Skills Langchain Ai

Dokumentasi OpenAPI dan pola desain REST API

Cari pracetak dan makalah akademis di arXiv berdasarkan topik dengan pengambilan abstrak. Pencarian berbasis kueri di bidang fisika, matematika, ilmu komputer, biologi, statistik, dan bidang terkait. Batas hasil yang dapat dikonfigurasi (default 10 makalah) dengan hasil diurutkan berdasarkan relevansi. Mengembalikan judul dan abstrak untuk setiap makalah yang cocok. Memerlukan paket Python arxiv; instal melalui pip jika belum tersedia.

Cari repositori pracetak arXiv untuk makalah di bidang fisika, matematika, ilmu komputer, biologi kuantitatif, dan bidang terkait

Penulisan blog post bentuk panjang dengan delegasi riset, template konten terstruktur, dan gambar sampul buatan AI. Mendelegasikan riset ke subagen sebelum menulis, menyimpan temuan dalam markdown untuk referensi dan konteks. Menerapkan struktur post lima bagian: hook, konteks, konten utama (3–5 bagian), aplikasi praktis, dan kesimpulan dengan ajakan bertindak. Menghasilkan gambar sampul yang dioptimalkan SEO menggunakan prompt detail yang mencakup subjek, gaya, komposisi, warna, dan pencahayaan. Mengeluarkan post ke...

Lakukan tinjauan kode terstruktur terhadap perubahan, memeriksa kebenaran, gaya, pengujian, dan potensi masalah.

Baca preferensi pengkodean pengguna dari /memory/coding-prefs.md sebelum membuat keputusan gaya yang tidak sepele, dan tambahkan preferensi baru saat pengguna memberikan…

Ketika diminta untuk menganalisis pesaing:

Gunakan untuk analisis data yang dipercepat GPU pada kumpulan data, CSV, atau data tabular menggunakan NVIDIA cuDF. Dipicu ketika tugas melibatkan agregasi groupby, statistik…

Gunakan untuk pembelajaran mesin yang dipercepat GPU pada data tabular menggunakan NVIDIA cuML. Dipicu ketika tugas melibatkan klasifikasi, regresi, pengelompokan, reduksi dimensi…

Gunakan untuk membuat grafik berkualitas publikasi dan ringkasan analisis multi-panel. Dipicu ketika tugas melibatkan visualisasi data, memplot hasil, membuat…

Pola migrasi basis data dan versioning skema

deep-agents-memory-&-filesystem — keterampilan yang dapat diinstal untuk agen AI, diterbitkan oleh langchain-ai/langchain-skills.

Kerangka kerja dasar untuk membangun agen multi-langkah dengan perencanaan bawaan, memori, dan delegasi keterampilan. Menyediakan enam opsi middleware inti: perencanaan tugas, manajemen konteks sistem file, delegasi subagen, memori persisten, alur kerja persetujuan manusia, dan pemuatan keterampilan sesuai permintaan. Menyertakan tiga alat bawaan yang selalu ada: write_todos untuk pelacakan tugas, operasi sistem file (ls, read_file, write_file, edit_file, glob, grep), dan task untuk memunculkan subagen khusus. Mendukung...

PANGGIL KETERAMPILAN INI saat membangun aplikasi Deep Agents APAPUN. Mencakup create_deep_agent(), arsitektur harness, format SKILL.md, dan opsi konfigurasi.

Backend memori dan file yang dapat dipasang untuk Deep Agents dengan opsi perutean sementara, persisten, dan hibrida. Empat jenis backend: StateBackend (berlaku dalam thread, sementara), StoreBackend (persisten lintas sesi), FilesystemBackend (akses disk nyata untuk pengembangan lokal), dan CompositeBackend (merutekan jalur berbeda ke backend berbeda). FilesystemMiddleware menyediakan enam alat operasi file: ls, read_file, write_file, edit_file, glob, grep. CompositeBackend menggunakan pencocokan prefiks terpanjang untuk merutekan...

