Skills Langchain Ai

Tài liệu OpenAPI và các mẫu thiết kế REST API

Tìm kiếm bản in trước và bài báo học thuật trên arXiv theo chủ đề có truy xuất tóm tắt. Tìm kiếm dựa trên truy vấn trong các lĩnh vực vật lý, toán học, khoa học máy tính, sinh học, thống kê và các lĩnh vực liên quan. Giới hạn kết quả có thể cấu hình (mặc định 10 bài báo) với kết quả được sắp xếp theo mức độ liên quan. Trả về tiêu đề và tóm tắt cho mỗi bài báo phù hợp. Yêu cầu gói Python arxiv; cài đặt qua pip nếu chưa có.

Tìm kiếm kho lưu trữ bản in trước arXiv cho các bài báo trong lĩnh vực vật lý, toán học, khoa học máy tính, sinh học định lượng và các lĩnh vực liên quan

Viết bài blog dài với phân công nghiên cứu, mẫu nội dung có cấu trúc và ảnh bìa do AI tạo. Phân công nghiên cứu cho các tác nhân phụ trước khi viết, lưu trữ kết quả dưới dạng markdown để tham khảo và ngữ cảnh. Áp dụng cấu trúc bài viết năm phần: mở đầu thu hút, bối cảnh, nội dung chính (3–5 phần), ứng dụng thực tế và kết luận kèm lời kêu gọi hành động. Tạo ảnh bìa tối ưu SEO bằng các gợi ý chi tiết về chủ đề, phong cách, bố cục, màu sắc và ánh sáng. Xuất bài viết đến...

Thực hiện đánh giá mã nguồn có cấu trúc đối với các thay đổi, kiểm tra tính chính xác, phong cách, bài kiểm tra và các vấn đề tiềm ẩn.

Đọc sở thích lập trình của người dùng từ /memory/coding-prefs.md trước khi đưa ra các quyết định về phong cách không tầm thường, và thêm các sở thích mới khi người dùng đưa ra…

Khi được yêu cầu phân tích đối thủ cạnh tranh:

Sử dụng để phân tích dữ liệu tăng tốc GPU trên các tập dữ liệu, CSV hoặc dữ liệu dạng bảng bằng NVIDIA cuDF. Kích hoạt khi các tác vụ liên quan đến tổng hợp groupby, thống kê…

Sử dụng cho học máy tăng tốc GPU trên dữ liệu dạng bảng với NVIDIA cuML. Kích hoạt khi tác vụ liên quan đến phân loại, hồi quy, phân cụm, giảm chiều…

Sử dụng để tạo biểu đồ chất lượng xuất bản và tóm tắt phân tích nhiều bảng. Kích hoạt khi nhiệm vụ liên quan đến trực quan hóa dữ liệu, vẽ kết quả, tạo…

Các mẫu di chuyển cơ sở dữ liệu và quản lý phiên bản lược đồ

deep-agents-memory-&-filesystem — một kỹ năng có thể cài đặt cho các tác nhân AI, được xuất bản bởi langchain-ai/langchain-skills.

Khung nền tảng để xây dựng các tác nhân đa bước với khả năng lập kế hoạch, bộ nhớ và ủy quyền kỹ năng tích hợp sẵn. Cung cấp sáu tùy chọn middleware cốt lõi: lập kế hoạch tác vụ, quản lý ngữ cảnh hệ thống tệp, ủy quyền tác nhân phụ, bộ nhớ liên tục, quy trình phê duyệt của con người và tải kỹ năng theo yêu cầu. Bao gồm ba công cụ tích hợp sẵn luôn có: write_todos để theo dõi tác vụ, thao tác hệ thống tệp (ls, read_file, write_file, edit_file, glob, grep) và task để tạo ra các tác nhân

GỌI KỸ NĂNG NÀY khi xây dựng BẤT KỲ ứng dụng Deep Agents nào. Bao gồm create_deep_agent(), kiến trúc harness, định dạng SKILL.md và các tùy chọn cấu hình.

