L

Skills Langchain Ai

เอกสาร OpenAPI และรูปแบบการออกแบบ REST API

ค้นหา arXiv สำหรับพรีปรินต์และเอกสารวิชาการตามหัวข้อ พร้อมดึงบทคัดย่อ ค้นหาตามคำถามในสาขาฟิสิกส์ คณิตศาสตร์ วิทยาการคอมพิวเตอร์ ชีววิทยา สถิติ และสาขาที่เกี่ยวข้อง กำหนดจำนวนผลลัพธ์ได้ (ค่าเริ่มต้น 10 เอกสาร) โดยเรียงตามความเกี่ยวข้อง คืนค่าชื่อเรื่องและบทคัดย่อของเอกสารที่ตรงกัน ต้องใช้แพ็กเกจ arxiv ใน Python ติดตั้งผ่าน pip หากยังไม่มี

ค้นหาคลังบทความ preprint ของ arXiv สำหรับเอกสารในสาขาฟิสิกส์ คณิตศาสตร์ วิทยาการคอมพิวเตอร์ ชีววิทยาเชิงปริมาณ และสาขาที่เกี่ยวข้อง

การเขียนบล็อกโพสต์แบบยาว พร้อมการมอบหมายงานวิจัย เทมเพลตเนื้อหาที่มีโครงสร้าง และภาพปกที่สร้างโดย AI มอบหมายการวิจัยให้กับตัวแทนย่อยก่อนเขียน โดยเก็บผลลัพธ์ในรูปแบบมาร์กดาวน์เพื่อใช้อ้างอิงและบริบท บังคับใช้โครงสร้างโพสต์ห้าส่วน: การดึงดูดความสนใจ บริบท เนื้อหาหลัก (3–5 หัวข้อ) การประยุกต์ใช้จริง และบทสรุปพร้อมคำกระตุ้นการตัดสินใจ สร้างภาพปกที่ปรับแต่งเพื่อ SEO โดยใช้พรอมต์โดยละเอียดที่ครอบคลุมหัวข้อ สไตล์ องค์ประกอบ สี และแสง ส่งออกโพสต์ไปยัง...

ดำเนินการตรวจสอบโค้ดที่มีการเปลี่ยนแปลงอย่างมีโครงสร้าง โดยตรวจสอบความถูกต้อง รูปแบบ การทดสอบ และปัญหาที่อาจเกิดขึ้น

อ่านความชอบในการเขียนโค้ดของผู้ใช้จาก /memory/coding-prefs.md ก่อนตัดสินใจเรื่องสไตล์ที่ไม่ใช่เรื่องเล็กน้อย และเพิ่มความชอบใหม่เมื่อผู้ใช้ให้…

competitor-analysis

เมื่อถูกขอให้วิเคราะห์คู่แข่ง:

ใช้สำหรับการวิเคราะห์ข้อมูลที่เร่งด้วย GPU บนชุดข้อมูล, CSV หรือข้อมูลแบบตารางโดยใช้ NVIDIA cuDF ทำงานเมื่อมีงานที่เกี่ยวข้องกับการรวมกลุ่มแบบ groupby, การคำนวณทางสถิติ...

cuml-machine-learning

ใช้สำหรับการเรียนรู้ของเครื่องที่เร่งด้วย GPU บนข้อมูลแบบตารางโดยใช้ NVIDIA cuML ทำงานเมื่อมีงานที่เกี่ยวข้องกับการจำแนกประเภท การถดถอย การจัดกลุ่ม การลดมิติ...

data-visualization

ใช้สำหรับสร้างแผนภูมิคุณภาพระดับสิ่งพิมพ์และสรุปการวิเคราะห์แบบหลายแผง ทำงานเมื่อมีงานที่เกี่ยวข้องกับการแสดงข้อมูลเป็นภาพ การพล็อตผลลัพธ์ การสร้าง...

