Skills Langchain Ai

Документация OpenAPI и шаблоны проектирования REST API

Поиск препринтов и научных статей на arXiv по теме с извлечением аннотаций. Поиск на основе запросов по физике, математике, информатике, биологии, статистике и смежным областям. Настраиваемый лимит результатов (по умолчанию 10 статей) с сортировкой по релевантности. Возвращает заголовок и аннотацию для каждой подходящей статьи. Требуется пакет arxiv для Python; установите через pip, если он ещё не установлен.

Поиск в репозитории препринтов arXiv по физике, математике, информатике, количественной биологии и смежным областям

Написание длинных блогов с делегированием исследований, структурированными шаблонами контента и изображениями, созданными ИИ. Делегирует исследование сабагентам перед написанием, сохраняя результаты в Markdown для справки и контекста. Придерживается пятичастной структуры поста: зацепка, контекст, основной контент (3–5 разделов), практическое применение и заключение с призывом к действию. Генерирует SEO-оптимизированные изображения с помощью подробных промптов, охватывающих тему, стиль, композицию, цвет и освещение. Выводит посты в...

Выполнить структурированное ревью кода изменений, проверяя корректность, стиль, тесты и потенциальные проблемы.

Читать предпочтения пользователя по кодированию из /memory/coding-prefs.md перед принятием нетривиальных стилевых решений и добавлять новые предпочтения, когда пользователь предоставляет…

Когда просят проанализировать конкурентов:

Используется для ускоренного на GPU анализа данных, CSV-файлов или табличных данных с помощью NVIDIA cuDF. Срабатывает, когда задачи включают группировку с агрегацией, статистические...

Используется для ускоренного на GPU машинного обучения на табличных данных с помощью NVIDIA cuML. Запускается, когда задачи включают классификацию, регрессию, кластеризацию, снижение размерности…

Используется для создания диаграмм публикационного качества и многопанельных сводок анализа. Срабатывает, когда задачи включают визуализацию данных, построение графиков результатов, создание…

Шаблоны миграции базы данных и версионирование схемы

deep-agents-memory-&-filesystem — устанавливаемый навык для ИИ-агентов, опубликованный langchain-ai/langchain-skills.

We need to translate the given text from English to Russian, preserving the name "deep-agents-core" if it appears. The text is a description of a foundation framework. The instruction says to preserve product names, protocol names, URLs, numbers, and technical terms. Also, do not include the name unless it appears in the source text. The name "deep-agents-core" does not appear in the provided text, so we should not add it. The text includes terms like "middleware", "subagent", "todos", "filesystem operations", etc. We need to translate naturally while keeping technical terms in English or transliterated? The instruction says "preserve technical terms" - likely keep them as is or transliterate? Usually for technical terms like "middleware", "subagent", "filesystem", it's common to keep them in English or use Russian equivalents. But the instruction says "preserve" - I think it means keep the original English terms. However, for readability, some terms might be translated. Let's see: "middleware" is

ВЫЗЫВАЙТЕ ЭТОТ НАВЫК при создании ЛЮБОГО приложения Deep Agents. Охватывает create_deep_agent(), архитектуру harness, формат SKILL.md и параметры конфигурации.

Подключаемые модули памяти и файловые бэкенды для Deep Agents с эфемерными, постоянными и гибридными вариантами маршрутизации. Четыре типа бэкендов: StateBackend (в рамках потока, эфемерный), StoreBackend (постоянный между сессиями), FilesystemBackend (реальный доступ к диску для локальной разработки) и CompositeBackend (маршрутизация разных путей к разным бэкендам). FilesystemMiddleware предоставляет шесть инструментов для работы с файлами: ls, read_file, write_file, edit_file, glob, grep. CompositeBackend использует сопоставление по самому длинному префиксу для маршрутизации...

