Mastering LangGraph Agent Skill — Installer & Démo en direct

Pourquoi l'utiliser

Fonctionnalités clés

Neuf guides de référence approfondis (API principale, ReAct, branchement, persistance, HITL, multi-agent, déploiement, débogage, intro)
Huit modèles canoniques allant du mono-agent au multi-agent jusqu'à la production
Plus de 150 liens vers des documents officiels LangGraph pour des analyses approfondies faisant autorité
Installable via Skilz avec une portée globale ou par projet
Agent Skill Standard – fonctionne avec plus de 14 agents de codage, pas seulement Claude

Démo en direct

Aperçu en pratique

mastering-langgraph-skill.replay ▶ prêt

0/0

Installation

Dépôt de l’auteur · Documentation officielle des Skills Claude

Cas d'usage

Usages concrets : Mastering LangGraph Agent Skill

Échafauder un outil utilisant l'agent ReAct avec un point de contrôle

👤 Les développeurs Python démarrent un nouveau projet LangGraph ⏱ ~45 min intermediate

Quand l'utiliser : Vous voulez un agent de boucle d'outils fonctionnel comme point de départ, pas un énième cahier vierge.

Prérequis

Python 3.10+ et pip — pyenv ou système Python
LangGraph + noyau LangChain — pip installer langgraph langchain-core

Déroulement

Demandez l'échafaudage ReAct

Échafaudez un agent ReAct avec deux outils (recherche + calculatrice) et un point de contrôle MemorySaver.✓ Copié

→ Code exécutable avec graphique, outils et point de contrôle câblés
Courez et traversez

Exécutez-le avec thread_id='thread-1' et montrez-moi l'état à chaque étape.✓ Copié

→ Les instantanés d'état par étape confirment que la boucle fonctionne

Résultat : Un agent en cours d'exécution que vous pouvez étendre au lieu de repartir de zéro.

Pièges

Utiliser InMemorySaver en production — Passez au point de contrôle Postgres avant l'expédition ; le guide couvre l'échange

Combiner avec : fastmcp

Créez un pipeline en plusieurs étapes avec un routage conditionnel

👤 Les ingénieurs backend remplacent les chaînes ad hoc par des graphiques tapés ⏱ ~60 min intermediate

Quand l'utiliser : Votre flux de travail comporte des branches (classifier → itinéraire → spécialiser → finaliser) et vous souhaitez un état explicite.

Déroulement

Décrire les succursales

Rédigez un LangGraph pour : classer l'intention → acheminer vers le résumé ou les questions et réponses → finaliser avec des citations.✓ Copié

→ Diagramme graphique et code ; bords conditionnels explicites
Ajouter des points de contrôle

Ajoutez un point de contrôle pour reprendre le travail à mi-chemin.✓ Copié

→ L'état persistait entre les invocations

Résultat : Un pipeline typé pouvant être testé et repris.

Pièges

Traiter chaque nœud comme un appel LLM — Les nœuds Python purs non LLM sont souvent plus clairs et moins chers

Combiner avec : langsmith-fetch-skill

Pause pour l'approbation humaine avant une action risquée

👤 Équipes exécutant des agents sur des systèmes de production ⏱ ~30 min intermediate

Quand l'utiliser : L’agent est sur le point de dépenser de l’argent, d’envoyer un e-mail à quelqu’un ou de changer d’état – vous voulez un point de contrôle humain.

Déroulement

Ajouter un nœud d'interruption

Insérez une interruption d'approbation humaine avant le nœud « send_email » ; montrer comment reprendre.✓ Copié

→ interruption_avant le câblage + effacement de l'API de reprise
Tester les chemins d'approbation et de rejet

Écrivez un script qui teste à la fois les flux d'approbation et de rejet.✓ Copié

→ Deux voies exercées proprement

Résultat : Les humains franchissent l’étape risquée ; les actions approuvées se déroulent jusqu'à leur terme.

Pièges

Oublier de conserver l'état pendant l'interruption — Les interruptions nécessitent un point de contrôle ; sans ça, la pause ne sert à rien

Combiner avec : linear

Concevoir une configuration multi-agents superviseur ou essaim

👤 Architectes évaluant des modèles multi-agents ⏱ ~90 min advanced

Quand l'utiliser : Un seul agent devient confus ou trop gros ; vous envisagez des modèles d'orchestration.

Déroulement

Parcourez les compromis

Comparez le superviseur et l'essaim pour une équipe de chercheurs + codeurs + réviseurs.✓ Copié

→ Avantages/inconvénients clairs ; quand choisir chacun
Pioche et échafaudage

Échafaudez le modèle choisi avec les trois agents.✓ Copié

→ Code exécutable avec logique de routage/transfert

Résultat : Un choix de principe de modèle multi-agent avec code en cours d’exécution.

