Skills Langchain Ai

skills-benchmarks/skills/benchmarks/framework-selection

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…

deepagents/examples/nvidia_deep_agent/skills/gpu-document-processing

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…

docs/src/.mintlify/skills/langchain

Construisez des agents avec une architecture préconstruite et des intégrations pour tout modèle ou outil. Utilisez lors de la création d'agents appelant des outils, du changement de fournisseurs de modèles, ou de l'ajout…

langchain-skills/skills/LangChain Agent Starter Kit

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-skills/skills/LangChain Middleware & HITL

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

langchain-skills/skills/LangChain RAG Pipeline

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-skills/skills/LangChain Structured Output & HITL

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

langchain-skills/skills/langchain-agents

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,…

skills-benchmarks/skills/langchain-agents

Construisez des agents LangChain avec des modèles modernes. Couvre create_agent, LangGraph et la gestion du contexte.

langchain-skills/config/skills/langchain-dependencies

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...

skills-benchmarks/skills/main/langchain-dependencies

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,…

langchain-skills/config/skills/langchain-fundamentals

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...

skills-benchmarks/skills/main/langchain-fundamentals

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

langchain-skills/config/skills/langchain-middleware

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...

skills-benchmarks/skills/main/langchain-middleware

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…

skills-benchmarks/skills/benchmarks/langchain-oss-primer

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…

langchain-skills/config/skills/langchain-python-quickstart

Créez un agent LangChain local minimal en Python en suivant le guide de démarrage rapide officiel. À utiliser lorsque l'utilisateur souhaite construire ou essayer rapidement un agent LangChain…

langchain-skills/config/skills/langchain-rag

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

skills-benchmarks/skills/main/langchain-rag

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

langchain-skills/config/skills/langchain-typescript-quickstart

Créez un agent LangChain local minimal en TypeScript en suivant le guide de démarrage rapide officiel. À utiliser lorsque l’utilisateur souhaite créer ou essayer rapidement un agent LangChain…

docs/src/.mintlify/skills/langgraph

Construisez des workflows d’agent durables et avec état avec LangGraph. Utilisez-le lorsque vous avez besoin d’un flux de contrôle personnalisé basé sur des graphes, d’une intervention humaine, d’une persistance ou de plusieurs agents…

langchain-skills/skills/LangGraph Execution Control

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,…

langchain-skills/skills/LangGraph Persistence & Memory

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

langchain-skills/config/skills/langgraph-cli

INVOQUER CETTE COMPÉTENCE lors de l'utilisation de l'interface en ligne de commande langgraph pour échafauder, développer, construire ou déployer des applications LangGraph. Couvre langgraph new, dev, build, up, deploy, et…

deepagentsjs/examples/skills/langgraph-docs

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

docs/src/code-samples/deepagents/skills/langgraph-docs

Récupère et référence la documentation Python de LangGraph pour construire des agents avec état, créer des workflows multi-agents et implémenter des modèles d'intervention humaine. Utilise…

deepagents/libs/code/examples/skills/langgraph-docs

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

langchain-skills/config/skills/langgraph-fundamentals

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,...).

skills-benchmarks/skills/main/langgraph-fundamentals

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.

langchain-skills/config/skills/langgraph-human-in-the-loop

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,...