ВЫЗЫВАЙТЕ ЭТОТ НАВЫК, когда вашему Deep Agent требуется память, сохранение состояния или доступ к файловой системе. Охватывает StateBackend (временное хранилище), StoreBackend (постоянное хранилище),…

Оркестрируйте субагентов, планируйте многошаговые задачи и требуйте одобрения человека для чувствительных операций. Делегируйте работу специализированным субагентам через инструмент задач; пользовательские субагенты поддерживают изолированные наборы инструментов и системные подсказки, в то время как стандартный «универсальный» субагент наследует основную конфигурацию агента. Планируйте и отслеживайте сложные рабочие процессы с помощью write_todos, организуя задачи по статусам: ожидающие, в процессе и завершённые; требуется thread_id для сохранения состояния между вызовами. Реализуйте...

ВЫЗЫВАЙТЕ ЭТОТ НАВЫК при использовании сабагентов, планирования задач или утверждения человеком в Deep Agents. Охватывает SubAgentMiddleware, TodoList для планирования и прерывания HITL.

Лучшие практики для контейнеризации Docker и многоэтапной сборки

Создаёт новые наборы eval для монорепозитория deepagentsjs. Обрабатывает проектирование наборов данных, создание каркасов тестовых сценариев, логику оценки, конфигурацию vitest и LangSmith…

Интеллектуально организует ваши файлы и папки на компьютере, понимая контекст, находя дубликаты, предлагая лучшие структуры и автоматизируя…

Руководство по выбору фреймворка для многоуровневой архитектуры LangChain, LangGraph и Deep Agents. Многоуровневые фреймворки, где LangChain предоставляет базовые примитивы, LangGraph добавляет оркестрацию и управление потоком, а Deep Agents — планирование, память, управление файлами и делегирование навыков. Таблица решений направляет выбор фреймворка в зависимости от сложности задачи: LangChain для одноцелевых агентов, LangGraph для пользовательского управления потоком и циклами, Deep Agents для многошагового планирования и постоянных сессий. Deep...

ВЫЗЫВАЙТЕ ЭТОТ НАВЫК В НАЧАЛЕ любого проекта LangChain/LangGraph/Deep Agents, до написания любого кода агента. Определяет, какой уровень фреймворка подходит для…

Используйте при обработке больших PDF-файлов, коллекций документов или задач массового извлечения текста, которые выигрывают от ускорения с помощью GPU. Срабатывает, когда пользователь…

ВСЕГДА НАЧИНАЙТЕ ЗДЕСЬ для любого проекта с открытым исходным кодом на LangChain, Deep Agents или LangGraph. Это обязательная отправная точка для любого агента с открытым исходным кодом на LangChain…

lang

ВЫЗЫВАЙТЕ ЭТОТ НАВЫК при создании ЛЮБОЙ системы генерации с дополненной выборкой (RAG). Охватывает загрузчики документов, RecursiveCharacterTextSplitter, эмбеддинги (OpenAI),…

langchain-structured-output-&-hitl — устанавливаемый навык для

Используйте этот навык для ЛЮБЫХ вопросов по кодированию, связанных с продуктами LangChain (LangChain, LangGraph, LangSmith SDK). Охватывает шаблоны разработки агентов, примитивы,…

Версии пакетов экосистемы LangChain, зависимости и рекомендации по установке для Python и TypeScript. Все новые проекты начинайте на LangChain 1.0 LTS; версия 0.3 поддерживается только в режиме наследия. Всегда явно устанавливайте langchain-core вместе с другими пакетами. Выберите один уровень оркестрации: LangGraph для детального графового управления или Deep Agents для планирования и памяти «из коробки». Фиксируйте langchain-community консервативно до точных минорных версий (например, >=0.4.0,<0.5.0), так как он не...

ВЫЗЫВАЙТЕ ЭТОТ НАВЫК при настройке нового проекта или при вопросах о версиях пакетов, установке или управлении зависимостями для LangChain, LangGraph,…

Создавайте production-агентов LangChain с помощью create_agent(), инструментов и паттернов middleware. Используйте create_agent() с моделью, списком инструментов и системным промптом; настройте сохранение состояния с помощью checkpointer и thread_id для сохранения контекста диалога между вызовами. Определяйте инструменты через декоратор @tool (Python) или функцию tool() (TypeScript) с четкими описаниями, чтобы агенты знали, когда их вызывать. Добавляйте middleware, например HumanInTheLoopMiddleware, для рабочих процессов с утверждением, пользовательской обработки ошибок и взаимодействия с человеком...