Các backend bộ nhớ và tệp có thể cắm cho Deep Agents với các tùy chọn định tuyến tạm thời, bền vững và kết hợp. Bốn loại backend: StateBackend (theo luồng, tạm thời), StoreBackend (bền vững xuyên phiên), FilesystemBackend (truy cập đĩa thực cho phát triển cục bộ) và CompositeBackend (định tuyến các đường dẫn khác nhau đến các backend khác nhau). FilesystemMiddleware cung cấp sáu công cụ thao tác tệp: ls, read_file, write_file, edit_file, glob, grep. CompositeBackend sử dụng so khớp tiền tố dài nhất để định tuyến...

GỌI KỸ NĂNG NÀY khi Deep Agent của bạn cần bộ nhớ, khả năng lưu trữ bền vững hoặc truy cập hệ thống tệp. Bao gồm StateBackend (tạm thời), StoreBackend (bền vững),…

Điều phối các tác nhân phụ, lập kế hoạch tác vụ đa bước và yêu cầu phê duyệt của con người cho các thao tác nhạy cảm. Ủy quyền công việc cho các tác nhân phụ chuyên biệt thông qua công cụ tác vụ; các tác nhân phụ tùy chỉnh hỗ trợ bộ công cụ và lời nhắc hệ thống riêng biệt, trong khi tác nhân phụ "đa năng" mặc định kế thừa cấu hình của tác nhân chính. Lập kế hoạch và theo dõi các quy trình phức tạp với write_todos, sắp xếp tác vụ qua các trạng thái đang chờ, đang tiến hành và đã hoàn thành; yêu c

KHI SỬ DỤNG subagents, lập kế hoạch tác vụ hoặc phê duyệt của con người trong Deep Agents. Bao gồm SubAgentMiddleware, TodoList để lập kế hoạch và các ngắt HITL.

Các phương pháp tốt nhất cho việc container hóa Docker và xây dựng đa giai đoạn

Tạo bộ đánh giá mới cho monorepo deepagentsjs. Xử lý thiết kế tập dữ liệu, khung kiểm thử, logic chấm điểm, cấu hình vitest và LangSmith…

Thông minh sắp xếp các tệp và thư mục trên máy tính của bạn bằng cách hiểu ngữ cảnh, tìm các bản sao, đề xuất cấu trúc tốt hơn và tự động hóa…

Hướng dẫn chọn framework cho kiến trúc phân lớp LangChain, LangGraph và Deep Agents. Các framework phân lớp, nơi LangChain cung cấp các nguyên thủy nền tảng, LangGraph bổ sung khả năng điều phối và luồng điều khiển, còn Deep Agents bổ sung lập kế hoạch, bộ nhớ, quản lý tệp và ủy quyền kỹ năng. Bảng quyết định hướng dẫn lựa chọn framework dựa trên độ phức tạp của tác vụ: LangChain cho các tác nhân đơn mục đích, LangGraph cho luồng điều khiển và vòng lặp tùy chỉnh, Deep Agents cho lập kế hoạch đa bước và phiên làm việc liên tục...

GỌI KỸ NĂNG NÀY khi BẮT ĐẦU bất kỳ dự án LangChain/LangGraph/Deep Agents nào, trước khi viết bất kỳ mã agent nào. Xác định lớp framework nào phù hợp cho…

Sử dụng khi xử lý các tệp PDF lớn, bộ sưu tập tài liệu hoặc các tác vụ trích xuất văn bản hàng loạt có lợi từ xử lý tăng tốc GPU. Kích hoạt khi người dùng…

LUÔN BẮT ĐẦU TỪ ĐÂY cho bất kỳ dự án agent mã nguồn mở nào của LangChain, Deep Agents hoặc LangGraph. Đây là điểm khởi đầu bắt buộc cho bất kỳ agent mã nguồn mở nào của LangChain…

langchain-middleware-&-hitl — một kỹ năng có thể cài đặt cho các tác nhân AI, được xuất bản bởi langchain-ai/langchain-skills.

GỌI KỸ NĂNG NÀY khi xây dựng BẤT KỲ hệ thống tạo sinh tăng cường truy xuất (RAG) nào. Bao gồm bộ tải tài liệu, RecursiveCharacterTextSplitter, embeddings (OpenAI),…

langchain-structured-output-&-hitl — một kỹ năng có thể cài đặt cho các tác nhân AI, được xuất bản bởi langchain-ai/langchain-skills.