database-migrations

รูปแบบการย้ายฐานข้อมูลและการกำหนดเวอร์ชันของสคีมา

Deep Agents Memory & Filesystem

deep-agents-memory-&-filesystem — ทักษะที่สามารถติดตั้งได้สำหรับเอเจนต์ AI เผยแพร่โดย langchain-ai/langchain-skills

deep-agents-core

เฟรมเวิร์กพื้นฐานสำหรับสร้างเอเจนต์แบบหลายขั้นตอน พร้อมการวางแผน หน่วยความจำ และการมอบหมายทักษะในตัว มีตัวเลือกมิดเดิลแวร์หลักหกตัวเลือก: การวางแผนงาน การจัดการบริบทระบบไฟล์ การมอบหมายเอเจนต์ย่อย หน่วยความจำถาวร เวิร์กโฟลว์การอนุมัติของมนุษย์ และการโหลดทักษะตามต้องการ ประกอบด้วยเครื่องมือในตัวสามอย่างที่พร้อมใช้งานเสมอ: write_todos สำหรับติดตามงาน การดำเนินการระบบไฟล์ (ls, read_file, write_file, edit_file, glob, grep) และ task สำหรับสร้างเอเจนต์ย่อยเฉพาะทาง รองรับ...

deep-agents-core

เรียกใช้สกิลนี้เมื่อสร้างแอปพลิเคชัน Deep Agents ใดๆ ครอบคลุม create_deep_agent(), สถาปัตยกรรม harness, รูปแบบ SKILL.md และตัวเลือกการกำหนดค่า

deep-agents-memory

ปลั๊กอินหน่วยความจำและแบ็กเอนด์ไฟล์สำหรับ Deep Agents พร้อมตัวเลือกการกำหนดเส้นทางแบบชั่วคราว ถาวร และแบบผสม แบ็กเอนด์สี่ประเภท: StateBackend (ขอบเขตเธรด, ชั่วคราว), StoreBackend (คงอยู่ข้ามเซสชัน), FilesystemBackend (เข้าถึงดิสก์จริงสำหรับการพัฒนาในเครื่อง) และ CompositeBackend (กำหนดเส้นทางพาธที่แตกต่างไปยังแบ็กเอนด์ที่แตกต่างกัน) FilesystemMiddleware มีเครื่องมือปฏิบัติการไฟล์หกอย่าง: ls, read_file, write_file, edit_file, glob, grep CompositeBackend ใช้การจับคู่คำนำหน้าที่ยาวที่สุดเพื่อกำหนดเส้นทาง...

deep-agents-memory

เรียกใช้สกิลนี้เมื่อ Deep Agent ของคุณต้องการหน่วยความจำ การคงอยู่ หรือการเข้าถึงระบบไฟล์ ครอบคลุม StateBackend (ชั่วคราว), StoreBackend (ถาวร),…

deep-agents-orchestration

จัดระเบียบเอเจนต์ย่อย วางแผนงานหลายขั้นตอน และต้องได้รับการอนุมัติจากมนุษย์สำหรับการดำเนินการที่ละเอียดอ่อน มอบหมายงานให้กับเอเจนต์ย่อยเฉพาะทางผ่านเครื่องมืองาน เอเจนต์ย่อยแบบกำหนดเองรองรับชุดเครื่องมือและพรอมต์ระบบที่แยกออกจากกัน ในขณะที่เอเจนต์ย่อย "วัตถุประสงค์ทั่วไป" เริ่มต้นจะสืบทอดการกำหนดค่าเอเจนต์หลัก วางแผนและติดตามเวิร์กโฟลว์ที่ซับซ้อนด้วย write_todos โดยจัดระเบียบงานในสถานะรอดำเนินการ กำลังดำเนินการ และเสร็จสมบูรณ์ ต้องใช้ thread_id เพื่อความต่อเนื่องในการเรียกใช้หลายครั้ง ดำเนินการ...

deep-agents-orchestration

ใช้ทักษะนี้เมื่อใช้ซับเอเจนต์ การวางแผนงาน หรือการอนุมัติจากมนุษย์ใน Deep Agents ครอบคลุม SubAgentMiddleware, TodoList สำหรับการวางแผน และการขัดจังหวะ HITL

docker-patterns

แนวทางปฏิบัติที่ดีที่สุดสำหรับการทำคอนเทนเนอร์ด้วย Docker และการสร้างแบบหลายขั้นตอน

สร้างชุดประเมินใหม่สำหรับ monorepo deepagentsjs จัดการการออกแบบชุดข้อมูล โครงสร้างทดสอบ ตรรกะการให้คะแนน การกำหนดค่า vitest และ LangSmith…