Создавайте агентов LangChain с помощью create_agent, определяйте инструменты и используйте промежуточное ПО для контроля со стороны человека и обработки ошибок.

Механизм утверждения с участием человека, пользовательское промежуточное ПО и шаблоны структурированного вывода для агентов LangChain. HumanInTheLoopMiddleware приостанавливает выполнение перед опасными вызовами инструментов, позволяя человеку утвердить, изменить аргументы или отклонить с обратной связью. Политики прерывания для каждого инструмента позволяют настроить разные правила утверждения в зависимости от уровня риска; требуется контрольная точка и thread_id для сохранения состояния. Шаблон команды resume продолжает выполнение после решений человека с поддержкой редактирования аргументов инструментов...

ВЫЗЫВАЙТЕ ЭТОТ НАВЫК, когда требуется одобрение с участием человека (human-in-the-loop), пользовательское промежуточное ПО или структурированный вывод. Охватывает HumanInTheLoopMiddleware для одобрения человеком…

ВСЕГДА НАЧИНАЙТЕ ЗДЕСЬ для любого проекта по созданию агентов LangChain, Deep Agents или LangGraph. Обязательная отправная точка перед выбором других навыков или написанием любого…

Полный конвейер RAG для приёма документов, создания эмбеддингов, поиска и генерации ответов на основе LLM. Поддерживает множество загрузчиков документов (PDF, веб-страницы, каталоги) и постоянные векторные хранилища (Chroma, FAISS, Pinecone) с настраиваемым размером фрагментов и перекрытием для оптимального сохранения контекста. Включает поиск по сходству, поиск MMR (Maximal Marginal Relevance) и фильтрацию по метаданным для баланса релевантности и разнообразия результатов. Работает с эм

langchain-rag — устанавливаемый навык для AI-агентов, опубликованный langchain-ai/skills-benchmarks.

ВЫЗОВИТЕ ЭТОТ НАВЫК для рабочих процессов LangGraph, параллельного выполнения, прерываний или потоковой передачи. Охватывает Send API для разветвления, interrupt() для взаимодействия с человеком,…

langgraph-persistence-&-memory — устанавливаемый навык для AI-агентов, опубликованный langchain-ai/langchain-skills.

Получает доступ к документации LangGraph для создания агентов с состоянием и многолетних рабочих процессов. Извлекает официальную документацию LangGraph на Python, охватывающую конечные автоматы, проектирование агентов на основе графов и шаблоны с участием человека. Приоритизирует релевантную документацию по типу запроса: руководства по реализации для вопросов «как сделать», страницы с концепциями для теории, учебные пособия для сквозных примеров и ссылки на API для технических деталей. Автоматически выбирает 2–4 наиболее релевантных URL-адреса документации и извлекает их содержимое для ответа...

Используйте этот навык для запросов, связанных с LangGraph, чтобы получать соответствующую документацию для предоставления точных и актуальных рекомендаций.

Фреймворк направленных графов для построения состоятельных, многошаговых агентных рабочих процессов с тонким контролем. StateGraph с типизированными схемами состояний, редьюсерами для накопления списков/значений и узлами, возвращающими частичные обновления состояния. Статические рёбра для фиксированного потока, условные рёбра для ветвления и Command для объединения обновлений состояния с динамической маршрутизацией. Send API для параллельного выполнения с разветвлением на рабочие узлы и агрегацией результатов через редьюсеры. Invoke для однократного выполнения и режимы потоковой передачи (значения, обновления,...).

ВЫЗЫВАЙТЕ ЭТОТ НАВЫК при написании ЛЮБОГО кода LangGraph. Охватывает StateGraph, схемы состояний, узлы, ребра, Command, Send, invoke, потоковую передачу и обработку ошибок.

