Langchain Ai Skills

OpenAPI दस्तावेज़ीकरण और REST API डिज़ाइन पैटर्न

arXiv पर विषय के अनुसार प्रीप्रिंट और शैक्षणिक पेपर खोजें, सार पुनर्प्राप्ति के साथ। भौतिकी, गणित, कंप्यूटर विज्ञान, जीव विज्ञान, सांख्यिकी और संबंधित क्षेत्रों में क्वेरी-आधारित खोज। कॉन्फ़िगरेबल परिणाम सीमा (डिफ़ॉल्ट 10 पेपर) जिसमें परिणाम प्रासंगिकता के अनुसार क्रमबद्ध होते हैं। प्रत्येक मिलान पेपर के लिए शीर्षक और सार लौटाता है। arxiv Python पैकेज की आवश्यकता है; यदि पहले से म

भौतिकी, गणित, कंप्यूटर विज्ञान, मात्रात्मक जीवविज्ञान और संबंधित क्षेत्रों में शोध पत्रों के लिए arXiv प्रीप्रिंट रिपॉजिटरी में खोजें

लंबे-फॉर्म ब्लॉग पोस्ट लेखन जिसमें शोध प्रतिनिधि, संरचित सामग्री टेम्पलेट और AI-जनित कवर इमेज शामिल हैं। लिखने से पहले उप-एजेंटों को शोध सौंपता है, निष्कर्षों को संदर्भ और संदर्भ के लिए मार्कडाउन में संग्रहीत करता है। पांच-भाग वाली पोस्ट संरचना लागू करता है: हुक, संदर्भ, मुख्य सामग्री (3–5 खंड), व्यावहारिक अनुप्रयोग, और कॉल-टू-एक्शन के साथ निष्कर्ष। विस्तृत प्रॉम्प्ट का उपय

परिवर्तनों की संरचित कोड समीक्षा करें, शुद्धता, शैली, परीक्षण और संभावित समस्याओं की जाँच करें।

उपयोगकर्ता की कोडिंग प्राथमिकताओं को /memory/coding-prefs.md से पढ़ें, इससे पहले कि कोई गैर-सामान्य शैली निर्णय लिया जाए, और जब उपयोगकर्ता नई प्राथमिकताएँ देता है तो उन्हें जोड़ें…

जब प्रतिस्पर्धियों का विश्लेषण करने के लिए कहा जाए:

GPU-त्वरित डेटा विश्लेषण के लिए डेटासेट, CSV या सारणीबद्ध डेटा पर NVIDIA cuDF का उपयोग करें। तब ट्रिगर होता है जब कार्यों में groupby एकत्रीकरण, सांख्यिकीय... शामिल हों।

GPU-त्वरित मशीन लर्निंग के लिए NVIDIA cuML का उपयोग करके सारणीबद्ध डेटा पर कार्य करें। यह तब सक्रिय होता है जब कार्यों में वर्गीकरण, प्रतिगमन, क्लस्टरिंग, आयामी कमी... शामिल होती है।

प्रकाशन-गुणवत्ता वाले चार्ट और बहु-पैनल विश्लेषण सारांश बनाने के लिए उपयोग करें। तब सक्रिय होता है जब कार्यों में डेटा विज़ुअलाइज़ करना, परिणाम प्लॉट करना, बनाना शामिल होता है…

डेटाबेस माइग्रेशन पैटर्न और स्कीमा वर्जनिंग

deep-agents-memory-&-filesystem — AI एजेंटों के लिए एक इंस्टॉल करने योग्य कौशल, जो langchain-ai/langchain-skills द्वारा प्रकाशित है।

बहु-चरणीय एजेंट बनाने के लिए फाउंडेशन फ्रेमवर्क जिसमें अंतर्निहित योजना, मेमोरी और कौशल प्रतिनिधिमंडल शामिल है। छह मुख्य मिडलवेयर विकल्प प्रदान करता है: कार्य योजना, फाइलसिस्टम संदर्भ प्रबंधन, उप-एजेंट प्रतिनिधिमंडल, स्थायी मेमोरी, मानव अनुमोदन वर्कफ़्लो और ऑन-डिमांड कौशल लोडिंग। इसमें तीन हमेशा मौजूद अंतर्निहित उपकरण शामिल हैं: कार्य ट्रै