PANGGIL KETERAMPILAN INI ketika Deep Agent Anda membutuhkan memori, persistensi, atau akses sistem berkas. Mencakup StateBackend (sementara), StoreBackend (persisten),…

We need to translate the given English text into Indonesian. The text describes an agent skill for orchestrating subagents, planning tasks, requiring human approval, delegating work, etc. We must preserve product names, protocol names, URLs, numbers, technical terms. The name "deep-agents-orchestration" is not in the text, so we don't include it. We translate only the text inside <text>. No extra commentary, labels, etc. Let's translate step by step: "Orchestrate subagents, plan multi-step tasks, and require human approval for sensitive operations." -> "Orkestrasi subagen, rencanakan tugas multi-langkah, dan minta persetujuan manusia untuk operasi sensitif." "Delegate work to specialized subagents via the task tool; custom subagents support isolated tool sets and system prompts, while the default "general-purpose" subagent inherits main agent configuration" -> "Delegasikan pekerjaan ke subagen khusus melalui alat tugas; subagen kustom mendukung set alat dan prompt sistem yang terisolasi, s

PANGGIL KETERAMPILAN INI saat menggunakan subagen, perencanaan tugas, atau persetujuan manusia di Deep Agents. Mencakup SubAgentMiddleware, TodoList untuk perencanaan, dan interupsi HITL.

Praktik terbaik untuk kontainerisasi Docker dan pembangunan multi-tahap

Buat rangkaian eval baru untuk monorepo deepagentsjs. Menangani desain dataset, penyusunan kasus uji, logika penilaian, konfigurasi vitest, dan LangSmith…

Secara cerdas mengatur file dan folder di seluruh komputer Anda dengan memahami konteks, menemukan duplikat, menyarankan struktur yang lebih baik, dan mengotomatiskan…

Panduan pemilihan framework untuk arsitektur berlapis LangChain, LangGraph, dan Deep Agents. Framework berlapis di mana LangChain menyediakan primitif dasar, LangGraph menambahkan orkestrasi dan alur kontrol, serta Deep Agents menambahkan perencanaan, memori, manajemen file, dan delegasi keterampilan. Tabel keputusan memandu pemilihan framework berdasarkan kompleksitas tugas: LangChain untuk agen tujuan tunggal, LangGraph untuk alur kontrol dan perulangan kustom, Deep Agents untuk perencanaan multi-langkah dan sesi persisten. Deep...

PANGGIL KETERAMPILAN INI di AWAL proyek LangChain/LangGraph/Deep Agents, sebelum menulis kode agen apa pun. Menentukan lapisan framework yang tepat untuk…

Gunakan saat memproses PDF besar, kumpulan dokumen, atau tugas ekstraksi teks massal yang memanfaatkan pemrosesan dipercepat GPU. Dipicu saat pengguna…

SELALU MULAI DI SINI untuk proyek agen sumber terbuka LangChain, Deep Agents, atau LangGraph. Ini adalah titik awal yang diperlukan untuk agen sumber terbuka LangChain mana pun…

langchain-middleware-&-hitl — keterampilan yang dapat diinstal untuk agen AI, diterbitkan oleh langchain-ai/langchain-skills.

GUNAKAN KETERAMPILAN INI saat membangun sistem retrieval-augmented generation (RAG) apa pun. Mencakup pemuat dokumen, RecursiveCharacterTextSplitter, embeddings (OpenAI),…

langchain-structured-output-&-hitl — sebuah skill yang dapat diinstal untuk agen AI, diterbitkan oleh langchain-ai/langchain-skills.

Gunakan keterampilan ini untuk pertanyaan coding apa pun yang melibatkan produk LangChain (LangChain, LangGraph, LangSmith SDK). Mencakup pola pengembangan agen, primitif,…

Versi paket ekosistem LangChain, dependensi, dan panduan instalasi untuk Python dan TypeScript. Mulai semua proyek baru di LangChain 1.0 LTS; versi 0.3 adalah pemeliharaan warisan saja. Selalu instal langchain-core secara eksplisit bersama paket lainnya. Pilih satu lapisan orkestrasi: LangGraph untuk kontrol grafik yang terperinci, atau Deep Agents untuk perencanaan dan memori yang lengkap. Kunci langchain-community secara konservatif ke versi minor yang tepat (misalnya, >=0.4.0,<0.5.0) karena tidak...

PANGGIL KETERAMPILAN INI saat menyiapkan proyek baru atau ketika ditanya tentang versi paket, instalasi, atau manajemen dependensi untuk LangChain, LangGraph,…

Bangun agen LangChain produksi dengan create_agent(), tools, dan pola middleware. Gunakan create_agent() dengan model, daftar tools, dan prompt sistem; konfigurasikan persistensi status dengan checkpointer dan thread_id untuk memori percakapan di seluruh pemanggilan. Definisikan tools melalui dekorator @tool (Python) atau fungsi tool() (TypeScript) dengan deskripsi yang jelas sehingga agen tahu kapan harus memanggilnya. Tambahkan middleware seperti HumanInTheLoopMiddleware untuk alur kerja persetujuan, penanganan kesalahan kustom, dan human-in-the-loop...

Buat agen LangChain dengan create_agent, tentukan alat, dan gunakan middleware untuk human-in-the-loop serta penanganan kesalahan.

