langchain-architecture

Design LLM applications using the LangChain framework with agents, memory, and tool integration patterns. Use when building LangChain applications, implementing AI agents, or creating complex LLM workflows.

1. Zainstaluj skill w swoim projekcie agentowym, dodając go do konfiguracji pluginów dla rozwoju aplikacji LLM. Upewnij się, że masz dostęp do repozytorium i możliwość importowania modułów LangChain.

2. Wybierz typ agenta odpowiadający Twojemu przypadkowi użycia: ReAct dla rozumowania przeplatanego z działaniem, OpenAI Functions dla API function calling, Structured Chat dla narzędzi wielowejściowych, Conversational dla interfejsów czatu, lub Self-Ask with Search do rozkładania złożonych zapytań.

3. Skonfiguruj system pamięci, który będzie przechowywać kontekst rozmowy. Użyj ConversationBufferMemory do przechowywania wszystkich wiadomości, ConversationSummaryMemory do streszczania starszych interakcji, ConversationBufferWindowMemory do utrzymywania ostatnich N wiadomości, EntityMemory do śledzenia informacji o encjach, lub VectorStoreMemory do wyszukiwania na podstawie podobieństwa semantycznego.

4. Zdefiniuj łańcuchy operacji (chains) łączące wywołania LLM z innymi narzędziami. Kombinuj LLMChain dla podstawowych operacji prompt + LLM, SequentialChain dla sekwencji operacji, RouterChain do kierowania danych do specjalistycznych łańcuchów, TransformChain do transformacji danych między etapami, lub MapReduceChain do przetwarzania równoległego.

5. Jeśli pracujesz z dokumentami, skonfiguruj pipeline przetwarzania: załaduj dokumenty za pomocą Document Loaders, transformuj je w wymagany format, a następnie przechowuj w wektorowej bazie danych dla semantycznego wyszukiwania.

6. Zintegruj zewnętrzne źródła danych i API poprzez narzędzia dostępne dla agenta, umożliwiając mu dostęp do aktualnych informacji i wykonywanie działań w systemach zewnętrznych podczas rozwiązywania zadań.