deepagents-typescript-quickstart

Crear un agente Deep local mínimo en TypeScript siguiendo la guía de inicio rápido oficial, usando la búsqueda web nativa del proveedor en lugar de Tavily. Usar cuando el usuario…

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.

Más skills de langchain-ai

deepagents-thread-inspector
langchain-ai
Inspecciona y explica conversaciones en el almacén de sesiones SQLite local de Deep Agents Code. Úsalo como respaldo cuando la herramienta de trazado de LangSmith no esté disponible, para…
deepagents-python-quickstart
langchain-ai
Crear un agente local mínimo de Deep Agent en Python siguiendo la guía de inicio rápido oficial, utilizando la búsqueda web nativa del proveedor en lugar de Tavily. Úsalo cuando el usuario quiera…
eval-engineering
langchain-ai
Inspecciona de forma iterativa un repositorio de agentes y los traces opcionales proporcionados por el usuario, entrevista al usuario, y crea, ejecuta y audita los evals de Harbor uno a la vez. Úsalo para…
LangChain RAG Pipeline
langchain-ai
INVOCA ESTA HABILIDAD al construir CUALQUIER sistema de generación aumentada por recuperación (RAG). Cubre cargadores de documentos, RecursiveCharacterTextSplitter, embeddings (OpenAI),…
LangChain Structured Output & HITL
langchain-ai
langchain-structured-output-&-hitl — una habilidad instalable para agentes de IA, publicada por langchain-ai/langchain-skills.
LangSmith Datasets
langchain-ai
INVOCA ESTA HABILIDAD al crear conjuntos de datos de evaluación a partir de trazas O al subir conjuntos de datos a LangSmith O al consultar conjuntos de datos. Cubre tipos de conjuntos de datos (final_response,…
langsmith-evaluator
langchain-ai
INVOCA ESTA HABILIDAD al construir pipelines de evaluación para LangSmith. Cubre tres componentes principales: (1) Creación de Evaluadores - LLM como juez, código personalizado; (2)…
LangSmith Evaluators
langchain-ai
INVOCA ESTA HABILIDAD al construir pipelines de evaluación para LangSmith. Cubre tres componentes principales: (1) Creación de Evaluadores - LLM como Juez, código personalizado; (2)…