Skills Langchain Ai

Documentation OpenAPI et modèles de conception d'API REST

Recherche dans arXiv des prépublications et articles académiques par sujet avec récupération des résumés. Recherche par requête en physique, mathématiques, informatique, biologie, statistiques et domaines connexes. Limite de résultats configurable (10 articles par défaut) avec résultats triés par pertinence. Renvoie le titre et le résumé de chaque article correspondant. Nécessite le package Python arxiv ; installez-le via pip s'il n'est pas déjà présent.

Rechercher dans le dépôt de prépublications arXiv des articles en physique, mathématiques, informatique, biologie quantitative et domaines connexes

Rédaction d'articles de blog longs avec délégation de recherche, modèles de contenu structurés et images de couverture générées par IA. Délègue la recherche à des sous-agents avant la rédaction, stocke les résultats en markdown pour référence et contexte. Impose une structure en cinq parties : accroche, contexte, contenu principal (3 à 5 sections), application pratique et conclusion avec appel à l'action. Génère des images de couverture optimisées pour le référencement à l'aide de prompts détaillés couvrant le sujet, le style, la composition, la couleur et l'éclairage. Produit des articles vers...

Effectuer une revue de code structurée des modifications, en vérifiant l'exactitude, le style, les tests et les problèmes potentiels.

Lire les préférences de codage de l'utilisateur depuis /memory/coding-prefs.md avant de prendre des décisions de style non triviales, et ajouter de nouvelles préférences lorsque l'utilisateur donne…

Lorsqu'on lui demande d'analyser des concurrents :

Utiliser pour l'analyse de données accélérée par GPU sur des ensembles de données, des CSV ou des données tabulaires avec NVIDIA cuDF. Se déclenche lorsque les tâches impliquent des agrégations groupby, des statistiques…

Utiliser pour l'apprentissage automatique accéléré par GPU sur des données tabulaires avec NVIDIA cuML. Se déclenche lorsque les tâches impliquent la classification, la régression, le clustering, la réduction de dimensionnalité…

Utiliser pour créer des graphiques de qualité publication et des résumés d'analyse multi-panneaux. Se déclenche lorsque les tâches impliquent la visualisation de données, le traçage de résultats, la création…

Modèles de migration de base de données et versionnement de schéma

deep-agents-memory-&-filesystem — une compétence installable pour les agents IA, publiée par langchain-ai/langchain-skills.

Framework de base pour construire des agents multi-étapes avec planification intégrée, mémoire et délégation de compétences. Fournit six options middleware principales : planification de tâches, gestion de contexte de système de fichiers, délégation de sous-agents, mémoire persistante, workflows d'approbation humaine et chargement de compétences à la demande. Inclut trois outils intégrés toujours présents : write_todos pour le suivi des tâches, opérations sur le système de fichiers (ls, read_file, write_file, edit_file, glob, grep) et task pour générer des sous-agents spécialisés. Prend en charge...

INVOQUEZ CETTE COMPÉTENCE lors de la construction de TOUTE application Deep Agents. Couvre create_deep_agent(), l'architecture du harnais, le format SKILL.md et les options de configuration.

Backends mémoire et fichiers enfichables pour Deep Agents avec options de routage éphémère, persistante et hybride. Quatre types de backends : StateBackend (éphémère, limité à un thread), StoreBackend (persistant entre sessions), FilesystemBackend (accès disque réel pour développement local) et CompositeBackend (routage de différents chemins vers différents backends). FilesystemMiddleware fournit six outils d'opérations sur fichiers : ls, read_file, write_file, edit_file, glob, grep. CompositeBackend utilise la correspondance par préfixe le plus long pour router...

INVOQUEZ CETTE COMPÉTENCE lorsque votre Deep Agent a besoin de mémoire, de persistance ou d’accès au système de fichiers. Couvre StateBackend (éphémère), StoreBackend (persistant),…

Orchestrer des sous-agents, planifier des tâches en plusieurs étapes et exiger l'approbation humaine pour les opérations sensibles. Déléguer le travail à des sous-agents spécialisés via l'outil de tâche ; les sous-agents personnalisés prennent en charge des ensembles d'outils et des invites système isolés, tandis que le sous-agent "généraliste" par défaut hérite de la configuration de l'agent principal. Planifier et suivre des workflows complexes avec write_todos, en organisant les tâches dans les états en attente, en cours et terminés ; nécessite un thread_id pour la persistance entre les invocations. Mettre en œuvre...

