deepagents-typescript-quickstart

Buat kerangka Deep Agent lokal minimal dalam TypeScript dengan mengikuti quickstart resmi, menggunakan pencarian web native penyedia alih-alih Tavily. Gunakan saat pengguna…

npx skills add https://github.com/langchain-ai/langchain-skills --skill deepagents-typescript-quickstart

Deep Agents TypeScript quickstart

Follow the live docs — do not invent an alternate API from memory:

https://docs.langchain.com/oss/javascript/deepagents/quickstart

Fetch that page (Docs MCP or HTTP) and implement the research-agent shape it shows (createDeepAgent, research system prompt, invoke with a research question like “What is LangGraph?”). Requires Node 22+.

Local setup constraints

Apply these on top of the quickstart (they keep setup minimal and model-agnostic):

  1. Ask which provider/model to use. Showcase that Deep Agents are model-agnostic. Suggested prompt:

    Which model should this agent use? Pass a provider:model string — e.g. openai:gpt-5.5, anthropic:claude-sonnet-5, google-genai:gemini-3.5-flash. Default if you're unsure: anthropic:claude-sonnet-5.
    We'll use that provider's built-in web search (no separate search API key).

  2. Create a new directory (e.g. deep-agent/) and do all work there — do not pollute the open project.

  3. Do not use Tavily (or @langchain/tavily). Replace the quickstart's search tool with the chosen provider's built-in web search. Look up the current export/tool shape on that provider's LangChain docs (examples as of writing — re-check if needed):

    ProviderBuilt-in search tool
    Anthropic@langchain/anthropic tools.webSearch_*() (or equivalent dict)
    OpenAI{ type: "web_search" }
    Google{ google_search: {} }

    Prefer Anthropic / OpenAI / Google so provider search is available. Only secret: that provider's API key in .env (gitignored). Skip LangSmith tracing unless they ask.

  4. Install packages from the quickstart minus Tavily; add the provider package for their model.

  5. Run the research example, show output, then stop. Point to deep-agents-core / customization / Managed Deep Agents for next steps.

Lebih banyak skill dari langchain-ai

deepagents-thread-inspector
langchain-ai
Periksa dan jelaskan percakapan di penyimpanan sesi SQLite Deep Agents Code lokal. Gunakan sebagai cadangan saat alat pelacakan LangSmith tidak tersedia, untuk…
deepagents-python-quickstart
langchain-ai
Buat kerangka minimal Deep Agent lokal dalam Python dengan mengikuti panduan memulai resmi, menggunakan pencarian web bawaan penyedia alih-alih Tavily. Gunakan saat pengguna ingin…
eval-engineering
langchain-ai
Periksa repositori agen dan trace opsional dari pengguna secara iteratif, wawancarai pengguna, lalu buat, jalankan, dan audit eval Harbor satu per satu. Gunakan untuk…
LangChain RAG Pipeline
langchain-ai
GUNAKAN KETERAMPILAN INI saat membangun sistem retrieval-augmented generation (RAG) apa pun. Mencakup pemuat dokumen, RecursiveCharacterTextSplitter, embeddings (OpenAI),…
LangChain Structured Output & HITL
langchain-ai
langchain-structured-output-&-hitl — sebuah skill yang dapat diinstal untuk agen AI, diterbitkan oleh langchain-ai/langchain-skills.
LangSmith Datasets
langchain-ai
PANGGIL KETERAMPILAN INI saat membuat dataset evaluasi dari jejak ATAU mengunggah dataset ke LangSmith ATAU menanyakan dataset. Mencakup tipe dataset (final_response,…
langsmith-evaluator
langchain-ai
GUNAKAN KETERAMPILAN INI saat membangun pipeline evaluasi untuk LangSmith. Mencakup tiga komponen inti: (1) Membuat Evaluator - LLM-as-Judge, kode kustom; (2)…
LangSmith Evaluators
langchain-ai
PANGGIL KETERAMPILAN INI saat membangun pipeline evaluasi untuk LangSmith. Mencakup tiga komponen inti: (1) Membuat Evaluator - LLM-sebagai-Hakim, kode kustom; (2)…