Sử dụng kỹ năng này cho BẤT KỲ câu hỏi lập trình nào liên quan đến các sản phẩm LangChain (LangChain, LangGraph, LangSmith SDK). Bao gồm các mẫu phát triển agent, nguyên thủy,…

Phiên bản gói hệ sinh thái LangChain, phụ thuộc và hướng dẫn cài đặt cho Python và TypeScript. Bắt đầu tất cả các dự án mới trên LangChain 1.0 LTS; phiên bản 0.3 chỉ bảo trì kế thừa. Luôn cài đặt langchain-core một cách rõ ràng cùng với các gói khác. Chọn một lớp điều phối: LangGraph để kiểm soát đồ thị chi tiết, hoặc Deep Agents để lập kế hoạch và bộ nhớ tích hợp sẵn. Ghim langchain-community một cách thận trọng vào các phiên bản phụ chính xác (ví dụ: >=0.4.0,<0.5.0) vì nó không...

GỌI KỸ NĂNG NÀY khi thiết lập một dự án mới hoặc khi được hỏi về phiên bản gói, cài đặt hoặc quản lý phụ thuộc cho LangChain, LangGraph,…

Xây dựng các tác nhân LangChain trong môi trường production với create_agent(), công cụ và các mẫu middleware. Sử dụng create_agent() với model, danh sách công cụ và prompt hệ thống; cấu hình lưu trữ trạng thái với checkpointer và thread_id để duy trì bộ nhớ hội thoại qua các lần gọi. Định nghĩa công cụ qua decorator @tool (Python) hoặc hàm tool() (TypeScript) với mô tả rõ ràng để tác nhân biết khi nào cần gọi chúng. Thêm middleware như HumanInTheLoopMiddleware cho quy trình phê duyệt, xử lý lỗi tùy chỉnh và cơ chế con người trong vòng lặp...

Tạo tác nhân LangChain với create_agent, định nghĩa công cụ, và sử dụng middleware cho cơ chế có sự tham gia của con người và xử lý lỗi.

Phê duyệt có sự tham gia của con người, middleware tùy chỉnh và các mẫu đầu ra có cấu trúc cho các tác nhân LangChain. HumanInTheLoopMiddleware tạm dừng thực thi trước các lệnh gọi công cụ nguy hiểm, cho phép con người phê duyệt, chỉnh sửa đối số hoặc từ chối kèm phản hồi. Các chính sách ngắt theo từng công cụ cho phép bạn cấu hình các quy tắc phê duyệt khác nhau dựa trên mức độ rủi ro; yêu cầu một checkpointer và thread_id để duy trì trạng thái. Mẫu tiếp tục lệnh tiếp tục thực thi sau các quyết định của con người, hỗ trợ chỉnh sửa đối số công cụ...

GỌI KỸ NĂNG NÀY khi bạn cần phê duyệt có sự tham gia của con người, phần mềm trung gian tùy chỉnh hoặc đầu ra có cấu trúc. Bao gồm HumanInTheLoopMiddleware để phê duyệt của con người đối với…

LUÔN BẮT ĐẦU TỪ ĐÂY cho bất kỳ dự án xây dựng agent LangChain, Deep Agents hoặc LangGraph nào. Điểm khởi đầu bắt buộc trước khi chọn các kỹ năng khác hoặc viết bất kỳ…

Đường ống RAG hoàn chỉnh cho việc nhập tài liệu, nhúng, truy xuất và tạo phản hồi dựa trên LLM. Hỗ trợ nhiều bộ tải tài liệu (PDF, trang web, thư mục) và kho lưu trữ vector bền vững (Chroma, FAISS, Pinecone) với kích thước khối và độ chồng lấn có thể cấu hình để bảo toàn ngữ cảnh tối ưu. Bao gồm tìm kiếm tương tự, truy xuất MMR (Maximal Marginal Relevance) và lọc siêu dữ liệu để cân bằng mức độ liên quan và đa dạng trong kết quả. Hoạt động với các nhúng OpenAI và tích hợp liền mạch...

langchain-rag — một kỹ năng có thể cài đặt cho các tác nhân AI, được xuất bản bởi langchain-ai/skills-benchmarks.

GỌI KỸ NĂNG NÀY cho quy trình làm việc LangGraph, thực thi song song, ngắt hoặc phát trực tuyến. Bao gồm Send API để phân nhánh, interrupt() cho vòng lặp có sự can thiệp của con người,…

langgraph-persistence-&-memory — một kỹ năng có thể cài đặt cho các tác nhân AI, được xuất bản bởi langchain-ai/langchain-skills.