จัดระเบียบไฟล์และโฟลเดอร์ของคุณบนคอมพิวเตอร์อย่างชาญฉลาด โดยการทำความเข้าใจบริบท ค้นหาไฟล์ซ้ำ แนะนำโครงสร้างที่ดีขึ้น และทำงานอัตโนมัติ…

framework-selection

คู่มือการเลือกเฟรมเวิร์กสำหรับสถาปัตยกรรมแบบชั้นของ LangChain, LangGraph และ Deep Agents เฟรมเวิร์กแบบชั้นที่ LangChain จัดเตรียมพื้นฐานดั้งเดิม LangGraph เพิ่มการจัดลำดับและการควบคุมการไหล และ Deep Agents เพิ่มการวางแผน หน่วยความจำ การจัดการไฟล์ และการมอบหมายทักษะ ตารางการตัดสินใจจะแนะนำการเลือกเฟรมเวิร์กตามความซับซ้อนของงาน: LangChain สำหรับเอเจนต์วัตถุประสงค์เดียว LangGraph สำหรับการควบคุมการไหลและลูปที่กำหนดเอง Deep Agents สำหรับการวางแผนหลายขั้นตอนและเซสชันต่อเนื่อง Deep...

framework-selection

เรียกใช้ทักษะนี้เมื่อเริ่มต้นโปรเจกต์ LangChain/LangGraph/Deep Agents ก่อนที่จะเขียนโค้ดเอเจนต์ใดๆ เพื่อกำหนดว่าเลเยอร์เฟรมเวิร์กใดเหมาะสมกับ…

gpu-document-processing

ใช้เมื่อประมวลผล PDF ขนาดใหญ่ ชุดเอกสาร หรืองานสกัดข้อความจำนวนมากที่ได้รับประโยชน์จากการประมวลผลแบบเร่งด้วย GPU จะเริ่มทำงานเมื่อผู้ใช้...

LangChain Agent Starter Kit

เริ่มต้นที่นี่เสมอสำหรับโปรเจกต์โอเพนซอร์สเอเจนต์ของ LangChain, Deep Agents หรือ LangGraph ใดๆ เป็นจุดเริ่มต้นที่จำเป็นสำหรับเอเจนต์โอเพนซอร์สของ LangChain…

LangChain Middleware & HITL

langchain-middleware-&-hitl — สกิลที่ติดตั้งได้สำหรับเอเจนต์ AI เผยแพร่โดย langchain-ai/langchain-skills

LangChain RAG Pipeline

ใช้ทักษะนี้เมื่อสร้างระบบการสร้างเสริมการค้นคืน (RAG) ใดๆ ครอบคลุมตัวโหลดเอกสาร, RecursiveCharacterTextSplitter, การฝังข้อความ (OpenAI),…

LangChain Structured Output & HITL

langchain-structured-output-&-hitl — ทักษะที่สามารถติดตั้งได้สำหรับเอเจนต์ AI เผยแพร่โดย langchain-ai/langchain-skills

langchain-agents

ใช้ทักษะนี้สำหรับคำถามเกี่ยวกับการเขียนโค้ดที่เกี่ยวข้องกับผลิตภัณฑ์ LangChain (LangChain, LangGraph, LangSmith SDK) ครอบคลุมรูปแบบการพัฒนาเอเจนต์ พื้นฐานการทำงาน…

langchain-dependencies

เวอร์ชันแพ็กเกจระบบนิเวศ LangChain การพึ่งพา และคำแนะนำการติดตั้งสำหรับ Python และ TypeScript เริ่มโปรเจกต์ใหม่ทั้งหมดบน LangChain 1.0 LTS; เวอร์ชัน 0.3 เป็นการบำรุงรักษาแบบเดิมเท่านั้น ติดตั้ง langchain-core อย่างชัดเจนเสมอควบคู่กับแพ็กเกจอื่นๆ เลือกเลเยอร์การจัดเรียงหนึ่งชั้น: LangGraph สำหรับการควบคุมกราฟแบบละเอียด หรือ Deep Agents สำหรับการวางแผนและหน่วยความจำแบบครบวงจร กำหนด langchain-community อย่างระมัดระวังเป็นเวอร์ชันย่อยที่แน่นอน (เช่น >=0.4.0,<0.5.0) เนื่องจากไม่...

