deepagents-typescript-quickstart

Estruture um Deep Agent local mínimo em TypeScript seguindo o quickstart oficial, usando busca web nativa do provedor em vez de Tavily. Use quando o usuário…

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.

Mais skills de langchain-ai

deepagents-thread-inspector
langchain-ai
Inspecione e explique conversas no armazenamento de sessões SQLite local do Deep Agents Code. Use como fallback quando a ferramenta de rastreamento LangSmith não estiver disponível, para…
deepagents-python-quickstart
langchain-ai
Estruture um Deep Agent local mínimo em Python seguindo o quickstart oficial, usando busca web nativa do provedor em vez de Tavily. Use quando o usuário quiser…
eval-engineering
langchain-ai
Inspecione iterativamente um repositório de agente e traces opcionais fornecidos pelo usuário, entreviste o usuário e crie, execute e audite evals do Harbor um por vez. Use para…
LangChain RAG Pipeline
langchain-ai
INVOQUE ESTA HABILIDADE ao construir QUALQUER sistema de geração aumentada por recuperação (RAG). Abrange carregadores de documentos, RecursiveCharacterTextSplitter, embeddings (OpenAI),…
LangChain Structured Output & HITL
langchain-ai
langchain-structured-output-&-hitl — uma skill instalável para agentes de IA, publicada por langchain-ai/langchain-skills.
LangSmith Datasets
langchain-ai
INVOQUE ESTA HABILIDADE ao criar conjuntos de dados de avaliação a partir de rastreamento OU ao fazer upload de conjuntos de dados para o LangSmith OU ao consultar conjuntos de dados. Abrange tipos de conjuntos de dados (final_response,…
langsmith-evaluator
langchain-ai
INVOQUE ESTA HABILIDADE ao construir pipelines de avaliação para LangSmith. Abrange três componentes principais: (1) Criação de Avaliadores - LLM como Juiz, código personalizado; (2)…
LangSmith Evaluators
langchain-ai
INVOQUE ESTA HABILIDADE ao construir pipelines de avaliação para LangSmith. Abrange três componentes principais: (1) Criação de Avaliadores - LLM como Juiz, código personalizado; (2)…