linkedin-post

Rédigez un post LinkedIn basé sur des résultats de recherche ou un sujet donné. Utilisez cette compétence lorsqu'on vous demande de créer du contenu LinkedIn, des publications professionnelles ou des réflexions...

npx skills add https://github.com/langchain-ai/langgraph-101 --skill linkedin-post

LinkedIn Post Skill

Format

  • Hook: Start with a bold opening line that grabs attention (this appears before the "see more" cut)
  • Body: 3-5 short paragraphs, each 1-2 sentences
  • Use line breaks between paragraphs for readability
  • Include 1-2 relevant emojis per paragraph (don't overdo it)
  • End with a call-to-action or question to drive engagement
  • Add 3-5 relevant hashtags at the bottom

Tone

  • Professional but conversational
  • Share insights, not just information
  • Use "I" statements and personal perspective where appropriate
  • Avoid jargon unless the audience expects it

Length

  • Ideal: 150-300 words
  • LinkedIn truncates after ~210 characters, so the first line must hook the reader

Template

[Bold hook / surprising stat / question]

[Context -- why this matters]

[Key insight 1]

[Key insight 2]

[Key insight 3 or personal takeaway]

[Call to action / question for engagement]

#hashtag1 #hashtag2 #hashtag3

Example

Most AI agents fail not because of the model -- but because of context management.

After researching the latest agent frameworks, one pattern keeps emerging:
the best agents treat their context window like a scarce resource.

Here's what separates good agents from great ones:

1. They offload intermediate results to a filesystem instead of keeping everything in context
2. They delegate to subagents for isolation -- the main agent only sees summaries
3. They use progressive disclosure -- loading instructions only when relevant

The shift from "bigger context window" to "smarter context management" is where
the real breakthroughs are happening.

What patterns have you seen work best in your agent architectures?

#AIAgents #LangChain #LangGraph #ContextEngineering

Plus de skills de langchain-ai

deepagents-thread-inspector
langchain-ai
Inspecter et expliquer les conversations dans le stockage de sessions SQLite local de Deep Agents Code. À utiliser comme solution de repli lorsque l'outillage de traçage LangSmith est indisponible, pour…
deepagents-python-quickstart
langchain-ai
Créez un agent Deep minimal en local en Python en suivant le guide de démarrage rapide officiel, en utilisant la recherche web native du fournisseur au lieu de Tavily. Utilisez lorsque l’utilisateur souhaite…
deepagents-typescript-quickstart
langchain-ai
Scaffold a minimal local Deep Agent in TypeScript by following the official quickstart, using provider-native web search instead of Tavily. Use when the user…
eval-engineering
langchain-ai
Inspectez itérativement un dépôt d'agent et d'éventuelles traces fournies par l'utilisateur, interviewez l'utilisateur, puis créez, exécutez et auditez les evals Harbor un à la fois. À utiliser pour…
LangChain RAG Pipeline
langchain-ai
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
langchain-ai
langchain-structured-output-&-hitl — une compétence installable pour agents IA, publiée par langchain-ai/langchain-skills.
LangSmith Datasets
langchain-ai
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,…)
langsmith-evaluator
langchain-ai
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)…