langchain-dependencies

ใช้ทักษะนี้เมื่อตั้งค่าโปรเจกต์ใหม่ หรือเมื่อถูกถามเกี่ยวกับเวอร์ชันแพ็กเกจ การติดตั้ง หรือการจัดการ dependencies สำหรับ LangChain, LangGraph,…

langchain-fundamentals

สร้างเอเจนต์ LangChain สำหรับการผลิตด้วย create_agent(), tools และรูปแบบ middleware ใช้ create_agent() พร้อมโมเดล รายการ tools และ system prompt กำหนดค่าการคงสถานะด้วย checkpointer และ thread_id สำหรับหน่วยความจำการสนทนาข้ามการเรียกใช้ กำหนด tools ผ่าน @tool decorator (Python) หรือฟังก์ชัน tool() (TypeScript) พร้อมคำอธิบายที่ชัดเจนเพื่อให้เอเจนต์รู้ว่าเมื่อใดควรเรียกใช้ เพิ่ม middleware เช่น HumanInTheLoopMiddleware สำหรับเวิร์กโฟลว์การอนุมัติ การจัดการข้อผิดพลาดแบบกำหนดเอง และ human-in-the-loop...

langchain-fundamentals

สร้างเอเจนต์ LangChain ด้วย create_agent, กำหนดเครื่องมือ, และใช้มิดเดิลแวร์สำหรับ human-in-the-loop และการจัดการข้อผิดพลาด

langchain-middleware

รูปแบบการอนุมัติแบบมนุษย์ร่วมวงจร มิดเดิลแวร์ที่กำหนดเอง และรูปแบบเอาต์พุตที่มีโครงสร้างสำหรับเอเจนต์ LangChain HumanInTheLoopMiddleware จะหยุดการทำงานชั่วคราวก่อนการเรียกใช้เครื่องมือที่เป็นอันตราย ทำให้มนุษย์สามารถอนุมัติ แก้ไขอาร์กิวเมนต์ หรือปฏิเสธพร้อมข้อเสนอแนะ นโยบายการขัดจังหวะต่อเครื่องมือช่วยให้คุณกำหนดกฎการอนุมัติที่แตกต่างกันตามระดับความเสี่ยง ต้องใช้ checkpointer และ thread_id สำหรับการคงสถานะ รูปแบบคำสั่ง resume จะดำเนินการต่อหลังจากที่มนุษย์ตัดสินใจ โดยรองรับการแก้ไขอาร์กิวเมนต์ของเครื่องมือ...

langchain-middleware

เรียกใช้สกิลนี้เมื่อคุณต้องการการอนุมัติแบบมนุษย์ร่วมในวงจร มิดเดิลแวร์ที่กำหนดเอง หรือเอาต์พุตที่มีโครงสร้าง ครอบคลุม HumanInTheLoopMiddleware สำหรับการอนุมัติโดยมนุษย์ของ…

langchain-oss-primer

เริ่มต้นที่นี่เสมอสำหรับโปรเจกต์สร้างเอเจนต์ LangChain, Deep Agents หรือ LangGraph ใดๆ จุดเริ่มต้นที่จำเป็นก่อนเลือกสกิลอื่นหรือเขียนอะไรก็ตาม…

ไปป์ไลน์ RAG ที่สมบูรณ์สำหรับการนำเข้าเอกสาร การฝัง การดึงข้อมูล และการสร้างคำตอบด้วย LLM รองรับตัวโหลดเอกสารหลายประเภท (PDF, เว็บเพจ, ไดเรกทอรี) และพื้นที่เก็บเวกเตอร์แบบถาวร (Chroma, FAISS, Pinecone) พร้อมขนาดชิ้นส่วนและการซ้อนทับที่ปรับแต่งได้เพื่อการคงบริบทที่เหมาะสมที่สุด รวมถึงการค้นหาความคล้ายคลึง การดึงข้อมูล MMR (Maximal Marginal Relevance) และการกรองเมตาดาต้าเพื่อสร้างสมดุลระหว่างความเกี่ยวข้องและความหลากหลายของผลลัพธ์ ทำงานร่วมกับ OpenAI embeddings และผสานรวมได้อย่างราบรื่น...

langchain-rag — ทักษะที่สามารถติดตั้งได้สำหรับเอเจนต์ AI เผยแพร่โดย langchain-ai/skills-benchmarks

