用途：该技能用于回答涉及 LangChain 产品的编码问题，覆盖智能体开发模式、核心原语，以及从基础到进阶的上下文管理，目标是构建生产级智能体。
主要能力：
- 工具选型指引：简单工具调用智能体用 create_agent；需要规划、文件系统与子智能体时用 create_deep_agent；需要自定义控制流、多智能体或高级上下文时用 LangGraph。资料强调旧版辅助函数（如 create_sql_agent、create_tool_calling_agent、create_react_agent）已过时，应使用现代抽象。
- 核心原语：给出 create_agent 的用法示例（模型、工具、system_prompt、invoke），以及用 StateGraph、ToolNode 从零搭建基础 ReAct 循环（agent → tools → agent → END）。自定义工具执行时必须为每个工具调用生成 ToolMessage，且 tool_call_id 必须匹配。
- 路由与人工介入：用 Command 同时更新状态与跳转，用 interrupt 暂停并可通过 graph.invoke(Command(resume=...), config) 恢复。
- 上下文管理策略：子智能体委派（只回传摘要）、文件系统上下文（传路径而非全文）、渐进式消息裁剪（保留系统消息与近期对话，可按 token 裁剪）、摘要压缩（用 override reducer 替换旧消息）、分层状态（工作记忆与长期记忆分离，配合 BaseStore）、动态子智能体上下文隔离（按相关性筛选消息）。
- 多智能体模式：带上下文预算的 supervisor 协调、并行子智能体与结果综合。
- 实践模式：MemorySaver 与 InMemoryStore 实现持久化（thread_id 维持会话连续性）、with_structured_output 保证结构化输出、中间件处理日志等横切关注点。
使用方式：资料以代码示例展示各模式，需按项目实际替换模型、工具与状态定义。
适用场景：SQL 智能体、搜索智能体、问答机器人、工具调用工作流、研究型智能体与多步规划。
限制：资料建议从简单 ReAct 循环起步，仅在确有需要时增加多智能体与高级上下文管理复杂度；未提供收费、价格、平台支持等信息。