INVOQUEZ CETTE COMPÉTENCE lors de l'utilisation de sous-agents, de planification de tâches ou d'approbation humaine dans Deep Agents. Couvre SubAgentMiddleware, TodoList pour la planification et les interruptions HITL.

Meilleures pratiques pour la conteneurisation Docker et les constructions multi-étapes

Crée de nouvelles suites d'évaluation pour le monorepo deepagentsjs. Gère la conception des jeux de données, l'échafaudage des cas de test, la logique de notation, la configuration vitest et LangSmith…

Organise intelligemment vos fichiers et dossiers sur votre ordinateur en comprenant le contexte, en trouvant les doublons, en suggérant de meilleures structures et en automatisant…

We need to translate the given text from English to French. The text is a description of a framework selection guide. We must preserve product names: LangChain, LangGraph, Deep Agents. Also preserve technical terms like "layered architecture", "orchestration", "control flow", "planning", "memory", "file management", "skill delegation", "Decision table", "task complexity", "single-purpose agents", "custom control flow", "loops", "multi-step planning", "persistent sessions". Also preserve the name "framework-selection" is not in the text, so ignore. The text ends with "Deep..." which seems cut off, but we translate as is. Translation: "Guide de sélection de framework pour l'architecture en couches de LangChain, LangGraph et Deep Agents. Frameworks en couches où LangChain fournit les primitives de base, LangGraph ajoute l'orchestration et le flux de contrôle, et Deep Agents ajoute la planification, la mémoire, la gestion de fichiers et la délégation de compétences

INVOQUEZ CETTE COMPÉTENCE au DÉBUT de tout projet LangChain/LangGraph/Deep Agents, avant d'écrire du code d'agent. Détermine quelle couche de framework est adaptée pour le…

À utiliser lors du traitement de grands PDF, de collections de documents ou de tâches d'extraction de texte en masse qui bénéficient d'un traitement accéléré par GPU. Se déclenche lorsque l'utilisateur…

Commencez TOUJOURS ICI pour tout projet d'agent open source LangChain, Deep Agents ou LangGraph. C'est le point de départ requis pour tout agent open source LangChain…

langchain-middleware-&-hitl — une compétence installable pour agents IA, publiée par langchain-ai/langchain-skills.

INVOQUEZ CETTE COMPÉTENCE lors de la construction de tout système de génération augmentée par récupération (RAG). Couvre les chargeurs de documents, RecursiveCharacterTextSplitter, les embeddings (OpenAI),…

langchain-structured-output-&-hitl — une compétence installable pour agents IA, publiée par langchain-ai/langchain-skills.

Utilisez cette compétence pour toute question de codage impliquant les produits LangChain (LangChain, LangGraph, LangSmith SDK). Couvre les modèles de développement d'agents, les primitives,…

Versions des packages de l'écosystème LangChain, dépendances et conseils d'installation pour Python et TypeScript. Démarrez tous les nouveaux projets sur LangChain 1.0 LTS ; la version 0.3 est en maintenance héritée uniquement. Installez toujours langchain-core explicitement avec les autres packages. Choisissez une couche d'orchestration : LangGraph pour un contrôle fin des graphes, ou Deep Agents pour une planification et une mémoire clé en main. Épinglez langchain-community de manière conservatrice sur des versions mineures exactes (par exemple, >=0.4.0,<0.5.0 ) car il ne...

INVOQUEZ CETTE COMPÉTENCE lors de la configuration d’un nouveau projet ou lorsqu’on vous interroge sur les versions de paquets, l’installation ou la gestion des dépendances pour LangChain, LangGraph,…

Construisez des agents LangChain de production avec create_agent(), des outils et des modèles de middleware. Utilisez create_agent() avec un modèle, une liste d'outils et un prompt système ; configurez la persistance d'état avec un checkpointer et un thread_id pour la mémoire de conversation entre les invocations. Définissez des outils via le décorateur @tool (Python) ou la fonction tool() (TypeScript) avec des descriptions claires pour que les agents sachent quand les appeler. Ajoutez du middleware comme HumanInTheLoopMiddleware pour les workflows d'approbation, la gestion personnalisée des erreurs et l'intervention humaine...

Créez des agents LangChain avec create_agent, définissez des outils et utilisez un middleware pour l'intervention humaine et la gestion des erreurs.

