findscripter 何时使用
适用：
- 构建能自主选择工具的 Agent（ReAct、OpenAI Functions、Structured Chat、Conversational、Self-Ask）。
- 编排多步 LLM 工作流（LLMChain / SequentialChain / RouterChain / MapReduce）。
- 管理跨轮对话的上下文与状态（多种 Memory）。
- 把 LLM 接入外部数据/API，做 RAG 文档检索问答。
- 沉淀模块化、可复用的 LLM 应用组件，并推向生产。
不该用（负边界）：
- 任务与 LangChain 框架无关，或只是单次纯 Prompt 调用，无需链/Agent/记忆。
- 需要的是其他领域/工具栈（直接用厂商 SDK、向量库原生 API 等）。
- 缺少必要输入、权限、安全边界或成功标准时，先停下来澄清，不要硬套。
步骤
- 明确目标、约束与必需输入：是问答(RAG)、自主 Agent、还是固定多步流水线？据此选骨架。
- 选 LLM 与温度（确定性任务用
temperature=0）。 - 选 Memory 类型（见下方对照），按对话长度与是否需实体/语义检索决定。
- 定义工具：给每个
@tool写清晰 docstring，工具描述质量直接决定 Agent 选对工具的概率。 - 组装 Agent / Chain，
verbose=True便于调试。 - 挂回调做日志、token 统计、延迟与错误监控。
- 写测试（工具选择、记忆持久化），按生产清单逐项验证后上线。
指令
- 澄清目标、约束与必需输入，再动手。
- 套用对应最佳实践并验证产物（不要把输出当作免测试的成品）。
- 给出可执行步骤与验证方法。
- 缺输入/权限/安全边界/成功标准时停下提问。
Memory 选型对照：
- 短对话(<10 轮)：
ConversationBufferMemory（存全部）。 - 长对话：
ConversationSummaryMemory(llm=llm)（摘要旧消息）。 - 滑动窗口：
ConversationBufferWindowMemory(k=5)（留最近 N 条）。 - 实体跟踪：
ConversationEntityMemory(llm=llm)。 - 语义检索历史：
VectorStoreRetrieverMemory(retriever=retriever)。
示例
快速起步（带工具+记忆的 Conversational Agent）：
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")
RAG 检索问答骨架：
from langchain.chains import RetrievalQA
from langchain.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
documents = TextLoader('documents.txt').load()
texts = CharacterTextSplitter(chunk_size=1000, chunk_overlap=200).split_documents(documents)
vectorstore = Chroma.from_documents(texts, OpenAIEmbeddings())
qa_chain = RetrievalQA.from_chain_type(
llm=llm, chain_type="stuff",
retriever=vectorstore.as_retriever(),
return_source_documents=True,
)
result = qa_chain({"query": "What is the main topic?"})
自定义工具 Agent（docstring 即工具说明）：
from langchain.agents import initialize_agent, AgentType
from langchain.tools import tool
@tool
def search_database(query: str) -> str:
"""Search internal database for information."""
return f"Results for: {query}"
@tool
def send_email(recipient: str, content: str) -> str:
"""Send an email to specified recipient."""
return f"Email sent to {recipient}"
agent = initialize_agent(
[search_database, send_email], llm,
agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True,
)
多步 SequentialChain（抽取→分析→汇总，靠 output_key 串联）：
from langchain.chains import LLMChain, SequentialChain
from langchain.prompts import PromptTemplate
extract_chain = LLMChain(llm=llm, output_key="entities",
prompt=PromptTemplate(input_variables=["text"],
template="Extract key entities from: {text}\n\nEntities:"))
analyze_chain = LLMChain(llm=llm, output_key="analysis",
prompt=PromptTemplate(input_variables=["entities"],
template="Analyze these entities: {entities}\n\nAnalysis:"))
summary_chain = LLMChain(llm=llm, output_key="summary",
prompt=PromptTemplate(input_variables=["entities", "analysis"],
template="Summarize:\nEntities: {entities}\nAnalysis: {analysis}\n\nSummary:"))
overall_chain = SequentialChain(
chains=[extract_chain, analyze_chain, summary_chain],
input_variables=["text"],
output_variables=["entities", "analysis", "summary"], verbose=True)
自定义回调（监控/调试）：
from langchain.callbacks.base import BaseCallbackHandler
class CustomCallbackHandler(BaseCallbackHandler):
def on_llm_start(self, serialized, prompts, **kwargs): ...
def on_llm_end(self, response, **kwargs): ...
def on_llm_error(self, error, **kwargs): ...
def on_agent_action(self, action, **kwargs): ...
agent.run("query", callbacks=[CustomCallbackHandler()])
测试要点（工具选择 + 记忆持久化）：
def test_memory_persistence():
memory = ConversationBufferMemory()
memory.save_context({"input": "Hi"}, {"output": "Hello!"})
assert "Hi" in memory.load_memory_variables({})['history']
注意事项
常见坑：
- 记忆溢出：未控制对话历史长度，及时切换 Summary/Window 记忆。
- 工具选择错误：工具描述含糊会误导 Agent，docstring 要精准。
- 超出上下文窗口：注意 token 上限，配合分块与摘要。
- 缺错误处理：未捕获 Agent 失败，需加 try/except 与回退策略。
- 检索低效：未优化向量库查询（chunk 大小/重叠、检索 top-k）。
性能优化：开启缓存 langchain.llm_cache = InMemoryCache()；批量文档用 ThreadPoolExecutor 并行切分；交互式场景用 StreamingStdOutCallbackHandler 流式输出。
生产清单（上线前逐项核对）：错误处理、请求/响应日志、token 与成本监控、Agent 执行超时、限流、输入校验、边界用例测试、可观测性(回调)、回退策略、Prompt 与配置纳入版本控制。
提醒：仅在任务确实匹配本技能范围时使用；产物不能替代环境内的实测、验证与专家评审。
互见
源仓库附带更深资料可参考（如存在）：agents（Agent 架构深潜）、memory（记忆模式）、chains（链组合策略）、document-processing（文档加载与索引）、callbacks（监控与可观测性），以及 agent-template.py / memory-config.yaml / chain-example.py 模板。
采编自 sickn33/antigravity-awesome-skills（MIT 许可）。