Persetujuan manusia-dalam-lingkaran, middleware kustom, dan pola keluaran terstruktur untuk agen LangChain. HumanInTheLoopMiddleware menghentikan eksekusi sebelum panggilan alat berbahaya, memungkinkan manusia untuk menyetujui, mengedit argumen, atau menolak dengan umpan balik. Kebijakan interupsi per-alat memungkinkan Anda mengonfigurasi aturan persetujuan yang berbeda berdasarkan tingkat risiko; memerlukan checkpointer dan thread_id untuk persistensi status. Pola lanjutan perintah melanjutkan eksekusi setelah keputusan manusia, dengan dukungan untuk mengedit argumen alat...

PANGGIL KETERAMPILAN INI ketika Anda memerlukan persetujuan manusia dalam proses, middleware kustom, atau keluaran terstruktur. Mencakup HumanInTheLoopMiddleware untuk persetujuan manusia terhadap…

SELALU MULAI DI SINI untuk proyek pembuatan agen LangChain, Deep Agents, atau LangGraph apa pun. Titik awal yang diperlukan sebelum memilih keterampilan lain atau menulis apa pun…

Pipeline RAG lengkap untuk pengolahan dokumen, embedding, pengambilan, dan pembuatan respons berbasis LLM. Mendukung berbagai pemuat dokumen (PDF, halaman web, direktori) dan penyimpanan vektor persisten (Chroma, FAISS, Pinecone) dengan ukuran potongan dan tumpang tindih yang dapat dikonfigurasi untuk pelestarian konteks optimal. Termasuk pencarian kemiripan, pengambilan MMR (Maximal Marginal Relevance), dan penyaringan metadata untuk menyeimbangkan relevansi dan keragaman hasil. Bekerja dengan embedding OpenAI dan terintegrasi secara mulus...

langchain-rag — keterampilan yang dapat diinstal untuk agen AI, diterbitkan oleh langchain-ai/skills-benchmarks.

PANGGIL KETERAMPILAN INI untuk alur kerja LangGraph, eksekusi paralel, interupsi, atau streaming. Mencakup API Kirim untuk fan-out, interrupt() untuk human-in-the-loop,…

langgraph-persistence-&-memory — sebuah skill yang dapat diinstal untuk agen AI, diterbitkan oleh langchain-ai/langchain-skills.

Mengakses dokumentasi LangGraph untuk membangun agen stateful dan alur kerja multi-agen. Mengambil dokumentasi resmi LangGraph Python yang mencakup mesin state, desain agen berbasis grafik, dan pola human-in-the-loop. Memprioritaskan dokumentasi yang relevan berdasarkan jenis kueri: panduan implementasi untuk pertanyaan cara, halaman konsep untuk teori, tutorial untuk contoh ujung ke ujung, dan referensi API untuk detail teknis. Secara otomatis memilih 2–4 URL dokumentasi yang paling relevan dan mengambil kontennya untuk menjawab...

Gunakan keterampilan ini untuk permintaan yang terkait dengan LangGraph guna mengambil dokumentasi yang relevan untuk memberikan panduan yang akurat dan terkini.

We need to translate the given English text to Bahasa Indonesia. The text describes a directed graph framework for agent workflows. We must preserve product names, protocol names, URLs, numbers, technical terms. The name "langgraph-fundamentals" is not in the text, so we don't include it. We translate only the text inside <text>. No extra commentary, labels, etc. The text: "Directed graph framework for building stateful, multi-step agent workflows with fine-grained control. StateGraph with typed state schemas, reducers for accumulating lists/values, and nodes that return partial state updates Static edges for fixed flow, conditional edges for branching, and Command for combining state updates with dynamic routing Send API for fan-out parallelism to worker nodes with result aggregation via reducers Invoke for single execution and stream modes (values, updates,..." We need to translate accurately. Technical terms like "StateGraph", "reducers", "Command", "Send API", "Invoke" should be preserved as is. "Directed graph" -> "Graf terarah". "framework" ->

GUNAKAN KETERAMPILAN INI saat menulis kode LangGraph APAPUN. Mencakup StateGraph, skema state, node, edge, Command, Send, invoke, streaming, dan penanganan error.

Jeda eksekusi graf untuk peninjauan, persetujuan, atau validasi manusia, lalu lanjutkan dengan masukan mereka. Membutuhkan tiga komponen: checkpointer (InMemorySaver atau PostgresSaver), ID thread dalam konfigurasi, dan payload interupsi yang dapat diserialisasi JSON. interrupt(value) menjeda dan menampilkan data; Command(resume=value) melanjutkan dan mengembalikan nilai tersebut ke node yang dijeda. Semua kode sebelum interrupt() akan dieksekusi ulang saat melanjutkan, sehingga efek samping harus idempoten (gunakan upsert, bukan insert). Mendukung alur kerja persetujuan,...