Middleware d'approbation humaine, middleware personnalisé et modèles de sortie structurée pour les agents LangChain. HumanInTheLoopMiddleware interrompt l'exécution avant les appels d'outils dangereux, permettant aux humains d'approuver, de modifier les arguments ou de rejeter avec retour. Les politiques d'interruption par outil permettent de configurer différentes règles d'approbation selon le niveau de risque ; nécessite un checkpointer et un thread_id pour la persistance de l'état. Le modèle de reprise de commande continue l'exécution après les décisions humaines, avec prise en charge de la modification des arguments des outils...

INVOQUEZ CETTE COMPÉTENCE lorsque vous avez besoin d'une approbation humaine dans la boucle, d'un middleware personnalisé ou d'une sortie structurée. Couvre HumanInTheLoopMiddleware pour l'approbation humaine de…

Commencez TOUJOURS ICI pour tout projet de construction d’agent LangChain, Deep Agents ou LangGraph. Point de départ obligatoire avant de choisir d’autres compétences ou d’écrire quoi que ce soit…

We need to translate the given English text into French. The text describes a RAG pipeline. We must preserve the name "langchain-rag" but it's not in the text, so we ignore. No extra commentary, no labels. Just translate the text inside <text>. Ensure technical terms like RAG, PDF, Chroma, FAISS, Pinecone, MMR, OpenAI embeddings are preserved as proper nouns or technical terms. Translate the rest naturally. The text: "Complete RAG pipeline for document ingestion, embedding, retrieval, and LLM-powered response generation. Supports multiple document loaders (PDF, web pages, directories) and persistent vector stores (Chroma, FAISS, Pinecone) with configurable chunk size and overlap for optimal context preservation Includes similarity search, MMR (Maximal Marginal Relevance) retrieval, and metadata filtering to balance relevance and diversity in results Works with OpenAI embeddings and integrates seamlessly..." Translation: "Pipeline RAG complet pour l'ingestion de documents, l'embedding, la récupération et la génération de réponses basée

langchain-rag — une compétence installable pour agents IA, publiée par langchain-ai/skills-benchmarks.

INVOQUEZ CETTE COMPÉTENCE pour les workflows LangGraph, l'exécution parallèle, les interruptions ou le streaming. Couvre l'API Send pour le fan-out, interrupt() pour l'humain dans la boucle,…

langgraph-persistence-&-memory — une compétence installable pour agents IA, publiée par langchain-ai/langchain-skills.

We need to translate the given text from English to French. The text describes an agent skill for accessing LangGraph documentation. We must preserve the name "langgraph-docs" but it's not in the text, so we don't include it. We translate the text inside <text>. No extra labels, no markdown, just the translation. 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..." We need to translate accurately, preserving technical terms like "LangGraph", "state machines", "graph-based agent design", "human-in-the-loop", "API references", etc. Also preserve numbers like "2–4". The ellipsis at the end should be kept. Let

Utilisez cette compétence pour les demandes liées à LangGraph afin de récupérer la documentation pertinente pour fournir des conseils précis et à jour.

Cadre de graphe orienté pour construire des workflows d'agents étatiques et multi-étapes avec un contrôle fin. StateGraph avec des schémas d'état typés, des réducteurs pour accumuler des listes/valeurs, et des nœuds qui renvoient des mises à jour d'état partielles. Arêtes statiques pour un flux fixe, arêtes conditionnelles pour des branchements, et Command pour combiner les mises à jour d'état avec un routage dynamique. API Send pour un parallélisme fan-out vers des nœuds workers avec agrégation des résultats via des réducteurs. Invoke pour une exécution unique et des modes de flux (valeurs, mises à jour,...).

INVOQUEZ CETTE COMPÉTENCE lorsque vous écrivez du code LangGraph. Couvre StateGraph, les schémas d'état, les nœuds, les arêtes, Command, Send, invoke, le streaming et la gestion des erreurs.

Mettre en pause l'exécution du graphe pour un examen, une approbation ou une validation humaine, puis reprendre avec leur saisie. Nécessite trois composants : un checkpoint (InMemorySaver ou PostgresSaver), un ID de thread dans la configuration, et des charges utiles d'interruption sérialisables en JSON. interrupt(value) met en pause et affiche les données ; Command(resume=value) reprend et renvoie cette valeur au nœud mis en pause. Tout le code avant interrupt() se réexécute lors de la reprise, donc les effets secondaires doivent être idempotents (utiliser upsert, pas insert). Prend en charge les workflows d'approbation,...