LangGraph Execution Control

เรียกใช้สกิลนี้สำหรับเวิร์กโฟลว์ LangGraph, การทำงานแบบขนาน, การขัดจังหวะ หรือการสตรีม ครอบคลุม Send API สำหรับการกระจายงาน, interrupt() สำหรับการมีมนุษย์ร่วมในวงจร,…

LangGraph Persistence & Memory

langgraph-persistence-&-memory — ทักษะที่สามารถติดตั้งได้สำหรับเอเจนต์ AI เผยแพร่โดย langchain-ai/langchain-skills

เข้าถึงเอกสาร LangGraph เพื่อสร้างเอเจนต์ที่มีสถานะและเวิร์กโฟลว์แบบหลายเอเจนต์ ดึงข้อมูลเอกสาร Python อย่างเป็นทางการของ LangGraph ซึ่งครอบคลุมเครื่องจักรสถานะ การออกแบบเอเจนต์แบบกราฟ และรูปแบบมนุษย์ในวงจร จัดลำดับความสำคัญของเอกสารที่เกี่ยวข้องตามประเภทคำถาม: คู่มือการใช้งานสำหรับคำถามวิธีทำ หน้าคอนเซปต์สำหรับทฤษฎี บทช่วยสอนสำหรับตัวอย่างแบบครบวงจร และเอกสารอ้างอิง API สำหรับรายละเอียดทางเทคนิค เลือก URL เอกสารที่เกี่ยวข้องมากที่สุด 2–4 รายการโดยอัตโนมัติและดึงเนื้อหามาเพื่อตอบ...

ใช้ทักษะนี้สำหรับคำขอที่เกี่ยวข้องกับ LangGraph เพื่อดึงเอกสารที่เกี่ยวข้องเพื่อให้คำแนะนำที่ถูกต้องและทันสมัย

langgraph-fundamentals

กรอบงานกราฟแบบมีทิศทางสำหรับสร้างเวิร์กโฟลว์เอเจนต์แบบมีสถานะและหลายขั้นตอนพร้อมการควบคุมแบบละเอียด StateGraph พร้อมสคีมาสถานะแบบมีชนิด ตัวลดสำหรับสะสมรายการ/ค่า และโหนดที่ส่งคืนการอัปเดตสถานะบางส่วน ขอบคงที่สำหรับโฟลว์ตายตัว ขอบแบบมีเงื่อนไขสำหรับการแตกกิ่ง และ Command สำหรับรวมการอัปเดตสถานะกับการกำหนดเส้นทางแบบไดนามิก Send API สำหรับความขนานแบบแฟนเอาต์ไปยังโหนดผู้ปฏิบัติงานพร้อมการรวมผลลัพธ์ผ่านตัวลด Invoke สำหรับการดำเนินการเดี่ยวและโหมดสตรีม (ค่า, การอัปเดต,...)

langgraph-fundamentals

ใช้ทักษะนี้เมื่อเขียนโค้ด LangGraph ใดๆ ครอบคลุม StateGraph, state schemas, nodes, edges, Command, Send, invoke, streaming และการจัดการข้อผิดพลาด

langgraph-human-in-the-loop

หยุดการทำงานของกราฟเพื่อให้มนุษย์ตรวจสอบ อนุมัติ หรือตรวจสอบความถูกต้อง จากนั้นดำเนินการต่อด้วยข้อมูลที่มนุษย์ป้อนเข้าไป ต้องมีสามองค์ประกอบ: ตัวตรวจสอบจุด (InMemorySaver หรือ PostgresSaver), ID เธรดใน config, และเพย์โหลดขัดจังหวะที่แปลงเป็น JSON ได้ interrupt(value) จะหยุดและแสดงข้อมูล; Command(resume=value) จะดำเนินการต่อและส่งคืนค่านั้นไปยังโหนดที่ถูกหยุด โค้ดทั้งหมดก่อน interrupt() จะถูกเรียกใช้ใหม่เมื่อดำเนินการต่อ ดังนั้นผลข้างเคียงต้องเป็น idempotent (ใช้ upsert ไม่ใช่ insert) รองรับเวิร์กโฟลว์การอนุมัติ...