किसी भी Deep Agents एप्लिकेशन को बनाते समय इस कौशल को लागू करें। इसमें create_deep_agent(), हार्नेस आर्किटेक्चर, SKILL.md प्रारूप और कॉन्फ़िगरेशन विकल्प शामिल हैं।

डीप एजेंट्स के लिए प्लग करने योग्य मेमोरी और फ़ाइल बैकएंड, जिसमें एफेमरल, पर्सिस्टेंट और हाइब्रिड रूटिंग विकल्प हैं। चार बैकएंड प्रकार: स्टेटबैकएंड (थ्रेड-स्कोप्ड, एफेमरल), स्टोरबैकएंड (क्रॉस-सेशन पर्सिस्टेंट), फ़ाइलसिस्टमबैकएंड (स्थानीय डेव के लिए वास्तविक डिस्क एक्सेस), और कम्पोजिटबैकएंड (विभिन्न पथों को विभिन्न बैकएंड पर रूट करता है)। फ़

इस कौशल को तब लागू करें जब आपके डीप एजेंट को मेमोरी, स्थायित्व या फ़ाइल सिस्टम एक्सेस की आवश्यकता हो। इसमें StateBackend (अस्थायी), StoreBackend (स्थायी),… शामिल है।

उप-एजेंटों का समन्वय करें, बहु-चरणीय कार्यों की योजना बनाएं, और संवेदनशील संचालन के लिए मानव अनुमोदन आवश्यक है। कार्य उपकरण के माध्यम से विशिष्ट उप-एजेंटों को कार्य सौंपें; कस्टम उप-एजेंट पृथक उपकरण सेट और सिस्टम प्रॉम्प्ट का समर्थन करते हैं, जबकि डिफ़ॉल्ट "सामान्य-उद्देश्य" उप-एजेंट मुख्य एजेंट कॉन्फ़िगरेशन प्राप्त करता है। write_todos के साथ जटिल वर्कफ़्लो की योजना ब

डीप एजेंट्स में सबएजेंट्स, कार्य योजना, या मानव अनुमोदन का उपयोग करते समय इस कौशल को लागू करें। इसमें SubAgentMiddleware, योजना के लिए TodoList, और HITL इंटरप्ट शामिल हैं।

डॉकर कंटेनरीकरण और मल्टी-स्टेज बिल्ड के लिए सर्वोत्तम अभ्यास

deepagentsjs मोनोरेपो के लिए नए eval सूट बनाएँ। डेटासेट डिज़ाइन, टेस्ट केस स्कैफोल्डिंग, स्कोरिंग लॉजिक, vitest कॉन्फ़िगरेशन और LangSmith… को संभालता है।

बुद्धिमानी से आपके कंप्यूटर पर फ़ाइलों और फ़ोल्डरों को संदर्भ समझकर, डुप्लिकेट ढूंढकर, बेहतर संरचनाएँ सुझाकर, और स्वचालित करके व्यवस्थित करता है…

LangChain, LangGraph और Deep Agents की स्तरित वास्तुकला के लिए फ्रेमवर्क चयन मार्गदर्शिका। स्तरित फ्रेमवर्क जहाँ LangChain मूलभूत प्रिमिटिव प्रदान करता है, LangGraph ऑर्केस्ट्रेशन और नियंत्रण प्रवाह जोड़ता है, और Deep Agents योजना, मेमोरी, फ़ाइल प्रबंधन और कौशल प्रत्यायोजन जोड़ता है। कार्य जटिलता के आधार पर फ्रेमवर्क चयन के लिए निर्णय तालिका: एकल-उद्देश्य एजेंटों के लिए LangChain, कस्टम नियंत्रण प्रवाह और लूप के लिए LangGraph, बहु-चरण

