本技能面向使用 Python 开发 LangChain、LangGraph 及 LLM 应用的开发者，提供专家级指导。强调编写简洁、技术性强的回答并配以准确的 Python 示例；采用函数式、声明式编程，尽量避免类；优先迭代与模块化而非重复代码；变量命名使用带辅助动词的描述性名称（如 is_active、has_context）；严格遵循 PEP 8 风格。
代码组织方面，建议按功能划分逻辑模块，目录结构包括 chains（链定义）、agents（智能体配置与工具）、tools（自定义工具实现）、memory（记忆与状态管理）、prompts（提示模板与管理）、retrievers（RAG 与检索组件）、callbacks（自定义回调处理器）、utils（工具函数）、tests（测试文件）和 config（配置文件）。命名约定为：文件、函数和变量使用 snake_case，类使用 PascalCase，私有函数以下划线为前缀，并使用能体现用途的描述性名称（如 create_retrieval_chain、build_agent_executor）。
LangChain 表达式语言（LCEL）部分，介绍使用管道操作符（|）组合链，优先使用 RunnableSequence 和 RunnableParallel 处理复杂工作流，并通过 RunnableLambda 实现恰当的错误处理，示例展示了将检索器、提示、LLM 和输出解析器用管道串联的写法。最佳实践包括：单输入用 invoke()、多输入用 batch()、实时流式输出用 stream()、运行时配置用 with_config()、为可运行对象附加工具或函数用 bind()。
智能体与工具部分，说明使用 @tool 装饰器定义工具并配清晰的文档字符串，为所有工具参数添加类型提示，实现输入验证，尽量返回结构化输出；示例使用 Pydantic 的 BaseModel 与 Field 定义参数结构。智能体配置建议根据模型能力选用 create_react_agent 或 create_tool_calling_agent，实现带最大迭代次数的智能体执行器，添加回调用于监控与调试，复杂工具交互使用结构化聊天智能体。
记忆与状态管理部分，会话记忆可用 ConversationBufferMemory（短对话）、ConversationSummaryMemory（长对话）、ConversationBufferWindowMemory（固定长度历史），生产环境使用持久化存储后端（Redis、PostgreSQL）。LangGraph 状态方面，使用 TypedDict 定义显式状态模式，为复杂状态更新实现状态归约器，使用检查点支持可恢复工作流，并跨会话处理状态持久化；示例展示了用 Annotated 与 add 定义消息列表状态的 AgentState 以及 StateGraph 的初始化。
RAG 部分涵盖三方面：文档处理建议使用合适的文本分割器（RecursiveCharacterTextSplitter、MarkdownTextSplitter），实现带重叠的合适分块大小，分割时保留元数据，按文件类型选用文档加载器；向量存储建议按规模需求选择，实现嵌入缓存，条件允许时使用混合搜索（稠密+稀疏），配置合适的相似度度量；检索策略包括多查询检索、上下文压缩降噪、父文档检索以及重排序以提升相关性。
LangSmith 集成方面，监控部分建议通过 LANGCHAIN_TRACING_V2=true 启用追踪，为运行添加名称便于识别，实现自定义元数据用于过滤，使用标签分类；调试部分建议查看追踪以定位性能瓶颈，分析 token 使用模式，监控链各组件的延迟，并为错误率设置告警。
错误处理建议实现带指数退避的重试逻辑，优雅处理 LLM 提供方的速率限制，为关键路径使用回退链，记录带足够上下文的错误；示例展示了使用 RunnableWithFallbacks 的 with_fallbacks 方法处理 RateLimitError 和 TimeoutError。性能优化建议对 I/O 密集型操作使用异步方法（ainvoke、abatch），对昂贵操作实现缓存，尽可能批量请求，使用流式输出提升用户体验。测试方面，为单个链组件编写单元测试，为完整链实现集成测试，单元测试中对 LLM 调用使用模拟，并测试边界情况与错误条件。依赖清单包括：langchain、langchain-core、langchain-community、langgraph、langsmith、python-dotenv、pydantic。