linkedin-post

Напишите пост в LinkedIn на основе результатов исследования или заданной темы. Используйте этот навык, когда вас просят создать контент для LinkedIn, профессиональные посты или мысли…

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

Больше skills от langchain-ai

deepagents-thread-inspector
langchain-ai
Проверяйте и поясняйте беседы в локальном хранилище сессий SQLite Deep Agents Code. Используйте как запасной вариант, когда инструменты трассировки LangSmith недоступны, для…
deepagents-python-quickstart
langchain-ai
Создайте минимального локального Deep Agent на Python, следуя официальному краткому руководству, используя встроенный веб-поиск провайдера вместо Tavily. Используйте, когда пользователь хочет…
deepagents-typescript-quickstart
langchain-ai
Создайте минимального локального Deep Agent на TypeScript, следуя официальному краткому руководству, используя встроенный веб-поиск провайдера вместо Tavily. Используйте, когда пользователь…
eval-engineering
langchain-ai
Итеративно изучайте репозиторий агента и предоставленные пользователем трассировки, опрашивайте пользователя и создавайте, запускайте и проверяйте eval'ы Harbor по одному. Используйте для...
LangChain RAG Pipeline
langchain-ai
ВЫЗЫВАЙТЕ ЭТОТ НАВЫК при создании ЛЮБОЙ системы генерации с дополненной выборкой (RAG). Охватывает загрузчики документов, RecursiveCharacterTextSplitter, эмбеддинги (OpenAI),…
LangChain Structured Output & HITL
langchain-ai
langchain-structured-output-&-hitl — устанавливаемый навык для
LangSmith Datasets
langchain-ai
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,…
langsmith-evaluator
langchain-ai
ВЫЗЫВАЙТЕ ЭТОТ НАВЫК при построении пайплайнов оценки для LangSmith. Охватывает три основных компонента: (1) Создание оценщиков — LLM-как-судья, пользовательский код; (2)…