किसी भी LangChain/LangGraph/Deep Agents प्रोजेक्ट की शुरुआत में, कोई भी एजेंट कोड लिखने से पहले, इस कौशल को लागू करें। यह निर्धारित करता है कि कौन सा फ्रेमवर्क स्तर उपयुक्त है…

बड़े PDF, दस्तावेज़ संग्रह, या बल्क टेक्स्ट निष्कर्षण कार्यों को संसाधित करते समय उपयोग करें जो GPU-त्वरित प्रसंस्करण से लाभान्वित होते हैं। तब सक्रिय होता है जब उपयोगकर्ता…

किसी भी LangChain, Deep Agents,

langchain-middleware-&-hitl — an installable skill for AI agents, published by langchain-ai/langchain-skills.

इस कौशल का उपयोग किसी भी पुनर्प्राप्ति-संवर्धित पीढ़ी (RAG) प्रणाली के निर्माण में करें। इसमें दस्तावेज़ लोडर, RecursiveCharacterTextSplitter, एम्बेडिंग (OpenAI),… शामिल हैं।

langchain-structured-output-&-hitl — AI एजेंटों के लिए एक इंस्टॉल करने योग्य कौशल, जो langchain-ai/langchain-skills द्वारा प्रकाशित है।

किसी भी कोडिंग प्रश्न के लिए इस कौशल का उपयोग करें जिसमें LangChain उत्पाद (LangChain, LangGraph, LangSmith SDK) शामिल हों। इसमें एजेंट विकास पैटर्न, प्रिमिटिव्स,… शामिल हैं।

We need to translate the given English text to Hindi, preserving the name "langchain-dependencies" if it appears, but it does not appear in the text. So we just translate the text. Keep technical terms like LangChain, Python, TypeScript, LangChain 1.0 LTS, langchain-core, LangGraph, Deep Agents, langchain-community, version numbers, etc. as is. Translate the rest naturally. The text: "LangChain ecosystem package versions, dependencies, and installation guidance for Python and TypeScript. Start all new projects on LangChain 1.0 LTS; version 0.3 is legacy maintenance-only. Always install langchain-core explicitly alongside other packages. Choose one orchestration layer: LangGraph for fine-grained graph control, or Deep Agents for batteries-included planning and memory. Pin langchain-community conservatively to exact minor versions (e.g., >=0.4.0,<0.5.0 ) since it does not..." We need to translate into Hindi. Let's do it step by step. "Lang

इस कौशल का उपयोग करें जब कोई नया प्रोजेक्ट सेट कर रहे हों या LangChain, LangGraph,… के लिए पैकेज संस्करणों, इंस्टॉलेशन, या निर्भरता प्रबंधन के बारे में पूछा जाए।

create_agent(), टूल्स और मिडलवेयर पैटर्न के साथ प्रोडक्शन-रेडी LangChain एजेंट बनाएं। मॉडल, टूल्स लिस्ट और सिस्टम प्रॉम्प्ट के साथ create_agent() का उपयोग करें; चेकपॉइंटर और थ्रेड_आईडी के साथ स्टेट पर्सिस्टेंस कॉन्फ़िगर करें ताकि इनवोकेशन के बीच कन्वर्सेशन मेमोरी बनी रहे। @tool डेकोरेटर (Python) या tool() फंक्शन (TypeScript) के ज़रिए स्पष्ट विवरण के साथ टूल्स परिभाषित करें ताकि एजेंट को प

create_agent के साथ LangChain एजेंट बनाएं, टूल्स परिभाषित करें, और मानव-इन-द-लूप तथा त्रुटि प्रबंधन के लिए मिडलवेयर का उपयोग करें।

मानव-इन-द-लूप अनुमोदन, कस्टम मिडलवेयर, और LangChain एजेंटों के लिए संरचित आउटपुट पैटर्न। HumanInTheLoopMiddleware खतरनाक टूल कॉल से पहले निष्पादन को रोकता है, जिससे मनुष्य अनुमोदन कर सकते हैं, तर्क संपादित कर सकते हैं, या प्रतिक्रिया के साथ अस्वीकार कर सकते हैं। प्रति-टूल इंटरप्ट नीतियां आपको जोखिम स्तर के आधार पर विभिन्न अनुमोदन नियमों को कॉन्फ़िगर करने देती हैं; स्थिति स्थिरता के लिए चेकपॉइंटर