GUNAKAN KETERAMPILAN INI saat menerapkan pola human-in-the-loop, menjeda untuk persetujuan, atau menangani kesalahan di LangGraph. Mencakup interrupt(), Command(resume=...),…

PANGGIL KETERAMPILAN INI ketika LangGraph Anda perlu mempertahankan status, mengingat percakapan, menelusuri riwayat, atau mengonfigurasi cakupan pemeriksa subgraf.

Eksekusi grafik yang tahan lama dengan checkpoint berskala thread, riwayat status, dan memori jangka panjang lintas thread. Tiga opsi checkpointer: InMemorySaver untuk pengujian, SqliteSaver untuk pengembangan lokal, PostgresSaver untuk produksi; selalu berikan thread_id dalam konfigurasi untuk mengaktifkan persistensi. Jelajahi dan putar ulang dari checkpoint masa lalu menggunakan get_state_history(), buat cabang eksekusi dengan memperbarui status di titik masa lalu, atau ubah status secara manual sebelum melanjutkan. API Store menyediakan memori lintas thread untuk pengguna...

PANGGIL KETERAMPILAN INI saat membuat dataset evaluasi dari jejak ATAU mengunggah dataset ke LangSmith ATAU menanyakan dataset. Mencakup tipe dataset (final_response,…

PANGGIL KETERAMPILAN INI saat membangun pipeline evaluasi untuk LangSmith. Mencakup tiga komponen inti: (1) Membuat Evaluator - LLM-sebagai-Hakim, kode kustom; (2)…

PANGGIL KETERAMPILAN INI saat bekerja dengan pelacakan LangSmith atau menelusuri jejak. Mencakup penambahan pelacakan ke aplikasi dan penelusuran/ekspor data jejak. Berisi…

Membuat evaluator berbasis kode untuk agen yang dilacak LangSmith. Gunakan saat membangun logika evaluasi kustom, menguji pola penggunaan alat, atau menilai keluaran agen…

PANGGIL KETERAMPILAN INI saat membuat dataset evaluasi dari trace ATAU mengunggah dataset ke LangSmith ATAU melakukan kueri dataset. Mencakup tipe dataset (final_response,…

Buat, kelola, dan unggah dataset evaluasi ke LangSmith untuk pengujian dan validasi. Mendukung empat jenis dataset: final_response (percakapan lengkap), single_step (perilaku node individu), trajectory (urutan panggilan alat), dan RAG (pertanyaan/chunk/jawaban/kutipan). Perintah CLI untuk manajemen siklus hidup dataset: buat, daftar, dapatkan, hapus, ekspor, dan unggah dari file JSON lokal. Pembuatan dataset berbasis SDK dalam Python dan JavaScript dengan penambahan contoh secara terprogram. Manajemen contoh...

PANGGIL KETERAMPILAN INI saat membuat dataset evaluasi, mengunggah dataset ke LangSmith, atau mengelola dataset yang sudah ada. Mencakup tipe dataset (final_response,…

GUNAKAN KETERAMPILAN INI saat membangun pipeline evaluasi untuk LangSmith. Mencakup tiga komponen inti: (1) Membuat Evaluator - LLM-as-Judge, kode kustom; (2)…

Bangun pipeline evaluasi untuk LangSmith dengan LLM-as-Judge dan evaluator kode kustom. Tiga komponen inti: membuat evaluator (LLM-as-Judge atau kode kustom), mendefinisikan fungsi run untuk menangkap output dan lintasan agen, serta menjalankan evaluasi secara lokal atau otomatis melalui evaluator yang diunggah. Mendukung evaluator offline (membandingkan output run dengan contoh dataset) dan evaluator online (pemeriksaan kualitas real-time pada run produksi). Membutuhkan kunci API LangSmith dan proyek...

GUNAKAN KETERAMPILAN INI saat membangun pipeline evaluasi untuk LangSmith. Mencakup tiga komponen inti: (1) Membuat Evaluator - LLM-as-Judge, kode kustom; (2)…

Mengambil jejak LangSmith untuk men-debug perilaku agen. Gunakan saat memecahkan masalah agen, meninjau riwayat percakapan, atau menyelidiki panggilan alat.

