Mastering LangGraph Agent Skill — Installieren & Live-Demo

Warum nutzen

Hauptfunktionen

Neun umfassende Referenzhandbücher (Kern-API, ReAct, Verzweigung, Persistenz, HITL, Multi-Agent, Bereitstellung, Debug, Einführung)
Acht kanonische Muster, die von Einzelagenten über Multiagenten bis hin zur Produktion reichen
Über 150 Links zu offiziellen LangGraph-Dokumenten für ausführliche Einblicke
Installierbar über Skillz mit globalem oder projektspezifischem Geltungsbereich
Agent Skill Standard – funktioniert mit mehr als 14 Codierungsagenten, nicht nur mit Claude

Live-Demo

In der Praxis

mastering-langgraph-skill.replay ▶ bereit

0/0

Installation

Repository des Autors · Offizielle Dokumentation zu Claude Skills

Anwendungsfälle

Praxisnahe Nutzung: Mastering LangGraph Agent Skill

Erstellen Sie ein Gerüst für einen ReAct-Agenten, der ein Tool verwendet, mit einem Prüfpunkt

👤 Python-Entwickler starten ein neues LangGraph-Projekt ⏱ ~45 min intermediate

Wann einsetzen: Sie möchten einen funktionierenden Tool-Loop-Agenten als Ausgangspunkt und nicht noch ein weiteres leeres Notizbuch.

Voraussetzungen

Python 3.10+ und pip — pyenv oder System-Python
LangGraph + LangChain-Kern — pip install langgraph langchain-core

Ablauf

Fragen Sie nach dem ReAct-Gerüst

Erstellen Sie ein Gerüst für einen ReAct-Agenten mit zwei Tools (Suche + Rechner) und einem MemorySaver-Checkpointer.✓ Kopiert

→ Ausführbarer Code mit verkabeltem Diagramm, Tools und Checkpointer
Laufen und durchschreiten

Führen Sie es mit thread_id='thread-1' aus und zeigen Sie mir den Status bei jedem Schritt.✓ Kopiert

→ Status-Snapshots pro Schritt bestätigen, dass die Schleife funktioniert

Ergebnis: Ein laufender Agent, den Sie erweitern können, anstatt bei Null zu beginnen.

Fallstricke

Verwendung von InMemorySaver in der Produktion — Wechseln Sie vor dem Versand zum Postgres-Checkpointer. Der Leitfaden deckt den Tausch ab

Kombinieren mit: fastmcp

Erstellen Sie eine mehrstufige Pipeline mit bedingtem Routing

👤 Backend-Ingenieure ersetzen Ad-hoc-Ketten durch typisierte Diagramme ⏱ ~60 min intermediate

Wann einsetzen: Ihr Workflow verfügt über Verzweigungen (Klassifizieren → Weiterleiten → Spezialisieren → Abschließen) und Sie möchten einen expliziten Status.

Ablauf

Beschreiben Sie die Zweige

Entwerfen Sie einen LangGraph für: Absicht klassifizieren → Weiterleitung an Zusammenfassung oder Fragen und Antworten → Abschluss mit Zitaten.✓ Kopiert

→ Diagramm und Code; explizite bedingte Kanten
Checkpointing hinzufügen

Fügen Sie einen Prüfpunkt hinzu, damit die Arbeit mitten im Prozess fortgesetzt wird.✓ Kopiert

→ Der Zustand blieb zwischen den Aufrufen bestehen

Ergebnis: Eine typisierte Pipeline, die testbar und fortsetzbar ist.

Fallstricke

Jeder Knoten wird als LLM-Aufruf behandelt — Reine Nicht-LLM-Python-Knoten sind oft klarer und günstiger

Kombinieren mit: langsmith-fetch-skill

Warten Sie vor einer riskanten Aktion auf die menschliche Zustimmung

👤 Teams führen Agenten gegen Produktionssysteme aus ⏱ ~30 min intermediate

Wann einsetzen: Der Agent ist im Begriff, Geld auszugeben, jemandem eine E-Mail zu senden oder den Status zu ändern – Sie möchten einen menschlichen Kontrollpunkt.

Ablauf

Fügen Sie einen Interrupt-Knoten hinzu

Fügen Sie vor dem Knoten „send_email“ einen Interrupt für die menschliche Genehmigung ein. zeigen, wie man fortfährt.✓ Kopiert

→ interrupt_before wiring + Lebenslauf-API löschen
Testen Sie die Pfade zum Genehmigen und Ablehnen

Schreiben Sie ein Skript, das sowohl Genehmigungs- als auch Ablehnungsflüsse testet.✓ Kopiert

→ Zwei Wege sauber geübt

Ergebnis: Der Mensch wagt den riskanten Schritt; genehmigte Maßnahmen werden bis zum Abschluss ausgeführt.

Fallstricke

Es wurde vergessen, den Status über den Interrupt hinweg beizubehalten — Interrupts benötigen einen Checkpointer; Ohne sie ist die Pause nutzlos

Kombinieren mit: linear

Entwerfen Sie ein Supervisor-oder-Schwarm-Setup mit mehreren Agenten

👤 Architekten bewerten Multi-Agent-Muster ⏱ ~90 min advanced

Wann einsetzen: Ein einzelner Agent wird verwirrt oder ist zu groß; Sie erwägen Orchestrierungsmuster.

Ablauf

Gehen Sie die Kompromisse durch

Vergleichen Sie Supervisor und Schwarm für ein Team aus Forschern, Programmierern und Prüfern.✓ Kopiert

→ Klare Vor- und Nachteile; wann jeweils ausgewählt werden soll
Pick und Gerüst

Erstellen Sie mit den drei Agenten ein Gerüst für das gewählte Muster.✓ Kopiert

→ Ausführbarer Code mit Routing-/Übergabelogik

Ergebnis: Eine prinzipielle Wahl eines Multi-Agent-Musters mit laufendem Code.

