deep-agents-core

par langchain-ai

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...

npx skills add https://github.com/langchain-ai/langchain-skills --skill deep-agents-core

Télécharger ZIP GitHub

Plus de skills de langchain-ai

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.

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…

competitor-analysis

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…

cuml-machine-learning

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…

data-visualization

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…