Truy cập tài liệu LangGraph để xây dựng tác nhân có trạng thái và quy trình làm việc đa tác nhân. Lấy tài liệu Python chính thức của LangGraph bao gồm máy trạng thái, thiết kế tác nhân dựa trên đồ thị và các mẫu có sự can thiệp của con người. Ưu tiên tài liệu phù hợp theo loại truy vấn: hướng dẫn triển khai cho câu hỏi cách làm, trang khái niệm cho lý thuyết, hướng dẫn cho ví dụ từ đầu đến cuối và tham chiếu API cho chi tiết kỹ thuật. Tự động chọn 2–4 URL tài liệu phù hợp nhất và truy xuất nội dung của chúng để trả lời...

Sử dụng kỹ năng này cho các yêu cầu liên quan đến LangGraph để tìm nạp tài liệu liên quan nhằm cung cấp hướng dẫn chính xác và cập nhật.

Khung đồ thị có hướng để xây dựng quy trình tác nhân đa bước, có trạng thái với kiểm soát chi tiết. StateGraph với lược đồ trạng thái được định kiểu, bộ giảm để tích lũy danh sách/giá trị và các nút trả về cập nhật trạng thái một phần. Các cạnh tĩnh cho luồng cố định, cạnh có điều kiện để rẽ nhánh và Command để kết hợp cập nhật trạng thái với định tuyến động. API Send để song song hóa phân luồng đến các nút công nhân với tổng hợp kết quả qua bộ giảm. Invoke cho thực thi đơn lẻ và các chế độ luồng (giá trị, cập nhật,...)

KHI SỬ DỤNG KỸ NĂNG NÀY khi viết BẤT KỲ mã LangGraph nào. Bao gồm StateGraph, lược đồ trạng thái, node, cạnh, Command, Send, invoke, streaming và xử lý lỗi.

Tạm dừng thực thi đồ thị để con người xem xét, phê duyệt hoặc xác thực, sau đó tiếp tục với đầu vào của họ. Yêu cầu ba thành phần: một bộ kiểm tra điểm dừng (InMemorySaver hoặc PostgresSaver), một ID luồng trong cấu hình và tải trọng ngắt có thể tuần tự hóa JSON. interrupt(value) tạm dừng và hiển thị dữ liệu; Command(resume=value) tiếp tục và trả về giá trị đó cho nút đã tạm dừng. Tất cả mã trước interrupt() sẽ thực thi lại khi tiếp tục, vì vậy các tác dụng phụ phải có tính chất đơn giản (sử dụng upsert, không phải insert). Hỗ trợ quy trình phê duyệt,...

KỸ NĂNG NÀY được gọi khi triển khai các mẫu có sự tham gia của con người, tạm dừng để phê duyệt hoặc xử lý lỗi trong LangGraph. Bao gồm interrupt(), Command(resume=...),…

KHI NÀO CẦN GỌI KỸ NĂNG NÀY khi LangGraph của bạn cần duy trì trạng thái, ghi nhớ các cuộc hội thoại, duyệt qua lịch sử hoặc cấu hình phạm vi bộ kiểm tra đồ thị con.

Thực thi đồ thị bền vững với các điểm kiểm tra theo luồng, lịch sử trạng thái và bộ nhớ dài hạn xuyên luồng. Ba tùy chọn điểm kiểm tra: InMemorySaver để kiểm thử, SqliteSaver cho phát triển cục bộ, PostgresSaver cho sản xuất; luôn truyền thread_id trong cấu hình để kích hoạt tính bền vững. Duyệt và phát lại từ các điểm kiểm tra trước đó bằng get_state_history(), rẽ nhánh thực thi bằng cách cập nhật trạng thái tại một điểm trong quá khứ, hoặc sửa đổi trạng thái thủ công trước khi tiếp tục. Store API cung cấp bộ nhớ xuyên luồng cho người dùng...

