deepagents-typescript-quickstart

tarafından langchain-ai

Resmi hızlı başlangıç kılavuzunu izleyerek TypeScript'te minimal bir yerel Deep Agent iskeleti oluşturun, Tavily yerine sağlayıcıya özgü web araması kullanın. Kullanıcı… olduğunda kullanın.

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.

langchain-ai tarafından daha fazla skill

deepagents-thread-inspector
langchain-ai
Yerel Deep Agents Code SQLite oturum deposundaki konuşmaları inceleyin ve açıklayın. LangSmith trace araçları kullanılamadığında yedek olarak kullanın, için…
deepagents-python-quickstart
langchain-ai
Python'da resmi hızlı başlangıç kılavuzunu izleyerek minimal bir yerel Deep Agent oluşturun, Tavily yerine sağlayıcıya özgü web araması kullanın. Kullanıcı şu durumlarda kullanın…
eval-engineering
langchain-ai
Yinelemeli olarak bir ajan deposunu ve kullanıcı tarafından sağlanan isteğe bağlı izleri inceleyin, kullanıcıyla görüşün ve Harbor evals'larını tek tek oluşturun, çalıştırın ve denetleyin. Şunlar için kullanın…
LangChain RAG Pipeline
langchain-ai
Herhangi bir bilgi getirmeli üretim (RAG) sistemi oluştururken BU BECERİYİ ÇAĞIRIN. Belge yükleyicileri, RecursiveCharacterTextSplitter, gömme vektörleri (OpenAI),… kapsar.
LangChain Structured Output & HITL
langchain-ai
langchain-structured-output-&-hitl — AI ajanları için yüklenebilir bir beceri, langchain-ai/langchain-skills tarafından yayımlanmıştır.
LangSmith Datasets
langchain-ai
Bu beceriyi, izleme kayıtlarından değerlendirme veri kümeleri oluştururken VEYA LangSmith'e veri kümeleri yüklerken VEYA veri kümelerini sorgularken ÇAĞIRIN. Veri kümesi türlerini kapsar (final_response,…
langsmith-evaluator
langchain-ai
LangSmith için değerlendirme hatları oluştururken BU BECERİYİ ÇAĞIRIN. Üç temel bileşeni kapsar: (1) Değerlendirici Oluşturma - LLM-as-Judge, özel kod; (2)…
LangSmith Evaluators
langchain-ai
LangSmith için değerlendirme hatları oluştururken BU BECERİYİ ÇAĞIRIN. Üç temel bileşeni kapsar: (1) Değerlendiriciler Oluşturma - LLM-as-Judge, özel kod; (2)…