इस कौशल का उपयोग तब करें जब आपको मानव-इन-द-लूप अनुमोदन, कस्टम मिडलवेयर, या संरचित आउटपुट की आवश्यकता हो। HumanInTheLoopMiddleware को कवर करता है…

किसी भी LangChain, Deep Agents या LangGraph एजेंट निर्माण प्रोजेक्ट के लिए हमेशा यहाँ से शुरू करें। अन्य कौशल चुनने या कुछ भी लिखने से पहले आवश्यक प्रारंभिक बिंदु।

दस्तावेज़ अंतर्ग्रहण, एम्बेडिंग, पुनर्प्राप्ति और LLM-संचालित प्रतिक्रिया निर्माण के लिए पूर्ण RAG पाइपलाइन। एकाधिक दस्तावेज़ लोडर (PDF, वेब पेज, निर्देशिकाएँ) और स्थायी वेक्टर स्टोर (Chroma, FAISS, Pinecone) का समर्थन करता है, जिसमें इष्टतम संदर्भ संरक्षण के लिए कॉन्फ़िगरेबल चंक आकार और ओवरलैप होता है। परिणामों में प्रासंगिकता और विविधता को संतुलित करने के लिए समानता खोज, MMR (मैक्सिमल मार

langchain-rag — AI एजेंटों के लिए एक इंस्टॉल करने योग्य कौशल, जो langchain-ai/skills-benchmarks द्वारा प्रकाशित है।

LangGraph वर्कफ़्लो, समानांतर निष्पादन, इंटरप्ट या स्ट्रीमिंग के लिए इस कौशल को लागू करें। फैन-आउट के लिए Send API, ह्यूमन-इन-द-लूप के लिए interrupt(), और अन्य चीज़ों को शामिल करता है।

langgraph-persistence-&-memory — langchain-ai/langchain-skills द्वारा प्रकाशित AI एजेंटों के लिए एक इंस्टॉल करने योग्य कौशल।

LangGraph दस्तावेज़ीकरण तक पहुँचकर स्टेटफुल एजेंट और मल्टी-एजेंट वर्कफ़्लो बनाएँ। स्टेट मशीन, ग्राफ़-आधारित एजेंट डिज़ाइन और ह्यूमन-इन-द-लूप पैटर्न को कवर करने वाले आधिकारिक LangGraph Python दस्तावेज़ प्राप्त करता है। प्रश्न प्रकार के अनुसार प्रासंगिक दस्तावेज़ीकरण को प्राथमिकता देता है: कैसे-करें प्रश्नों के लिए कार्यान्वयन गाइड, सिद्धांत के लिए अवधारणा पृष्ठ, एंड-टू-एंड उदाहरण

LangGraph से संबंधित अनुरोधों के लिए इस कौशल का उपयोग करें ताकि प्रासंगिक दस्तावेज़ प्राप्त करके सटीक और अद्यतन मार्गदर्शन प्रदान किया जा सके।

We need to translate the given English text to Hindi. The text describes a directed graph framework for agent workflows. We must preserve the name "langgraph-fundamentals" but it's not in the source text, so we ignore. No extra labels. Translate accurately, keeping technical terms like "StateGraph", "reducers", "Send API", "Invoke", etc. as is or with appropriate Hindi transliteration? The instruction says preserve technical terms, so likely keep them in English. But we can translate the surrounding words. For example, "Directed graph framework" -> "निर्देशित ग्राफ ढांचा". "stateful, multi-step agent workflows" -> "स्टेटफुल, बहु-चरण एजेंट वर्कफ़्लो". "fine-grained control" -> "सूक्ष्म नियंत्रण". "StateGraph with typed state schemas" -> "टाइप किए गए स्टेट स्कीमा के साथ StateGraph".