GỌI KỸ NĂNG NÀY khi tạo bộ dữ liệu đánh giá từ trace HOẶC tải bộ dữ liệu lên LangSmith HOẶC truy vấn bộ dữ liệu. Bao gồm các loại bộ dữ liệu (final_response,…

GỌI KỸ NĂNG NÀY khi xây dựng pipeline đánh giá cho LangSmith. Bao gồm ba thành phần cốt lõi: (1) Tạo Evaluators - LLM-as-Judge, mã tùy chỉnh; (2)…

GỌI KỸ NĂNG NÀY khi làm việc với tính năng theo dõi LangSmith hoặc truy vấn các dấu vết. Bao gồm việc thêm tính năng theo dõi vào ứng dụng và truy vấn/xuất dữ liệu dấu vết. Chứa…

Tạo các bộ đánh giá dựa trên mã cho các tác nhân được theo dõi bởi LangSmith. Sử dụng khi xây dựng logic đánh giá tùy chỉnh, kiểm tra các mẫu sử dụng công cụ hoặc chấm điểm đầu ra của tác nhân…

GỌI KỸ NĂNG NÀY khi tạo bộ dữ liệu đánh giá từ trace HOẶC tải bộ dữ liệu lên LangSmith HOẶC truy vấn bộ dữ liệu. Bao gồm các loại bộ dữ liệu (final_response,…)

Tạo, quản lý và tải lên các bộ dữ liệu đánh giá lên LangSmith để kiểm thử và xác thực. Hỗ trợ bốn loại bộ dữ liệu: final_response (hội thoại đầy đủ), single_step (hành vi nút riêng lẻ), trajectory (chuỗi gọi công cụ) và RAG (câu hỏi/đoạn/câu trả lời/trích dẫn). Các lệnh CLI cho vòng đời bộ dữ liệu: tạo, liệt kê, lấy, xóa, xuất và tải lên từ tệp JSON cục bộ. Tạo bộ dữ liệu dựa trên SDK bằng Python và JavaScript với ví dụ lập trình thêm vào. Quản lý ví dụ...

GỌI KỸ NĂNG NÀY khi tạo bộ dữ liệu đánh giá, tải bộ dữ liệu lên LangSmith hoặc quản lý các bộ dữ liệu hiện có. Bao gồm các loại bộ dữ liệu (final_response,…)

GỌI KỸ NĂNG NÀY khi xây dựng pipeline đánh giá cho LangSmith. Bao gồm ba thành phần cốt lõi: (1) Tạo Evaluator - LLM-as-Judge, mã tùy chỉnh; (2)…

Xây dựng pipeline đánh giá cho LangSmith với LLM-as-Judge và bộ đánh giá mã tùy chỉnh. Ba thành phần cốt lõi: tạo bộ đánh giá (LLM-as-Judge hoặc mã tùy chỉnh), định nghĩa hàm chạy để thu thập đầu ra và quỹ đạo của agent, và chạy đánh giá cục bộ hoặc tự động chạy thông qua bộ đánh giá đã tải lên. Hỗ trợ cả bộ đánh giá ngoại tuyến (so sánh đầu ra chạy với các mẫu dataset) và bộ đánh giá trực tuyến (kiểm tra chất lượng thời gian thực trên các lần chạy sản xuất). Yêu cầu khóa API LangSmith và dự án...

GỌI KỸ NĂNG NÀY khi xây dựng pipeline đánh giá cho LangSmith. Bao gồm ba thành phần cốt lõi: (1) Tạo Evaluator - LLM-as-Judge, mã tùy chỉnh; (2)…

Truy xuất các dấu vết LangSmith để gỡ lỗi hành vi của tác nhân. Sử dụng khi khắc phục sự cố tác nhân, xem lại lịch sử hội thoại hoặc điều tra các lệnh gọi công cụ.

GỌI KỸ NĂNG NÀY khi làm việc với tính năng theo dõi LangSmith hoặc truy vấn các dấu vết. Bao gồm việc thêm tính năng theo dõi vào ứng dụng và truy vấn/xuất dữ liệu dấu vết. Sử dụng…

GỌI KỸ NĂNG NÀY khi làm việc với tính năng theo dõi LangSmith hoặc truy vấn dấu vết. Bao gồm việc thêm tính năng theo dõi vào ứng dụng và truy vấn/xuất dữ liệu dấu vết. Chứa…

Thêm tính năng theo dõi vào các ứng dụng LangChain/LangGraph và truy vấn dữ liệu theo dõi qua CLI để gỡ lỗi và tạo tập dữ liệu. Theo dõi tự động cho các ứng dụng LangChain/LangGraph với biến môi trường; theo dõi thủ công qua decorator @traceable và wrap_openai() cho các framework khác trong Python và TypeScript. Truy vấn các trace (cây thực thi hoàn chỉnh) hoặc run (các nút riêng lẻ) bằng CLI langsmith với bộ lọc theo thời gian, độ trễ, lỗi, thẻ và siêu dữ liệu tùy chỉnh. Xuất trace sang tệp JSONL giữ nguyên cấu trúc phân cấp;...

