omit temperature / top_p / top_k (unsupported).

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

  3. Only secret: the provider API key in .env (gitignored). No LangSmith / Tavily unless they ask. Prefer they edit .env themselves — don't paste keys into chat.

  4. Install packages from the quickstart plus the provider package for their model.

  5. Run the example (e.g. “Add 3 and 4.”), show output, then stop. Point to langgraph-fundamentals for next steps. For a higher-level agent API, use LangChain createAgent instead.

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…
deepagents-typescript-quickstart
langchain-ai
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…
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)…