Приостановка выполнения графа для проверки, утверждения или валидации человеком с последующим возобновлением с учётом его ввода. Требует три компонента: контрольную точку (InMemorySaver или PostgresSaver), идентификатор потока в конфигурации и JSON-сериализуемые полезные нагрузки прерывания. interrupt(value) приостанавливает и отображает данные; Command(resume=value) возобновляет выполнение и возвращает это значение в приостановленный узел. Весь код до interrupt() повторно выполняется при возобновлении, поэтому побочные эффекты должны быть идемпотентными (используйте upsert, а не insert). Поддерживает рабочие процессы утверждения,...

ВЫЗЫВАЙТЕ ЭТОТ НАВЫК при реализации шаблонов с участием человека, приостановке для утверждения или обработке ошибок в LangGraph. Охватывает interrupt(), Command(resume=...),…

ВЫЗЫВАЙТЕ ЭТОТ НАВЫК, когда вашему LangGraph требуется сохранять состояние, запоминать диалоги, перемещаться по истории или настраивать область действия чекпоинтера подграфа.

Устойчивое выполнение графов с контрольными точками в рамках потока, историей состояний и долговременной памятью между потоками. Три варианта контрольных точек: InMemorySaver для тестирования, SqliteSaver для локальной разработки, PostgresSaver для продакшена; всегда передавайте thread_id в конфигурацию для включения сохранения. Просматривайте и воспроизводите прошлые контрольные точки с помощью get_state_history(), создавайте ответвления выполнения, обновляя состояние в прошлой точке, или вручную изменяйте состояние перед возобновлением. Store API предоставляет межпоточную память для пользователя...

ВЫЗЫВАЙТЕ ЭТОТ НАВЫК при создании оценочных наборов данных из трассировки или загрузке наборов данных в LangSmith, или запросе наборов данных. Охватывает типы наборов данных (final_response,…

INVOKE THIS SKILL when building evaluation pipelines for LangSmith. Covers three core components: (1) Creating Evaluators - LLM-as-Judge, custom code; (2)…

ВЫЗЫВАЙТЕ ЭТОТ НАВЫК при работе с трассировкой LangSmith или запросами к трейсам. Охватывает добавление трассировки в приложения и запросы/экспорт данных трейсов. Содержит…

Создаёт код-ориентированные оценщики для агентов, отслеживаемых через LangSmith. Используйте при построении пользовательской логики оценки, тестировании шаблонов использования инструментов или оценке выходных данных агентов…

ВЫЗЫВАЙТЕ ЭТОТ НАВЫК при создании оценочных наборов данных из трассировки ИЛИ загрузке наборов данных в LangSmith ИЛИ запросе наборов данных. Охватывает типы наборов данных (final_response,…

Создание, управление и загрузка оценочных наборов данных в LangSmith для тестирования и валидации. Поддерживает четыре типа наборов данных: final_response (полные диалоги), single_step (поведение отдельного узла), trajectory (последовательности вызовов инструментов) и RAG (вопрос/фрагменты/ответ/цитаты). Команды CLI для управления жизненным циклом наборов данных: создание, просмотр списка, получение, удаление, экспорт и загрузка из локальных JSON-файлов. Создание наборов данных на основе SDK на Python и JavaScript с программным добавлением примеров. Управление примерами...

ВЫЗЫВАЙТЕ ЭТОТ НАВЫК при создании оценочных датасетов, загрузке датасетов в LangSmith или управлении существующими датасетами. Охватывает типы датасетов (final_response,…

ВЫЗЫВАЙТЕ ЭТОТ НАВЫК при построении пайплайнов оценки для LangSmith. Охватывает три основных компонента: (1) Создание оценщиков — LLM-как-судья, пользовательский код; (2)…

Создавайте пайплайны оценки для LangSmith с помощью LLM-как-судьи и пользовательских оценщиков кода. Три основных компонента: создание оценщиков (LLM-как-судья или пользовательский код), определение функций запуска для захвата выходных данных и траекторий агента, а также запуск оценки локально или автоматический запуск через загруженные оценщики. Поддерживает как офлайн-оценщики (сравнение выходных данных запуска с примерами из набора данных), так и онлайн-оценщики (проверка качества в реальном времени на производственных запусках). Требуется ключ API LangSmith и проект...