GỌI KỸ NĂNG NÀY khi làm việc với tính năng theo dõi LangSmith hoặc truy vấn dấu vết. Bao gồm việc thêm tính năng theo dõi vào ứng dụng và truy vấn/xuất dữ liệu dấu vết. Sử dụng…

Phân chia một nhiệm vụ lập trình thành kế hoạch triển khai có cấu trúc với các bước rõ ràng, xác định tệp tin và đánh giá rủi ro.

Viết và thực thi các truy vấn SQL từ SELECT đơn giản đến JOIN nhiều bảng phức tạp, tổng hợp và truy vấn con. Sử dụng khi người dùng yêu cầu truy vấn cơ sở dữ liệu,…

Các mẫu component React hiện đại với hooks và TypeScript

Xem lại cuộc trò chuyện hiện tại và ghi lại kiến thức có giá trị — các phương pháp hay nhất, quy ước mã hóa, quyết định kiến trúc, quy trình làm việc và phản hồi của người dùng —…

Liệt kê các bảng, mô tả cột và kiểu dữ liệu, xác định mối quan hệ khóa ngoại, và ánh xạ mối quan hệ thực thể trong cơ sở dữ liệu. Sử dụng khi người dùng hỏi về…

Hướng dẫn tạo kỹ năng hiệu quả để mở rộng khả năng của tác nhân với kiến thức chuyên môn, quy trình làm việc hoặc tích hợp công cụ. Sử dụng kỹ năng này khi người dùng…

Hướng dẫn tạo kỹ năng hiệu quả để mở rộng khả năng của tác nhân với kiến thức chuyên môn, quy trình làm việc hoặc tích hợp công cụ. Sử dụng kỹ năng này khi người dùng…

Soạn thảo bài đăng mạng xã hội theo từng nền tảng với nội dung dựa trên nghiên cứu và hình ảnh đồng hành được tạo tự động. Hỗ trợ bài đăng LinkedIn (1.300 ký tự với giọng văn chuyên nghiệp) và chuỗi Twitter/X (280 ký tự mỗi tweet theo định dạng 1/🧵). Yêu cầu ủy quyền nghiên cứu cho một trợ lý phụ trước khi viết, sau đó đọc lại kết quả để đảm bảo độ chính xác và phù hợp. Tự động tạo hình ảnh mạng xã hội bắt mắt bằng công cụ generate_social_image với bố cục đậm, tương phản cao, tối ưu cho kích thước nhỏ...

Phân phối một loạt tác vụ đến các tác tử con song song với độ đồng thời có giới hạn. Trả về một đối tượng tóm tắt với {total, completed, failed, results[]} — lặp qua…

Các phương pháp thực hành tốt nhất cho kiểm thử đơn vị và kiểm thử tích hợp

Điều phối nghiên cứu web đa nguồn bằng cách ủy quyền cho các tác nhân phụ, tổng hợp kết quả và tạo báo cáo có trích dẫn. Chia câu hỏi nghiên cứu thành 2–5 chủ đề phụ riêng biệt, tạo tệp kế hoạch nghiên cứu và khởi tạo tối đa 3 tác nhân phụ song song để điều tra hiệu quả. Mỗi tác nhân phụ thực hiện 3–5 lượt tìm kiếm web cho mỗi chủ đề phụ và ghi kết quả vào tệp cục bộ với các sự kiện chính, trích dẫn và URL nguồn. Tổng hợp kết quả bằng cách đọc các tệp kết quả cục

Sử dụng kỹ năng này cho các yêu cầu liên quan đến nghiên cứu web; nó cung cấp một cách tiếp cận có cấu trúc để thực hiện nghiên cứu web toàn diện