INVOQUEZ CETTE COMPÉTENCE lors de l'implémentation de modèles d'intervention humaine, de la mise en pause pour approbation, ou de la gestion des erreurs dans LangGraph. Couvre interrupt(), Command(resume=...),…

INVOQUEZ CETTE COMPÉTENCE lorsque votre LangGraph doit persister l'état, se souvenir des conversations, naviguer dans l'historique ou configurer la portée du pointeur de vérification de sous-graphe.

Exécution de graphe durable avec points de contrôle par thread, historique d'état et mémoire à long terme inter-threads. Trois options de point de contrôle : InMemorySaver pour les tests, SqliteSaver pour le développement local, PostgresSaver pour la production ; toujours passer thread_id dans la configuration pour activer la persistance. Parcourir et rejouer à partir de points de contrôle passés en utilisant get_state_history(), bifurquer l'exécution en mettant à jour l'état à un point antérieur, ou modifier manuellement l'état avant de reprendre. L'API Store fournit une mémoire inter-threads pour l'utilisateur...

INVOQUEZ CETTE COMPÉTENCE lors de la création de jeux de données d'évaluation à partir de traces OU du téléchargement de jeux de données vers LangSmith OU de l'interrogation de jeux de données. Couvre les types de jeux de données (final_response,…)

INVOQUEZ CETTE COMPÉTENCE lors de la construction de pipelines d'évaluation pour LangSmith. Couvre trois composants principaux : (1) Création d'évaluateurs - LLM comme juge, code personnalisé ; (2)…

INVOQUEZ CETTE COMPÉTENCE lorsque vous travaillez avec le traçage LangSmith ou l’interrogation de traces. Couvre l’ajout de traçage aux applications et l’interrogation/l’exportation de données de traces. Contient…

Crée des évaluateurs basés sur le code pour les agents tracés par LangSmith. À utiliser lors de la construction d'une logique d'évaluation personnalisée, du test de schémas d'utilisation d'outils ou de la notation des sorties d'agents…

INVOQUEZ CETTE COMPÉTENCE lors de la création de jeux de données d'évaluation à partir de traces OU du téléchargement de jeux de données vers LangSmith OU de l'interrogation de jeux de données. Couvre les types de jeux de données (final_response,…)

We need to translate the given English text into French. The text describes a LangSmith dataset management skill. We must preserve the name "langsmith-dataset" but it's not in the text, so we don't include it. We translate the text inside <text>. No extra commentary, no labels. Just the translation. The text: "Create, manage, and upload evaluation datasets to LangSmith for testing and validation. Supports four dataset types: final_response (full conversations), single_step (individual node behavior), trajectory (tool call sequences), and RAG (question/chunks/answer/citations) CLI commands for dataset lifecycle management: create, list, get, delete, export, and upload from local JSON files SDK-based dataset creation in Python and JavaScript with programmatic example addition Example management" Note: There might be missing punctuation or line breaks. We'll translate as a coherent paragraph. Also note "CLI commands" and "SDK-based" are technical terms. Preserve "LangSmith", "final_response", "single_step", "trajectory", "RAG",

INVOQUEZ CETTE COMPÉTENCE lors de la création de jeux de données d'évaluation, du téléchargement de jeux de données vers LangSmith, ou de la gestion de jeux de données existants. Couvre les types de jeux de données (final_response,…)

INVOQUEZ CETTE COMPÉTENCE lors de la construction de pipelines d'évaluation pour LangSmith. Couvre trois composants principaux : (1) Création d'évaluateurs - LLM comme juge, code personnalisé ; (2)…

Construisez des pipelines d'évaluation pour LangSmith avec des évaluateurs LLM-as-Judge et du code personnalisé. Trois composants principaux : création d'évaluateurs (LLM-as-Judge ou code personnalisé), définition de fonctions d'exécution pour capturer les sorties et trajectoires des agents, et exécution d'évaluations localement ou via des évaluateurs téléchargés en mode automatique. Prend en charge les évaluateurs hors ligne (comparaison des sorties d'exécution avec des exemples de jeux de données) et les évaluateurs en ligne (vérifications de qualité en temps réel sur les exécutions de production). Nécessite une clé API LangSmith et un projet...

