用途：该技能面向使用 LangChain 框架设计 LLM 应用，覆盖智能体、链、记忆与工具集成模式，适用于构建自主 AI 智能体、多步 LLM 工作流、对话记忆与状态管理、LLM 与外部数据源及 API 集成、模块化可复用组件、文档处理流水线以及生产级 LLM 应用。
主要能力：智能体方面支持 ReAct、OpenAI Functions、Structured Chat、Conversational、Self-Ask with Search 等类型；链方面支持 LLMChain、SequentialChain、RouterChain、TransformChain、MapReduceChain；记忆方面支持 ConversationBufferMemory、ConversationSummaryMemory、ConversationBufferWindowMemory、EntityMemory、VectorStoreMemory；文档处理涵盖加载器、文本分割器、向量存储、检索器与索引；回调系统用于日志、监控与调试。
使用方式：资料给出快速开始示例，初始化 LLM 后加载工具并创建智能体，例如 from langchain.agents import AgentType, initialize_agent, load_tools；from langchain.llms import OpenAI；from langchain.memory import ConversationBufferMemory；llm = OpenAI(temperature=0)；tools = load_tools(["serpapi", "llm-math"], llm=llm)；memory = ConversationBufferMemory(memory_key="chat_history")；agent = initialize_agent(tools, llm, agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION, memory=memory, verbose=True)；result = agent.run("What's the weather in SF? Then calculate 25 * 4")。还包含 RAG、自定义工具智能体、多步链等架构模式，以及记忆选择、回调处理、测试策略、缓存、批处理与流式响应等实践。
适用场景：需要构建带工具访问的自主智能体、复杂多步 LLM 工作流、对话记忆与状态管理、外部数据与 API 集成、文档处理与检索、生产级 LLM 应用时使用。
限制：资料未提供具体收费、价格、平台支持范围或效果保证；常见陷阱包括记忆溢出、工具选择错误、上下文窗口超限、缺少错误处理与低效检索，生产环境需补充错误处理、日志、令牌与成本监控、超时、限流、输入校验、可观测性与回退策略。