langgraph-human-in-the-loop

เรียกใช้สกิลนี้เมื่อใช้รูปแบบ human-in-the-loop, หยุดเพื่อขออนุมัติ, หรือจัดการข้อผิดพลาดใน LangGraph ครอบคลุม interrupt(), Command(resume=...),…

langgraph-persistence

ใช้ทักษะนี้เมื่อ LangGraph ของคุณต้องการคงสถานะ จดจำบทสนทนา ย้อนดูประวัติ หรือกำหนดขอบเขตตัวตรวจสอบจุดตรวจสอบของกราฟย่อย

langgraph-persistence

การทำงานของกราฟแบบคงทนด้วยจุดตรวจสอบตามขอบเขตเธรด ประวัติสถานะ และหน่วยความจำระยะยาวข้ามเธรด ตัวเลือกจุดตรวจสอบสามแบบ: InMemorySaver สำหรับการทดสอบ, SqliteSaver สำหรับการพัฒนาในเครื่อง, PostgresSaver สำหรับการผลิต; ต้องส่ง thread_id ใน config เสมอเพื่อเปิดใช้งานการคงอยู่ เรียกดูและเล่นซ้ำจากจุดตรวจสอบที่ผ่านมาโดยใช้ get_state_history() , แยกการทำงานโดยการอัปเดตสถานะ ณ จุดที่ผ่านมา หรือแก้ไขสถานะด้วยตนเองก่อนดำเนินการต่อ Store API ให้หน่วยความจำข้ามเธรดสำหรับผู้ใช้...

LangSmith Datasets

เรียกใช้สกิลนี้เมื่อสร้างชุดข้อมูลประเมินผลจาก trace หรืออัปโหลดชุดข้อมูลไปยัง LangSmith หรือสอบถามชุดข้อมูล ครอบคลุมประเภทชุดข้อมูล (final_response, …)

LangSmith Evaluators

เรียกใช้ทักษะนี้เมื่อสร้างไปป์ไลน์การประเมินสำหรับ LangSmith ครอบคลุมสามองค์ประกอบหลัก: (1) การสร้างตัวประเมิน - LLM-as-Judge, โค้ดที่กำหนดเอง; (2)…

Langsmith Traces

เรียกใช้สกิลนี้เมื่อทำงานกับ LangSmith tracing หรือการสอบถาม traces ครอบคลุมการเพิ่ม tracing ให้กับแอปพลิเคชันและการสอบถาม/ส่งออกข้อมูล trace ประกอบด้วย…

langsmith-code-eval

สร้างตัวประเมินที่ใช้โค้ดสำหรับเอเจนต์ที่ถูกติดตามด้วย LangSmith ใช้เมื่อสร้างตรรกะการประเมินแบบกำหนดเอง ทดสอบรูปแบบการใช้งานเครื่องมือ หรือให้คะแนนผลลัพธ์ของเอเจนต์…

langsmith-dataset

เรียกใช้สกิลนี้เมื่อสร้างชุดข้อมูลประเมินผลจาก trace หรืออัปโหลดชุดข้อมูลไปยัง LangSmith หรือสอบถามชุดข้อมูล ครอบคลุมประเภทชุดข้อมูล (final_response, …)

langsmith-dataset

สร้าง จัดการ และอัปโหลดชุดข้อมูลประเมินผลไปยัง LangSmith สำหรับการทดสอบและตรวจสอบความถูกต้อง รองรับชุดข้อมูลสี่ประเภท: final_response (บทสนทนาเต็ม), single_step (พฤติกรรมของโหนดเดี่ยว), trajectory (ลำดับการเรียกใช้เครื่องมือ), และ RAG (คำถาม/ชิ้นส่วน/คำตอบ/การอ้างอิง) คำสั่ง CLI สำหรับการจัดการวงจรชีวิตของชุดข้อมูล: สร้าง, แสดงรายการ, รับ, ลบ, ส่งออก, และอัปโหลดจากไฟล์ JSON ในเครื่อง การสร้างชุดข้อมูลโดยใช้ SDK ใน Python และ JavaScript พร้อมการเพิ่มตัวอย่างด้วยโปรแกรม การจัดการตัวอย่าง...