PANGGIL KETERAMPILAN INI saat bekerja dengan pelacakan LangSmith atau menelusuri jejak. Mencakup penambahan pelacakan ke aplikasi dan menelusuri/mengekspor data jejak. Menggunakan…

PANGGIL KETERAMPILAN INI saat bekerja dengan pelacakan LangSmith ATAU menelusuri jejak. Mencakup penambahan pelacakan ke aplikasi dan menelusuri/mengekspor data jejak. Berisi…

We need to translate the given text from English to Bahasa Indonesia. The text describes a skill for adding tracing to LangChain/LangGraph apps and querying trace data via CLI. We must preserve product names like LangChain, LangGraph, langsmith, CLI, JSONL, Python, TypeScript, and technical terms like @traceable decorator, wrap_openai(), environment variables, etc. No extra commentary or labels. Just translate the text inside <text>. The text: "Add tracing to LangChain/LangGraph apps and query trace data via CLI for debugging and dataset generation. Automatic tracing for LangChain/LangGraph apps with environment variables; manual tracing via @traceable decorator and wrap_openai() for other frameworks in Python and TypeScript Query traces (complete execution trees) or runs (individual nodes) using langsmith CLI with filters for time, latency, errors, tags, and custom metadata Export traces to JSONL files preserving hierarchy" We need to translate this into natural Indonesian. Keep technical terms as is. For example, "tracing" might be "pelac

PANGGIL KETERAMPILAN INI saat bekerja dengan pelacakan LangSmith atau menelusuri jejak. Mencakup penambahan pelacakan ke aplikasi dan penelusuran/ekspor data jejak. Menggunakan…

Uraikan tugas pengkodean menjadi rencana implementasi terstruktur dengan langkah-langkah yang jelas, identifikasi file, dan penilaian risiko.

Menulis dan mengeksekusi kueri SQL mulai dari SELECT sederhana hingga JOIN multi-tabel yang kompleks, agregasi, dan subkueri. Gunakan saat pengguna meminta untuk mengkueri basis data,…

Pola komponen React modern dengan hooks dan TypeScript

Tinjau percakapan saat ini dan tangkap pengetahuan berharga — praktik terbaik, konvensi pengkodean, keputusan arsitektur, alur kerja, dan umpan balik pengguna —…

Mencantumkan tabel, mendeskripsikan kolom dan tipe data, mengidentifikasi hubungan kunci asing, serta memetakan hubungan entitas dalam basis data. Gunakan saat pengguna bertanya tentang…

Panduan untuk membuat skill yang efektif guna memperluas kemampuan agen dengan pengetahuan khusus, alur kerja, atau integrasi alat. Gunakan skill ini ketika pengguna…

Panduan untuk membuat skill yang efektif guna memperluas kemampuan agen dengan pengetahuan khusus, alur kerja, atau integrasi alat. Gunakan skill ini ketika pengguna…

Menyusun draf posting media sosial khusus platform dengan konten berbasis riset dan gambar pendamping yang dihasilkan. Mendukung posting LinkedIn (1.300 karakter dengan nada profesional) dan utas Twitter/X (280 karakter per tweet dengan format 1/🧵). Memerlukan delegasi riset ke subagen sebelum menulis, kemudian membaca temuan untuk memastikan akurasi dan relevansi. Menghasilkan gambar sosial yang menarik secara otomatis menggunakan alat generate_social_image dengan komposisi tebal dan kontras tinggi yang dioptimalkan untuk ukuran kecil...

Mengirimkan sekumpulan tugas ke subagen secara paralel dengan konkurensi terbatas. Mengembalikan objek ringkasan dengan {total, selesai, gagal, hasil[]} — lakukan iterasi…

Praktik terbaik pengujian unit dan pengujian integrasi

We need to translate the given English text into Bahasa Indonesia. The text describes a web-research agent skill. We must preserve the name "web-research" if it appears, but it does not appear in the provided text. The text is a description of the skill's functionality. We should translate naturally while keeping technical terms like "subagents", "research plan file", "web searches", "source URLs", etc. Also preserve numbers (2–5, 3, 3–5). No extra commentary or labels. Translation: "Orchestrates multi-source web research by delegating to subagents, synthesizing findings, and producing cited reports." -> "Mengatur penelitian web multi-sumber dengan mendelegasikan ke subagen, mensintesis temuan, dan menghasilkan laporan yang dikutip." But careful: "Orchestrates" might be better as "Mengkoordinasikan" or "Mengatur". "Multi-source" -> "multi-sumber". "Delegating to subagents" -> "mendelegasikan ke

Gunakan keterampilan ini untuk permintaan yang terkait dengan riset web; ini menyediakan pendekatan terstruktur untuk melakukan riset web yang komprehensif.