Fallstricke

Einführung mehrerer Agenten, bevor ein einzelner Agent debuggt wurde — Einzelagent starten; Splitten Sie nur, wenn Sie konkrete Grenzen erreichen

Kombinieren mit: server-mas-sequential-thinking

Bringen Sie einen LangGraph vom Laptop in die Produktion

👤 Funktionen von Ingenieuren für Spediteure ⏱ ~60 min advanced

Wann einsetzen: Sie haben ein funktionierendes Diagramm und benötigen einen echten Bereitstellungsplan.

Ablauf

Wählen Sie das Bereitstellungsziel aus

Vergleichen Sie die Docker + LangGraph-Plattform mit der selbst gehosteten Plattform. Empfohlen für ein kleines Team.✓ Kopiert

→ Konkrete Empfehlung mit Kosten-/Betriebskompromissen
Kabelverfolgung

Fügen Sie LangSmith-Ablaufverfolgung mit Projektumfang hinzu.✓ Kopiert

→ In LangSmith sichtbare Spuren mit korrektem Projektnamen

Ergebnis: Einen Bereitstellungspfad, den Sie einem Plattformteam zeigen können.

Kombinieren mit: cloud-run

Kombinationen

Mit anderen MCPs für 10-fache Wirkung

mastering-langgraph-skill + fastmcp

Verpacken Sie Ihren LangGraph als MCP-Server, den andere Agenten nutzen können

Stellen Sie das aktuelle Diagramm über fastmcp als MCP-Tool bereit.✓ Kopiert

mastering-langgraph-skill + langsmith-fetch-skill

Rufen Sie Spuren zum Debuggen ab und geben Sie sie zurück in die Konversation

Rufen Sie die letzten 10 Spuren für Projekt-„Prod-Agent“- und Oberflächenfehlermuster ab.✓ Kopiert

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

Kombinieren Sie sequentielle Denkmuster mehrerer Agenten mit LangGraph-Orchestrierung

Ordnen Sie Ihr Supervisor-Diagramm einem sequenziell denkenden MAS-Muster zu.✓ Kopiert

Werkzeuge

Was dieses MCP bereitstellt

Werkzeug	Eingaben	Wann aufrufen	Kosten
skill: mastering-langgraph	natural-language LangGraph questions and tasks	Immer wenn Sie einen LangGraph erstellen oder debuggen	0

Kosten & Limits

Was der Betrieb kostet

API-Kontingent: Keine für die Fähigkeit; Ihr LLM-Anbieter erhebt Gebühren für die zugrunde liegenden Anrufe
Tokens pro Aufruf: Hängt von den Abschnitten ab, die die Fertigkeit beansprucht – schmale Fragen halten sie klein
Kosten in €: Freie Fertigkeit; Es fallen Anbieterkosten an (OpenAI/Anthropic/usw.).
Tipp: Stellen Sie gezielte Fragen zum Thema „Wie mache ich <X> in LangGraph?“. Das umfassende „Teach me LangGraph“ umfasst umfangreiche Referenzabschnitte.

Sicherheit

Rechte, Secrets, Reichweite

Credential-Speicherung: Keiner in der Fertigkeit; Ihre eigenen LLM- und Tool-Anmeldeinformationen bleiben in Ihrem Env/Secret-Manager

Datenabfluss: Der Kompetenzinhalt ist lokal. Jeglicher ausgehende Traffic kommt von dem Code, den Sie ausführen (Toolaufrufe, LangSmith).

LangGraph-APIs entwickeln sich schnell weiter. Vergleichen Sie die Beispiele des Skills vor dem Versand mit der aktuellen LangGraph-Version.

Fehlerbehebung

Häufige Fehler und Lösungen

Die Skilz-Installation schlägt mit „Repo nicht gefunden“ fehl.

Verwenden Sie das Flag -g mit der vollständigen GitHub-URL und nicht mit dem kurzen SkillzWave-Pfad, wenn der Marktplatz nicht konfiguriert ist.

Prüfen: pip show skilz && skilz list -g

Der Diagrammcode wird lokal ausgeführt, bricht jedoch bei der Bereitstellung ab

Normalerweise übersteht die Checkpointer-Auswahl – InMemorySaver einen Neustart nicht. Wechseln Sie gemäß dem Bereitstellungsabschnitt zu Postgres oder Redis.

Prüfen: Inspect the checkpointer type in your code

LangSmith-Spuren fehlen

Legen Sie LANGSMITH_API_KEY und LANGCHAIN_PROJECT fest, bevor Sie das Diagramm aufrufen.

Prüfen: echo $LANGSMITH_API_KEY | head -c 5

Alternativen

Mastering LangGraph Agent Skill vs. andere

Alternative	Wann stattdessen	Kompromiss
mcp-agent	Sie möchten MCP-native Agentenmuster anstelle von LangGraph	Anderer Rahmen, anderes Ökosystem
server-mas-sequential-thinking	Sie möchten einen betriebsbereiten Multi-Agent-Server für sequentielles Denken	Weniger flexibel als das Erstellen in LangGraph
agent-langchainjs	Sie verwenden JS/TS, nicht Python	Anderes Sprachziel

Mehr

Ressourcen

📖 Offizielle README auf GitHub lesen

🐙 Offene Issues ansehen

🔍 Alle 400+ MCP-Server und Skills durchsuchen