langsmith-dataset

เรียกใช้สกิลนี้เมื่อสร้างชุดข้อมูลประเมินผล อัปโหลดชุดข้อมูลไปยัง LangSmith หรือจัดการชุดข้อมูลที่มีอยู่ ครอบคลุมประเภทชุดข้อมูล (final_response, …)

langsmith-evaluator

เรียกใช้สกิลนี้เมื่อสร้างไปป์ไลน์การประเมินสำหรับ LangSmith ครอบคลุมสามองค์ประกอบหลัก: (1) การสร้างตัวประเมิน - LLM-as-Judge, โค้ดที่กำหนดเอง; (2)…

langsmith-evaluator

สร้างไปป์ไลน์การประเมินสำหรับ LangSmith ด้วย LLM-as-Judge และตัวประเมินโค้ดแบบกำหนดเอง องค์ประกอบหลักสามส่วน: การสร้างตัวประเมิน (LLM-as-Judge หรือโค้ดแบบกำหนดเอง) การกำหนดฟังก์ชันรันเพื่อบันทึกผลลัพธ์และเส้นทางของเอเจนต์ และการรันการประเมินในเครื่องหรือรันอัตโนมัติผ่านตัวประเมินที่อัปโหลด รองรับทั้งตัวประเมินแบบออฟไลน์ (เปรียบเทียบผลลัพธ์รันกับตัวอย่างชุดข้อมูล) และตัวประเมินแบบออนไลน์ (ตรวจสอบคุณภาพแบบเรียลไทม์ในการรันการผลิต) ต้องใช้คีย์ API LangSmith และโปรเจกต์...

langsmith-evaluator

เรียกใช้สกิลนี้เมื่อสร้างไปป์ไลน์การประเมินสำหรับ LangSmith ครอบคลุมสามองค์ประกอบหลัก: (1) การสร้างตัวประเมิน - LLM-as-Judge, โค้ดที่กำหนดเอง; (2)…

langsmith-fetch

ดึงข้อมูลการติดตามของ LangSmith เพื่อดีบักพฤติกรรมของเอเจนต์ ใช้เมื่อแก้ไขปัญหาเอเจนต์ ตรวจสอบประวัติการสนทนา หรือสอบสวนการเรียกใช้เครื่องมือ

langsmith-trace

เรียกใช้สกิลนี้เมื่อทำงานกับ LangSmith tracing หรือการสอบถาม traces ครอบคลุมการเพิ่ม tracing ให้กับแอปพลิเคชันและการสอบถาม/ส่งออกข้อมูล trace ใช้…

langsmith-trace

เรียกใช้สกิลนี้เมื่อทำงานกับ LangSmith tracing หรือการสอบถาม traces ครอบคลุมการเพิ่ม tracing ให้กับแอปพลิเคชันและการสอบถาม/ส่งออกข้อมูล trace ประกอบด้วย…

langsmith-trace

เพิ่มการติดตามให้กับแอปพลิเคชัน LangChain/LangGraph และสอบถามข้อมูลการติดตามผ่าน CLI เพื่อการดีบักและการสร้างชุดข้อมูล การติดตามอัตโนมัติสำหรับแอปพลิเคชัน LangChain/LangGraph ด้วยตัวแปรสภาพแวดล้อม การติดตามด้วยตนเองผ่าน @traceable decorator และ wrap_openai() สำหรับเฟรมเวิร์กอื่นๆ ใน Python และ TypeScript สอบถามการติดตาม (แผนผังการดำเนินการที่สมบูรณ์) หรือรัน (โหนดแต่ละรายการ) โดยใช้ langsmith CLI พร้อมตัวกรองตามเวลา ความหน่วง ข้อผิดพลาด แท็ก และข้อมูลเมตาที่กำหนดเอง ส่งออกการติดตามเป็นไฟล์ JSONL โดยคงโครงสร้างลำดับชั้นไว้...

langsmith-trace

เรียกใช้สกิลนี้เมื่อทำงานกับ LangSmith tracing หรือการสอบถาม traces ครอบคลุมการเพิ่ม tracing ให้กับแอปพลิเคชันและการสอบถาม/ส่งออกข้อมูล trace ใช้…

แยกย่อยงานเขียนโค้ดออกเป็นแผนการดำเนินงานที่มีโครงสร้าง พร้อมขั้นตอนที่ชัดเจน การระบุไฟล์ และการประเมินความเสี่ยง

