linkedin-post

作成者: langchain-ai

研究結果や指定されたトピックに基づいてLinkedInの投稿を作成します。LinkedInのコンテンツ、プロフェッショナルな投稿、または考え…を作成するよう求められた場合にこのスキルを使用してください。

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

langchain-aiのその他のスキル

langgraph-docs
langchain-ai
LangGraphのドキュメントにアクセスして、ステートフルなエージェントやマルチエージェントワークフローを構築できます。公式のLangGraph Pythonドキュメントを取得し、ステートマシン、グラフベースのエージェント設計、ヒューマンインザループパターンをカバーします。クエリの種類に応じて関連ドキュメントを優先します:ハウツー質問には実装ガイド、理論にはコンセプトページ、エンドツーエンドの例にはチュートリアル、技術詳細にはAPIリファレンスを提供します。自動的に2~4個の最も関連性の高いドキュメントURLを選択し、その内容を取得して回答します。
official
langgraph-human-in-the-loop
langchain-ai
グラフの実行を一時停止し、人間によるレビュー、承認、検証を経て、その入力を反映させて再開します。これには3つのコンポーネントが必要です:チェックポインター(InMemorySaverまたはPostgresSaver)、設定内のスレッドID、そしてJSONシリアライズ可能なインタラプトペイロードです。interrupt(value)は一時停止してデータを表示し、Command(resume=value)は再開してその値を一時停止したノードに返します。interrupt()より前のすべてのコードは再開時に再実行されるため、副作用は冪等である必要があります(insertではなくupsertを使用)。承認ワークフローをサポートします。
official
web-research
langchain-ai
このスキルはウェブリサーチに関連するリクエストに使用します。包括的なウェブリサーチを実施するための構造化されたアプローチを提供します。
official
langchain-oss-primer
langchain-ai
LangChain、Deep Agents、またはLangGraphエージェント構築プロジェクトでは、必ずここから始めてください。他のスキルを選択したり、何かを記述する前に必要な出発点です。
official
skill-creator
langchain-ai
エージェントの機能を専門知識、ワークフロー、ツール連携で拡張する効果的なスキルを作成するためのガイド。このスキルは、ユーザーが…のときに使用します。
official
social-media
langchain-ai
プラットフォーム固有のソーシャルメディア投稿を、調査に基づいたコンテンツと生成された補完画像とともに下書きします。LinkedInの投稿(1,300文字、プロフェッショナルなトーン)とTwitter/Xのスレッド(1ツイートあたり280文字、1/🧵形式)に対応。執筆前にサブエージェントに調査を委任し、その後調査結果を読み、正確性と関連性を確認します。generate_social_imageツールを使用して、小さな画面向けに最適化された大胆でコントラストの高い構図の、目を引くソーシャル画像を自動生成します。
official
deep-agents-memory
langchain-ai
Deep Agents向けのプラグイン可能なメモリおよびファイルバックエンド。エフェメラル、永続、ハイブリッドルーティングオプションを備えています。4種類のバックエンドタイプ:StateBackend(スレッドスコープ、エフェメラル)、StoreBackend(セッションをまたいだ永続)、FilesystemBackend(ローカル開発用の実際のディスクアクセス)、CompositeBackend(異なるパスを異なるバックエンドにルーティング)。FilesystemMiddlewareは6つのファイル操作ツールを提供:ls、read_file、write_file、edit_file、glob、grep。CompositeBackendは最長プレフィックス一致を使用してルーティングします...
official
deep-agents-orchestration
langchain-ai
サブエージェントを調整し、複数ステップのタスクを計画し、機密操作には人間の承認を必要とします。タスクツールを介して専門サブエージェントに作業を委任します。カスタムサブエージェントは独立したツールセットとシステムプロンプトをサポートし、デフォルトの「汎用」サブエージェントはメインエージェント設定を継承します。write_todosを使用して複雑なワークフローを計画・追跡し、保留中、進行中、完了済みの状態でタスクを整理します。呼び出し間での永続性のためにthread_idが必要です。実装...
official