INVOQUEZ CETTE COMPÉTENCE lors de la construction de pipelines d'évaluation pour LangSmith. Couvre trois composants principaux : (1) Création d'évaluateurs - LLM comme juge, code personnalisé ; (2)…

Récupère les traces LangSmith pour déboguer le comportement de l'agent. À utiliser lors du dépannage de problèmes d'agent, de la révision de l'historique des conversations ou de l'investigation des appels d'outils.

INVOQUEZ CETTE COMPÉTENCE lorsque vous travaillez avec le traçage LangSmith ou l’interrogation de traces. Couvre l’ajout de traçage aux applications et l’interrogation/l’exportation de données de traces. Utilise le…

INVOQUEZ CETTE COMPÉTENCE lorsque vous travaillez avec le tracing LangSmith ou l’interrogation de traces. Couvre l’ajout de tracing aux applications et l’interrogation/exportation de données de traces. Contient…

Ajouter le tracing aux applications LangChain/LangGraph et interroger les données de trace via CLI pour le débogage et la génération de datasets. Tracing automatique pour les applications LangChain/LangGraph avec variables d'environnement ; tracing manuel via le décorateur @traceable et wrap_openai() pour d'autres frameworks en Python et TypeScript. Interroger les traces (arbres d'exécution complets) ou les runs (nœuds individuels) à l'aide de la CLI langsmith avec des filtres par temps, latence, erreurs, tags et métadonnées personnalisées. Exporter les traces vers des fichiers JSONL en préservant la hiérarchie ;...

INVOQUEZ CETTE COMPÉTENCE lorsque vous travaillez avec le traçage LangSmith ou l’interrogation de traces. Couvre l’ajout de traçage aux applications et l’interrogation/l’exportation de données de traces. Utilise le…

Décomposer une tâche de codage en un plan d'implémentation structuré avec des étapes claires, l'identification des fichiers et une évaluation des risques.

Écrit et exécute des requêtes SQL, des simples SELECT aux JOINs multi-tables complexes, agrégations et sous-requêtes. À utiliser lorsque l'utilisateur demande d'interroger une base de données,…

Modèles modernes de composants React avec hooks et TypeScript

Examiner la conversation en cours et capturer des connaissances précieuses — bonnes pratiques, conventions de codage, décisions architecturales, flux de travail et retours utilisateurs —…

Liste les tables, décrit les colonnes et les types de données, identifie les relations de clés étrangères et cartographie les relations entre entités dans une base de données. À utiliser lorsque l'utilisateur demande…

Guide pour créer des compétences efficaces qui étendent les capacités de l'agent avec des connaissances spécialisées, des flux de travail ou des intégrations d'outils. Utilisez cette compétence lorsque l'utilisateur…

Guide pour créer des compétences efficaces qui étendent les capacités de l'agent avec des connaissances spécialisées, des flux de travail ou des intégrations d'outils. Utilisez cette compétence lorsque l'utilisateur…

Rédige des publications pour les réseaux sociaux adaptées à chaque plateforme, avec un contenu basé sur des recherches et des images d’accompagnement générées. Prend en charge les posts LinkedIn (1 300 caractères, ton professionnel) et les fils Twitter/X (280 caractères par tweet, format 1/🧵). Nécessite de déléguer la recherche à un sous-agent avant la rédaction, puis de lire les résultats pour garantir l’exactitude et la pertinence. Génère automatiquement des images sociales accrocheuses via l’outil generate_social_image, avec des compositions audacieuses et à fort contraste optimisées pour les petits...

Distribuer un lot de tâches aux sous-agents en parallèle avec une concurrence limitée. Renvoie un objet récapitulatif avec {total, completed, failed, results[]} — itérer…

Meilleures pratiques de tests unitaires et d'intégration

Orchestre la recherche web multi-sources en déléguant à des sous-agents, en synthétisant les résultats et en produisant des rapports cités. Décompose les questions de recherche en 2 à 5 sous-thèmes distincts, crée un fichier de plan de recherche et lance jusqu'à 3 sous-agents en parallèle pour une investigation efficace. Chaque sous-agent effectue 3 à 5 recherches web par sous-thème et écrit les résultats dans des fichiers locaux avec des faits clés, des citations et des URL sources. Synthétise les résultats en lisant les fichiers de résultats locaux, en intégrant les informations entre les sous-thèmes, et...

Utilisez cette compétence pour les demandes liées à la recherche web ; elle fournit une approche structurée pour mener une recherche web