Pièges

Adoption de plusieurs agents avant qu'un seul agent ait été débogué — Démarrer un agent unique ; divisez-vous uniquement lorsque vous atteignez des limites concrètes

Combiner avec : server-mas-sequential-thinking

Faites passer un LangGraph de l'ordinateur portable à la production

👤 Caractéristiques des agents maritimes des ingénieurs ⏱ ~60 min advanced

Quand l'utiliser : Vous disposez d'un graphique fonctionnel et avez besoin d'un véritable plan de déploiement.

Déroulement

Choisissez la cible de déploiement

Comparez Docker + LangGraph Platform et auto-hébergé ; recommander pour une petite équipe.✓ Copié

→ Recommandation concrète avec des compromis coûts/opérations
Traçage des fils

Ajoutez le traçage LangSmith avec la portée du projet.✓ Copié

→ Traces visibles dans LangSmith avec le nom de projet approprié

Résultat : Un chemin de déploiement que vous pouvez montrer à une équipe de plateforme.

Combiner avec : cloud-run

Combinaisons

Associez-le à d'autres MCPs pour un effet X10

mastering-langgraph-skill + fastmcp

Enveloppez votre LangGraph en tant que serveur MCP pour que d'autres agents puissent le consommer

Exposez le graphique actuel en tant qu'outil MCP via fastmcp.✓ Copié

mastering-langgraph-skill + langsmith-fetch-skill

Récupérez les traces pour le débogage et réinjectez-les dans la conversation

Obtenez les 10 dernières traces pour le projet « agent de production » et les modèles de défaillance de surface.✓ Copié

mastering-langgraph-skill + server-mas-sequential-thinking

Combinez des modèles de pensée séquentielle multi-agents avec l'orchestration LangGraph

Mappez le graphique de votre superviseur sur un modèle MAS à pensée séquentielle.✓ Copié

Outils

Ce que ce MCP expose

Outil	Entrées	Quand appeler	Coût
skill: mastering-langgraph	natural-language LangGraph questions and tasks	Chaque fois que vous créez ou déboguez un LangGraph	0

Coût et limites

Coût d'exécution

Quota d'API: Aucun pour la compétence ; votre fournisseur LLM facture les appels sous-jacents
Tokens par appel: Cela dépend des sections que les compétences chargent – les questions étroites restent petites
Monétaire: Compétence gratuite ; les frais du fournisseur (OpenAI/Anthropic/etc.) s'appliquent
Astuce: Posez des questions ciblées « comment puis-je <X> dans LangGraph ». Le vaste « apprenez-moi LangGraph » contient d'énormes sections de référence.

Sécurité

Permissions, secrets, portée

Stockage des identifiants : Aucun dans la compétence ; vos propres informations d'identification LLM et outils restent dans votre gestionnaire d'environnement/secret

Sortie de données : Le contenu des compétences est local. Toute sortie provient du code que vous exécutez (appels d'outils, LangSmith).

Les API LangGraph évoluent rapidement. Vérifiez les exemples de compétences avec la version actuelle de LangGraph avant l'expédition.

Dépannage

Erreurs courantes et correctifs

L'installation de Skilz échoue avec « dépôt introuvable »

Utilisez l'indicateur -g avec l'URL GitHub complète, et non le chemin court SkillzWave, si la place de marché n'est pas configurée.

Vérifier : pip show skilz && skilz list -g

Le code graphique s'exécute localement mais s'interrompt lors du déploiement

Habituellement, choix du point de contrôle : InMemorySaver ne survivra pas à un redémarrage. Basculez vers Postgres ou Redis selon la section de déploiement.

Vérifier : Inspect the checkpointer type in your code

Traces LangSmith manquantes

Définissez LANGSMITH_API_KEY et LANGCHAIN_PROJECT avant d'appeler le graphique.

Vérifier : echo $LANGSMITH_API_KEY | head -c 5

Alternatives

Mastering LangGraph Agent Skill vs autres

Alternative	Quand l'utiliser	Compromis
mcp-agent	Vous souhaitez des modèles d'agent natifs MCP plutôt que LangGraph	Cadre différent, écosystème différent
server-mas-sequential-thinking	Vous voulez un serveur de pensée séquentielle multi-agents prêt à l'emploi	Moins flexible que la construction dans LangGraph
agent-langchainjs	Vous êtes sur JS/TS, pas sur Python	Cible linguistique différente

Plus

Ressources

📖 Lire le README officiel sur GitHub

🐙 Voir les issues ouvertes

🔍 Parcourir les 400+ serveurs MCP et Skills