ecosystem-primer
LangChain 生态入门技能，用于在编写任何 LangChain、LangGraph 或 Deep Agents 代码前先确定应使用的层级与后续技能。它梳理四层工具定位、选型顺序、环境变量、文档查阅方式与技能加载路径。
Skill 广场
找到适合任务的 Agent Skill，阅读介绍并复制安装命令。
更新于 11-14 00:15
智能体与模型
26,326 个结果
eval-engineering
Eval Engineering 是 LangChain 技能库中的评测工程流程技能，用于检查智能体仓库与可选轨迹、访谈用户、编写经审阅的 Task Spec、构建并审计 Harbor 任务，并引导可复用的项目 World Knowledge Skill。
framework-selection
LangChain 官方技能，用于在 LangChain/LangGraph/Deep Agents 项目开始前选择合适框架层。按任务复杂度依次判断：需子任务拆分、文件管理、持久记忆或按需技能选 Deep Agents；需循环、分支、并行或人工介入选 LangGraph；单一用途智能体或纯链式调用选 LangChain。
langchain-fundamentals
LangChain 官方技能资料，讲解用 create_agent 构建智能体、定义工具、配置中间件实现人工审批与错误处理，并涵盖结构化输出、模型配置、状态持久化与常见错误规避。
langchain-middleware
LangChain 中间件技能，用于为智能体加入人工审批（Human-in-the-Loop）、自定义中间件与结构化输出控制，支持在危险工具调用前暂停并等待 approve、edit、reject 决策。
langchain-rag
LangChain 的 RAG 技能，用于构建检索增强生成系统。覆盖文档加载、文本切分、OpenAI 嵌入、向量存储与检索，并提供 Python 与 JavaScript 的完整流水线示例及常见配置与安全注意事项。
langgraph-fundamentals
LangGraph 基础技能，用于编写任意 LangGraph 代码，涵盖 StateGraph、状态模式、节点、边、Command、Send、invoke、流式输出与错误处理。
langgraph-human-in-the-loop
LangGraph 人在回路（human-in-the-loop）技能，用于在图中暂停等待人工审批、收集输入或处理可修复错误。核心是 interrupt() 暂停、Command(resume=...) 恢复，需配合 checkpointer 与 thread_id。
langgraph-persistence
LangGraph 持久化技能：为 LangGraph 图配置检查点（checkpointer）与存储（store），实现状态保存、对话记忆、历史回溯与子图作用域控制。
managed-deep-agents
Managed Deep Agents 是 LangSmith 上托管运行代码优先 Deep Agents 的运行时。用 Python 或 TypeScript 编写 agent，本地用 mda dev 测试，再通过 mda deploy 或 GitHub 部署，获得持久运行、沙箱、记忆、追踪等托管能力。目前处于公开测试阶段，仅限美国 LangSmith Cloud。
swarm
Swarm 是 LangChain 技能中的一个并行任务处理工具：把大量独立条目建表，按行派发给子代理或直接模型调用，再合并结果。一行即一个工作单元，适合分类、抽取、批量审查等场景。
langsmith-evaluator
用于在 LangSmith 中构建评测流水线的技能，覆盖 LLM-as-Judge 与自定义代码评测器的创建、上传与管理，支持离线（数据集）与在线（项目）评测，并包含 CLI/SDK 认证与安全使用说明。
agent-graphs
用于在 LaunchDarkly 中创建和管理代理图（agent graphs）的 AI 技能：以配置为节点、以边定义路由与交接，支持多智能体工作流的拓扑设计与验证。需配置远程托管的 LaunchDarkly MCP 服务器。
aiconfig-agent-graphs
该技能已弃用并重定向：原名 aiconfig-agent-graphs 已更名为 agent-graphs，现有页面仅用于兼容旧引用，不应再调用本技能，而应改用 agent-graphs。
built-in-metrics
该技能用于为现有代码库接入 LaunchDarkly 配置追踪与智能体指标埋点，按四层阶梯（托管 runner、提供方包、自定义提取器、手动）选择最合适的方案，采集时长、输入输出 token、成功/错误以及流式 TTFT 等监控指标。
configs-create
该技能用于在 LaunchDarkly 中创建并配置 AI config，帮助选择 agent 或 completion 模式、创建 config 及带模型与提示词的 variation，并验证结果。需配置 LaunchDarkly MCP 服务器，创建后还需通过 targeting 步骤才能让 SDK 真正启用。
configs-update
用于更新、归档和删除 LaunchDarkly 配置及其变体，需要远程托管的 LaunchDarkly MCP 服务器。可先评估配置健康状态，再修改名称、描述、标签、模型、提示词或参数，并支持归档（可逆）与永久删除。
configs-variations
用于通过创建和管理变体来实验 AI 配置的技能，帮助测试不同模型、提示词和参数以找到最佳组合。需配置 LaunchDarkly MCP 服务器，并依赖 clone-ai-config-variation 等 MCP 工具。
mcp-configure
LaunchDarkly 托管 MCP 服务器的配置技能，用于在引导流程中接入 MCP 工具，通过 OAuth 认证，无需 API 密钥。支持 Cursor、Claude Code、GitHub Copilot、Windsurf 等兼容 MCP 的编码代理。
onboarding
LaunchDarkly 的脚本化入门技能，按固定顺序静默执行：扫描项目、安装 SDK、创建首个功能开关并现场演示开关生效，最后才可选配置 MCP。改动放在分支上不提交，需用户确认。
online-evals
为 LaunchDarkly AI 配置变体挂载评判器（judge），用 LLM-as-a-judge 自动打分（0.0–1.0），支持自定义评判器、采样率与质量分数监控。
snippets
LaunchDarkly 的提示片段（Prompt Snippets）技能，用于在项目中创建和管理可复用的提示文本块，如人设、护栏、输出格式与领域知识，并在配置变体中引用，保持多处提示一致。需配置远程托管的 LaunchDarkly MCP 服务器。
tools
LaunchDarkly AI 工具技能：通过函数调用为智能体添加能力，指导识别需求、创建工具定义、附加到配置变体并验证。需配置远程 LaunchDarkly MCP 服务器。
unlazy
Unlazy 是一个用于约束自主工作完成度的技能：在执行前先写验收门（GATES.md），用 Depth Tree 分解任务，并通过账本与命令校验证明结果，而不是依赖自信的“已完成”报告。