remember

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

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

Review our conversation and capture valuable knowledge. Focus especially on best practices we discussed or discovered—these are the most important things to preserve.

Step 1: Identify Best Practices and Key Learnings

Scan the conversation for:

Best Practices (highest priority)

  • Patterns that worked well - approaches, techniques, or solutions we found effective
  • Anti-patterns to avoid - mistakes, gotchas, or approaches that caused problems
  • Quality standards - criteria we established for good code, documentation, or processes
  • Decision rationale - why we chose one approach over another

Other Valuable Knowledge

  • Coding conventions and style preferences
  • Project architecture decisions
  • Workflows and processes we developed
  • Tools, libraries, or techniques worth remembering
  • Feedback I gave about your behavior or outputs

Step 2: Decide Where to Store Each Learning

For each best practice or learning, choose the right destination:

-> Memory (AGENTS.md) for preferences and guidelines

Use memory when the knowledge is:

  • A preference or guideline (not a multi-step process)
  • Something to always keep in mind
  • A simple rule or pattern

Global (~/.deepagents/agent/AGENTS.md): Universal preferences across all projects Project (.deepagents/AGENTS.md): Project-specific conventions and decisions

-> Skill for reusable workflows and methodologies

Create a skill when we developed:

  • A multi-step process worth reusing
  • A methodology for a specific type of task
  • A workflow with best practices baked in
  • A procedure that should be followed consistently

Skills are more powerful than memory entries because they can encode how to do something well, not just what to remember.

Step 3: Create Skills for Significant Best Practices

If we established best practices around a workflow or process, capture them in a skill.

Example: If we discussed best practices for code review, create a code-review skill that encodes those practices into a reusable workflow.

Skill Location

~/.deepagents/agent/skills/<skill-name>/SKILL.md

Skill Structure

skill-name/
├── SKILL.md          (required - main instructions with best practices)
├── scripts/          (optional - executable code)
├── references/       (optional - detailed documentation)
└── assets/           (optional - templates, examples)

SKILL.md Format

---
name: skill-name
description: "What this skill does AND when to use it. Include triggers like 'when the user asks to X' or 'when working with Y'. This description determines when the skill activates."
---

# Skill Name

## Overview
Brief explanation of what this skill accomplishes.

## Best Practices
Capture the key best practices upfront:
- Best practice 1: explanation
- Best practice 2: explanation

## Process
Step-by-step instructions (imperative form):
1. First, do X
2. Then, do Y
3. Finally, do Z

## Common Pitfalls
- Pitfall to avoid and why
- Another anti-pattern we discovered

Key Principles

  1. Encode best practices prominently - Put them near the top so they guide the entire workflow
  2. Concise is key - Only include non-obvious knowledge. Every paragraph should justify its token cost.
  3. Clear triggers - The description determines when the skill activates. Be specific.
  4. Imperative form - Write as commands: "Create a file" not "You should create a file"
  5. Include anti-patterns - What NOT to do is often as valuable as what to do

Step 4: Update Memory for Simpler Learnings

For preferences, guidelines, and simple rules that don't warrant a full skill:

## Best Practices
- When doing X, always Y because Z
- Avoid A because it leads to B

Use edit_file to update existing files or write_file to create new ones.

Step 5: Summarize Changes

List what you captured and where you stored it:

  • Skills created (with key best practices encoded)
  • Memory entries added (with location)

Больше skills от langchain-ai

langgraph-docs
langchain-ai
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...
official
langgraph-human-in-the-loop
langchain-ai
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,...
official
web-research
langchain-ai
Используйте этот навык для запросов, связанных с веб-исследованиями; он предоставляет структурированный подход к проведению всесторонних веб-исследований
official
langchain-oss-primer
langchain-ai
ВСЕГДА НАЧИНАЙТЕ ЗДЕСЬ для любого проекта по созданию агентов LangChain, Deep Agents или LangGraph. Обязательная отправная точка перед выбором других навыков или написанием любого…
official
skill-creator
langchain-ai
Руководство по созданию эффективных навыков, расширяющих возможности агента с помощью специализированных знаний, рабочих процессов или интеграции инструментов. Используйте этот навык, когда пользователь…
official
social-media
langchain-ai
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...
official
deep-agents-memory
langchain-ai
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...
official
deep-agents-orchestration
langchain-ai
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...
official