जब भी कोई LangGraph कोड लिखें, इस कौशल का उपयोग करें। इसमें StateGraph, स्टेट स्कीमा, नोड्स, एजेज, Command, Send, invoke, स्ट्रीमिंग और एरर हैंडलिंग शामिल है।

ग्राफ निष्पादन को मानव समीक्षा, अनुमोदन या सत्यापन के लिए रोकें, फिर उनके इनपुट के साथ पुनः शुरू करें। तीन घटकों की आवश्यकता है: एक चेकपॉइंटर (InMemorySaver या PostgresSaver), कॉन्फ़िग में एक थ्रेड आईडी, और JSON-सीरियलाइज़ेबल इंटरप्ट पेलोड। interrupt(value) रुकता है और डेटा सतह पर लाता है; Command(resume=value) पुनः शुरू करता है और उस मान को रुके हुए नोड पर लौटाता है। interrupt() से पहले का सारा कोड पुनः शुरू हो

मानव-इन-द-लूप पैटर्न लागू करते समय, अनुमोदन के लिए रुकते समय, या LangGraph में त्रुटियों को संभालते समय इस कौशल का आह्वान करें। इसमें interrupt(), Command(resume=...),… शामिल है।

जब आपके LangGraph को स्थिति बनाए रखने, बातचीत याद रखने, इतिहास में यात्रा करने, या उपग्राफ चेकपॉइंटर स्कोपिंग कॉन्फ़िगर करने की आवश्यकता हो, तब इस कौशल को लागू करें।

टिकाऊ ग्राफ निष्पादन जिसमें थ्रेड-स्कोप्ड चेकपॉइंट, स्थिति इतिहास और क्रॉस-थ्रेड दीर्घकालिक मेमोरी शामिल है। तीन चेकपॉइंटर विकल्प: परीक्षण के लिए InMemorySaver, स्थानीय विकास के लिए SqliteSaver, उत्पादन के लिए PostgresSaver; कॉन्फ़िगरेशन में हमेशा thread_id पास करें ताकि स्थिरता सक्षम हो सके। get_state_history() का उपयोग करके पिछले चेकपॉइंट से ब्राउज़ और रीप्ले करें, किसी पिछले बिंदु पर स्थिति अपडेट

इस कौशल का उपयोग करें जब ट्रेस से मूल्यांकन डेटासेट बनाना हो या LangSmith पर डेटासेट अपलोड करना हो या डेटासेट क्वेरी करना हो। इसमें डेटासेट प्रकार शामिल हैं (final_response,…

लैंगस्मिथ के लिए मूल्यांकन पाइपलाइन बनाते समय इस कौशल का उपयोग करें। इसमें तीन मुख्य घटक शामिल हैं: (1) मूल्यांकनकर्ता बनाना - LLM-एक-न्यायाधीश, कस्टम कोड; (2)…

इस कौशल का उपयोग तब करें जब LangSmith ट्रेसिंग के साथ काम कर रहे हों या ट्रेस क्वेरी कर रहे हों। इसमें एप्लिकेशन में ट्रेसिंग जोड़ना और ट्रेस डेटा क्वेरी/एक्सपोर्ट करना शामिल है। इसमें…

लैंगस्मिथ-ट्रेस्ड एजेंटों के लिए कोड-आधारित मूल्यांकनकर्ता बनाता है। कस्टम मूल्यांकन तर्क बनाते समय, टूल उपयोग पैटर्न का परीक्षण करते समय, या एजेंट आउटपुट को स्कोर करते समय उपयोग करें…

इस कौशल का उपयोग तब करें जब ट्रेस से मूल्यांकन डेटासेट बनाना हो या LangSmith पर डेटासेट अपलोड करना हो या डेटासेट क्वेरी करना हो। इसमें डेटासेट प्रकार शामिल हैं (final_response,…

