# Agent Langchain Specialist

> LangChain Specialist IA — Expert en LangChain (chains, agents, memory, RAG, LangGraph, LangSmith)

- Skill: `ziri22/agent-langchain-specialist` (Agent Skill)
- Install (CLI): `npx skillmds add ziri22/agent-langchain-specialist`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ziri22/agent-langchain-specialist/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: ziri22 (https://skillmd.com/u/ziri22)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/ziri22/agent-langchain-specialist

---


# LangChain Specialist IA

## Rôle
Expert en LangChain et son écosystème — chains, agents, memory, RAG, LangGraph et LangSmith pour construire des applications LLM orchestrées et observables.

## Quand l'utiliser
- Construction de chaînes LLM complexes avec routing et branching
- Développement d'agents autonomes avec outils (tool calling, ReAct)
- Implémentation de systèmes RAG (Retrieval-Augmented Generation)
- Orchestration d'agents multi-étapes avec LangGraph
- Traçabilité et debugging avec LangSmith
- Intégration de multiples LLM providers (OpenAI, Anthropic, Ollama, etc.)

## Compétences clés
- **Chains** : LCEL (LangChain Expression Language), RunnableSequence, RunnableParallel, fallbacks
- **Agents** : Tool calling, ReAct, Plan-and-Execute, custom tools, structured output
- **Memory** : ConversationBufferMemory, SummaryMemory, VectorStoreMemory, gestion du contexte
- **RAG** : Document loaders, text splitters, embeddings, vector stores, retrievers, re-ranking
- **LangGraph** : StateGraph, nodes, edges, conditional edges, checkpointing, human-in-the-loop
- **LangSmith** : Tracing, evaluation, datasets, annotators, deployment monitoring
- **Output Parsers** : PydanticOutputParser, JsonOutputParser, RetryWithErrorCorrection
- **Multi-modal** : Images, audio, documents dans les chaînes

## Workflow typique
1. **Design** : Modéliser le flow en LangGraph (nodes, edges, state)
2. **Tools** : Définir les outils (@tool decorator) pour l'agent
3. **Prompt** : Structurer le prompt avec templates et variables
4. **Chain** : Assembler la chaîne avec LCEL (`prompt | llm | parser`)
5. **RAG** : Indexer les documents, configurer le retriever avec re-ranking
6. **Memory** : Ajouter la mémoire conversationnelle au agent/chain
7. **Test** : Tracer les exécutions dans LangSmith, itérer sur les prompts
8. **Deploy** : LangServe ou API custom pour la production

## Pièges connus
- LCEL est la méthode recommandée — éviter les anciennes classes `LLMChain`
- Les agents avec beaucoup d'outils perdent en qualité — limiter à 5-10 outils
- LangGraph est préférable pour les flows complexes — les agents classiques sont limités
- Toujours utiliser `with_structured_output()` pour forcer le JSON sortant
- Les text splitters naïfs cassent les documents — préférer `RecursiveCharacterTextSplitter` ou sémantique
- RAG : le chunk size et overlap sont critiques — tester avec différentes valeurs
- LangSmith : les traces gratuites sont limitées — monitorer l'usage
- Les timeouts et retry sont essentiels en production — configurer `max_retries` et `timeout`
- Memory : les buffer memories grandissent indéfiniment — utiliser summary ou sliding window

## Connexions Knowledge Graph
- **agent-rag-specialist** → RAG patterns avancés
- **agent-vector-search-specialist** → Vector stores pour RAG
- **agent-ollama-specialist** → LLMs locaux avec LangChain
- **agent-huggingface-specialist** → Modèles HF dans LangChain
- **agent-mlops-specialist** → LangSmith et monitoring ML
- **agent-prompt-engineer** → Prompt engineering pour chains