ВЫЗЫВАЙТЕ ЭТОТ НАВЫК при построении пайплайнов оценки для LangSmith. Охватывает три основных компонента: (1) Создание оценщиков — LLM-как-судья, пользовательский код; (2)…

Извлекает трассировки LangSmith для отладки поведения агента. Используйте при устранении неполадок агента, просмотре истории диалогов или исследовании вызовов инструментов.

ВЫЗЫВАЙТЕ ЭТОТ НАВЫК при работе с трассировкой LangSmith или запросами к трейсам. Охватывает добавление трассировки в приложения и запросы/экспорт данных трейсов. Использует…

ВЫЗЫВАЙТЕ ЭТОТ НАВЫК при работе с трассировкой LangSmith или запросами к трейсам. Охватывает добавление трассировки в приложения и запросы/экспорт данных трейсов. Содержит…

Добавление трассировки в приложения LangChain/LangGraph и запрос данных трассировки через CLI для отладки и генерации наборов данных. Автоматическая трассировка для приложений LangChain/LangGraph с помощью переменных окружения; ручная трассировка через декоратор @traceable и wrap_openai() для других фреймворков на Python и TypeScript. Запрос трассировок (полных деревьев выполнения) или запусков (отдельных узлов) с помощью langsmith CLI с фильтрами по времени, задержке, ошибкам, тегам и пользовательским метаданным. Экспорт трассировок в файлы JSONL с сохранением иерархии;...

INVOKE THIS SKILL when working with LangSmith tracing OR querying traces. Covers adding tracing to applications and querying/exporting trace data. Uses the…

Разбить задачу по программированию на структурированный план реализации с четкими шагами, идентификацией файлов и оценкой рисков.

Пишет и выполняет SQL-запросы от простых SELECT до сложных многотабличных JOIN, агрегаций и подзапросов. Используйте, когда пользователь просит выполнить запрос к базе данных,…

Современные паттерны React-компонентов с использованием хуков и TypeScript

Просмотрите текущий разговор и зафиксируйте ценные знания — лучшие практики, соглашения по кодированию, архитектурные решения, рабочие процессы и отзывы пользователей —…

Перечисляет таблицы, описывает столбцы и типы данных, определяет связи внешних ключей и отображает связи сущностей в базе данных. Используйте, когда пользователь спрашивает о…

Руководство по созданию эффективных навыков, расширяющих возможности агента с помощью специализированных знаний, рабочих процессов или интеграции инструментов. Используйте этот навык, когда пользователь…

Руководство по созданию эффективных навыков, расширяющих возможности агента с помощью специализированных знаний, рабочих процессов или интеграции инструментов. Используйте этот навык, когда пользователь…

Создаёт платформенно-специфичные посты для социальных сетей с контентом на основе исследований и сгенерированными изображениями-компаньонами. Поддерживает посты для LinkedIn (1300 символов, профессиональный тон) и треды для Twitter/X (280 символов на твит, формат 1/🧵). Требует делегирования исследования сабагенту перед написанием, затем чтения результатов для обеспечения точности и релевантности. Автоматически генерирует привлекательные изображения для соцсетей с помощью инструмента generate_social_image, используя смелые, высококонтрастные композиции, оптимизированные для маленьких...

Отправить пакет задач подагентам параллельно с ограниченной степенью параллелизма. Возвращает объект сводки с {total, completed, failed, results[]} — итерировать…

Лучшие практики модульного и интеграционного тестирования

Организует многоисточниковое веб-исследование, делегируя задачи подагентам, синтезируя результаты и создавая отчеты с цитированием. Разбивает исследовательские вопросы на 2–5 отдельных подтем, создает файл плана исследования и запускает до 3 подагентов параллельно для эффективного изучения. Каждый подагент выполняет 3–5 веб-поисков по каждой подтеме и записывает результаты в локальные файлы с ключевыми фактами, цитатами и URL-адресами источников. Синтезирует результаты, читая локальные файлы с данными, объединяя выводы по подтемам и...

Используйте этот навык для запросов, связанных с веб-исследованиями; он предоставляет структурированный подход к проведению всесторонних веб-исследований