लैंगस्मिथ में परीक्षण और मान्यता के लिए मूल्यांकन डेटासेट बनाएं, प्रबंधित करें और अपलोड करें। चार डेटासेट प्रकारों का समर्थन करता है: final_response (पूर्ण वार्तालाप), single_step (व्यक्तिगत नोड व्यवहार), trajectory (टूल कॉल अनुक्रम), और RAG (प्रश्न/खंड/उत्तर/उद्धरण) डेटासेट जीवनचक्र प्रबंधन के लिए CLI कमांड: स्थानीय JSON फ़ाइलों से बनाएं, सूचीबद्ध करें, प्राप्त करें, हटाएं, निर्यात करें और अपलोड करें Python और JavaScript में SDK-

इस कौशल का उपयोग तब करें जब मूल्यांकन डेटासेट बनाने, LangSmith पर डेटासेट अपलोड करने, या मौजूदा डेटासेट प्रबंधित करने की आवश्यकता हो। इसमें डेटासेट प्रकार (final_response,…) शामिल हैं।

लैंगस्मिथ के लिए मूल्यांकन पाइपलाइन बनाते समय इस कौशल का आह्वान करें। इसमें तीन मुख्य घटक शामिल हैं: (1) मूल्यांकनकर्ता बनाना - LLM-एक-न्यायाधीश, कस्टम कोड; (2)…

LangSmith के लिए LLM-as-Judge और कस्टम कोड मूल्यांकनकर्ताओं के साथ मूल्यांकन पाइपलाइन बनाएँ। तीन मुख्य घटक: मूल्यांकनकर्ता बनाना (LLM-as-Judge या कस्टम कोड), एजेंट आउटपुट और ट्रैजेक्ट्री कैप्चर करने के लिए रन फ़ंक्शन परिभाषित करना, और मूल्यांकन स्थानीय रूप से चलाना या अपलोड किए गए मूल्यांकनकर्ताओं के माध्यम से स्वचालित रूप से चलाना। ऑफ़लाइन मूल्यांकनकर्ताओं (डेटासे

लैंगस्मिथ के लिए मूल्यांकन पाइपलाइन बनाते समय इस कौशल का उपयोग करें। इसमें तीन मुख्य घटक शामिल हैं: (1) मूल्यांकक बनाना - LLM-एक-न्यायाधीश, कस्टम कोड; (2)…

एजेंट व्यवहार की डीबगिंग के लिए LangSmith ट्रेस प्राप्त करता है। एजेंट समस्याओं के निवारण, वार्तालाप इतिहास की समीक्षा, या टूल कॉल की जांच करते समय उपयोग करें।

लैंगस्मिथ ट्रेसिंग के साथ काम करते समय या ट्रेस क्वेरी करते समय इस स्किल को लागू करें। इसमें एप्लिकेशन में ट्रेसिंग जोड़ना और ट्रेस डेटा को क्वेरी/एक्सपोर्ट करना शामिल है। इसका उपयोग…

इस कौशल का उपयोग तब करें जब LangSmith ट्रेसिंग के साथ काम कर रहे हों या ट्रेस क्वेरी कर रहे हों। इसमें एप्लिकेशन में ट्रेसिंग जोड़ना और ट्रेस डेटा क्वेरी/एक्सपोर्ट करना शामिल है। इसमें…

LangChain/LangGraph ऐप्स में ट्रेसिंग जोड़ें और डिबगिंग तथा डेटासेट निर्माण के लिए CLI के माध्यम से ट्रेस डेटा क्वेरी करें। LangChain/LangGraph ऐप्स के लिए पर्यावरण चर के साथ स्वचालित ट्रेसिंग; Python और TypeScript में अन्य फ्रेमवर्क के लिए @traceable डेकोरेटर और wrap_openai() के माध्यम से मैन्युअल ट्रेसिंग। langsmith CLI का उपयोग करके ट्रेस (पूर्ण निष्पादन ट्री) या रन (व्यक्तिगत नोड्स) क्वेरी करें, जिसमें समय, विलंबता, त्रुटियों, टैग और कस्टम म

लैंगस्मिथ ट्रेसिंग के साथ काम करते समय या ट्रेस को क्वेरी करते समय इस कौशल का उपयोग करें। इसमें एप्लिकेशन में ट्रेसिंग जोड़ना और ट्रेस डेटा को क्वेरी/निर्यात करना शामिल है। इसका उपयोग…