เขียนและดำเนินการคำสั่ง SQL ตั้งแต่ SELECT แบบง่ายไปจนถึง JOIN หลายตารางที่ซับซ้อน การรวมกลุ่ม และการสอบถามย่อย ใช้เมื่อผู้ใช้ขอให้สอบถามฐานข้อมูล…

react-components

รูปแบบคอมโพเนนต์ React สมัยใหม่พร้อม hooks และ TypeScript

ทบทวนการสนทนาปัจจุบันและบันทึกความรู้ที่มีค่า — แนวปฏิบัติที่ดีที่สุด ข้อตกลงในการเขียนโค้ด การตัดสินใจด้านสถาปัตยกรรม ขั้นตอนการทำงาน และข้อเสนอแนะจากผู้ใช้ —…

schema-exploration

แสดงรายการตาราง อธิบายคอลัมน์และชนิดข้อมูล ระบุความสัมพันธ์ของคีย์นอก และแมปความสัมพันธ์ของเอนทิตีในฐานข้อมูล ใช้เมื่อผู้ใช้ถามเกี่ยวกับ...

คู่มือสำหรับสร้างสกิลที่มีประสิทธิภาพเพื่อขยายความสามารถของเอเจนต์ด้วยความรู้เฉพาะทาง เวิร์กโฟลว์ หรือการรวมเครื่องมือ ใช้สกิลนี้เมื่อผู้ใช้…

คู่มือสำหรับสร้างสกิลที่มีประสิทธิภาพเพื่อขยายความสามารถของเอเจนต์ด้วยความรู้เฉพาะทาง เวิร์กโฟลว์ หรือการรวมเครื่องมือ ใช้สกิลนี้เมื่อผู้ใช้…

ร่างโพสต์โซเชียลมีเดียเฉพาะแพลตฟอร์มพร้อมเนื้อหาที่มีงานวิจัยรองรับและภาพประกอบที่สร้างขึ้น รองรับโพสต์ LinkedIn (1,300 ตัวอักษรด้วยน้ำเสียงมืออาชีพ) และเธรด Twitter/X (280 ตัวอักษรต่อทวีตในรูปแบบ 1/🧵) ต้องมอบหมายการวิจัยให้กับซับเอเจนต์ก่อนเขียน จากนั้นอ่านผลลัพธ์เพื่อให้แน่ใจว่าถูกต้องและเกี่ยวข้อง สร้างภาพโซเชียลที่สะดุดตาโดยอัตโนมัติโดยใช้เครื่องมือ generate_social_image ด้วยองค์ประกอบที่โดดเด่นและคอนทราสต์สูงซึ่งปรับให้เหมาะสมสำหรับขนาดเล็ก...

ส่งชุดงานไปยังตัวแทนย่อยแบบขนานพร้อมการทำงานพร้อมกันแบบมีขอบเขต ส่งคืนออบเจกต์สรุปที่มี {total, completed, failed, results[]} — วนซ้ำ…

testing-patterns

แนวทางปฏิบัติที่ดีที่สุดสำหรับการทดสอบหน่วยและการทดสอบการรวมระบบ

จัดการการค้นคว้าทางเว็บจากหลายแหล่งโดยมอบหมายงานให้กับตัวแทนย่อย สังเคราะห์ผลลัพธ์ และสร้างรายงานที่มีการอ้างอิง แบ่งคำถามวิจัยออกเป็น 2–5 หัวข้อย่อยที่แตกต่างกัน สร้างไฟล์แผนการวิจัย และสร้างตัวแทนย่อยสูงสุด 3 ตัวพร้อมกันเพื่อการสืบค้นที่มีประสิทธิภาพ ตัวแทนย่อยแต่ละตัวทำการค้นหาทางเว็บ 3–5 ครั้งต่อหัวข้อย่อย และเขียนผลลัพธ์ลงในไฟล์ท้องถิ่นพร้อมข้อเท็จจริงสำคัญ คำพูด และ URL แหล่งที่มา สังเคราะห์ผลลัพธ์โดยการอ่านไฟล์ผลลัพธ์ท้องถิ่น บูรณาการข้อมูลเชิงลึกในหัวข้อย่อย และ...

ใช้ทักษะนี้สำหรับคำขอที่เกี่ยวข้องกับการค้นคว้าทางเว็บ โดยมีแนวทางที่มีโครงสร้างเพื่อดำเนินการค้นคว้าทางเว็บอย่างครอบคลุม