एक कोडिंग कार्य को स्पष्ट चरणों, फ़ाइल पहचान और जोखिम मूल्यांकन के साथ एक संरचित कार्यान्वयन योजना में विभाजित करें।

सरल SELECT से लेकर जटिल मल्टी-टेबल JOIN, एग्रीगेशन और सबक्वेरी तक SQL क्वेरी लिखता और निष्पादित करता है। उपयोग तब करें जब उपयोगकर्ता डेटाबेस से क्वेरी करने के लिए कहे,…

हुक्स और टाइपस्क्रिप्ट के साथ आधुनिक React कम्पोनेंट पैटर्न

वर्तमान वार्तालाप की समीक्षा करें और मूल्यवान ज्ञान — सर्वोत्तम प्रथाएँ, कोडिंग परंपराएँ, आर्किटेक्चर निर्णय, कार्यप्रवाह और उपयोगकर्ता प्रतिक्रिया — एकत्र करें,…

डेटाबेस में तालिकाओं की सूची बनाता है, कॉलम और डेटा प्रकारों का वर्णन करता है, विदेशी कुंजी संबंधों की पहचान करता है, और इकाई संबंधों का मानचित्रण करता है। इसका उपयोग तब करें जब उपयोगकर्ता इसके बारे में पूछे…

प्रभावी कौशल बनाने के लिए मार्गदर्शिका जो विशेष ज्ञान, कार्यप्रवाह या उपकरण एकीकरण के साथ एजेंट क्षमताओं का विस्तार करते हैं। इस कौशल का उपयोग तब करें जब उपयोगकर्ता…

प्रभावी कौशल बनाने के लिए मार्गदर्शिका जो विशेष ज्ञान, कार्यप्रवाह या उपकरण एकीकरण के साथ एजेंट क्षमताओं का विस्तार करते हैं। इस कौशल का उपयोग तब करें जब उपयोगकर्ता…

प्लेटफ़ॉर्म-विशिष्ट सोशल मीडिया पोस्ट तैयार करता है, जिसमें शोध-समर्थित सामग्री और जनरेटेड सहायक चित्र शामिल होते हैं। लिंक्डइन पोस्ट (1,300 अक्षर, पेशेवर लहजे के साथ) और ट्विटर/एक्स थ्रेड (प्रति ट्वीट 280 अक्षर, 1/🧵 प्रारूप के साथ) का समर्थन करता है। लिखने से पहले एक उप-एजेंट को शोध सौंपने की आवश्यकता होती है, फिर सटीकता और प्रासंगिकता सुनिश्चित करने के लिए निष्कर्ष पढ़ता है। generate_social_image टूल का

बाउंडेड कंकरेंसी के साथ उप-एजेंटों को समानांतर रूप से कार्यों का एक बैच भेजें। {कुल, पूर्ण, विफल, परिणाम[]} के साथ एक सारांश ऑब्जेक्ट लौटाता है — पुनरावृत्ति करें…

यूनिट परीक्षण और एकीकरण परीक्षण के सर्वोत्तम अभ्यास

बहु-स्रोत वेब अनुसंधान का संचालन उप-एजेंटों को कार्य सौंपकर, निष्कर्षों को संश्लेषित करके और उद्धृत रिपोर्ट तैयार करके करता है। अनुसंधान प्रश्नों को 2–5 अलग-अलग उप-विषयों में विभाजित करता है, एक अनुसंधान योजना फ़ाइल बनाता है, और कुशल जांच के लिए समानांतर में अधिकतम 3 उप-एजेंटों को सक्रिय करता है। प्रत्येक उप-एजेंट प्रति उप-विषय 3–5 वेब खोज करता है और मुख्य तथ्यों, उद्धरणों और स्रो

वेब अनुसंधान से संबंधित अनुरोधों के लिए इस कौशल का उपयोग करें; यह व्यापक वेब अनुसंधान करने के लिए एक संरचित दृष्टिकोण प्रदान करता है