AgentSeek 准备篇（下）：为 AI 编码助手安装开发技能

完成本章后，Codex、Claude Code 或其他兼容工具可以在当前项目中使用 langchain-dev-guide 和 langsmith-trace。

本文命令于 2026-07-15 验证。Skills CLI 会继续更新；请以 npx skills --help 的输出为准。

两类 Skill 的区别

本章安装的是编码助手开发技能。它们帮助 Codex、Claude Code、Cursor 等工具修改和调试项目。

课程第 7 章介绍的是 DeepAgents 运行时 Skill。运行时 Skill 通过 create_deep_agent(skills=[...]) 提供给你的 Agent。两者都使用 SKILL.md，但服务对象不同：

类型	使用者	安装或加载方式	本章是否涉及
编码助手开发技能	Codex、Claude Code、Cursor 等	`npx skills add ...`	是
DeepAgents 运行时 Skill	你构建的 Deep Agent	`create_deep_agent(skills=[...])`	否，见第 7 章

1. 查看 AgentSeek 开发技能

Skills CLI 通过 npm 运行。先确认 Node.js 和 npm 已安装：

node --version
npm --version

进入上一章生成的项目：

cd research_deepagent

查看 AgentSeek 仓库提供的技能：

npx skills add ob-labs/agentseek --list

仓库里的技能会继续增加，实际清单以命令输出为准。本课程重点使用其中两个：

Skill	用途
`langchain-dev-guide`	LangChain、LangGraph 和 DeepAgents 开发指南
`langsmith-trace`	LangSmith Trace 查询与调试流程

输出中出现的其他技能与本课程准备流程无关，可以暂时忽略。

2. 安装到当前项目

运行以下命令：

npx skills add ob-labs/agentseek --skill langchain-dev-guide --skill langsmith-trace

Skills CLI 会检测本机已有的编码助手。按提示选择 Codex、Claude Code 或你正在使用的工具，并确认安装。

你也可以直接指定工具。安装到 Codex：

npx skills add ob-labs/agentseek --skill langchain-dev-guide --skill langsmith-trace --agent codex --yes

安装到 Claude Code：

npx skills add ob-labs/agentseek --skill langchain-dev-guide --skill langsmith-trace --agent claude-code --yes

本章使用项目级安装，不加 --global。技能只作用于当前项目，也更方便你在安装后先检查内容，再决定是否把它们纳入版本管理。

3. 检查安装位置

列出当前项目和用户目录中的已安装技能：

npx skills list

不同编码助手读取不同目录：

编码助手	项目级目录	全局目录
Codex	`.agents/skills/`	`~/.agents/skills/`
Claude Code	`.claude/skills/`	`~/.claude/skills/`
Cursor	`.agents/skills/`	`~/.agents/skills/`

项目级安装是默认行为。--global 会写入用户级目录，不会写入当前项目的 .agents/skills/。

如果你选择了 Codex，可以检查技能入口：

ls .agents/skills/langchain-dev-guide/SKILL.md
ls .agents/skills/langsmith-trace/SKILL.md

如果你选择了 Claude Code，请把路径替换为 .claude/skills/。

4. 使用 langchain-dev-guide

langchain-dev-guide 汇总了 LangChain 生态开发中容易出现的配置和运行问题，主要覆盖：

DeepAgents 模型、文件系统、子 Agent 和长期记忆
OpenAI 兼容接口与国产模型接入
Middleware、流式输出和多 Agent 编排
结构化输出、Tool Call 和运行时上下文问题

在编码助手中输入一个具体任务，并明确提到技能名称：

请使用 langchain-dev-guide 检查这个 deepagents/research 项目的模型配置。
本课程默认通过 SiliconFlow 的 OpenAI 兼容接口使用 GLM。
请核对环境变量，并说明 Tool Call、reasoning_content 等能力的兼容性边界。

编码助手应该先读取 langchain-dev-guide/SKILL.md，再按需读取它引用的资料。你可以要求助手说明它使用了哪个参考文件，以确认技能已经生效。

另一个示例：

请使用 langchain-dev-guide，为这个研究 Agent 添加自定义 Middleware。
先检查 Middleware 执行顺序和 state_schema 合并规则，再给出修改方案。

5. 实操：用 langsmith-trace 定位一次慢调用（5–10 分钟）

本节使用上一章 deepagents/research 生成的 Trace。完成后，你应该能指出研究过程慢在哪里、判断依据是什么，以及下一步如何优化。

开始前确认：

上一章已经启用 LANGSMITH_TRACING=true
.env 中已经设置 LANGSMITH_API_KEY 和 LANGSMITH_PROJECT=deepagents-course
deepagents-course 或 default 中至少有一条已完成的 research Trace
当前项目已经安装 langsmith-trace

5.1 检查 CLI 和认证

先确认 LangSmith CLI 是否可用：

command -v langsmith
langsmith --version

如果命令不存在，请让编码助手使用 langsmith-trace 中的安装步骤，不要自行猜测安装命令。

LangSmith CLI 从环境变量读取凭证。请在项目根目录加载 .env：

set -a
source .env
set +a

确认凭证有效，并找到最近有运行记录的项目：

langsmith --format pretty project list

你应该能在列表中找到 deepagents-course。如果最近的 research Trace 已经进入 default，可以把后续命令中的项目名换成 default，直接分析已有 Trace。LANGSMITH_PROJECT 只影响未来运行；只有两个项目中都没有已完成的 research Trace 时，才需要修正配置并重新运行研究问题。

不要把真实 Key 写进 Shell 命令，也不要使用 --api-key。命令可能进入 Shell 历史、进程列表或编码助手日志。

5.2 找到完整 Trace

先列出最近的根 Trace：

langsmith trace list --project deepagents-course --name research --include-metadata --limit 5

复制最新、状态已完成的 research 根节点 trace_id，再查看完整运行树：

langsmith trace get <trace-id> --project deepagents-course --include-metadata

<trace-id> 是占位符，请替换为上一步返回的真实 ID。你会看到根 research、research-agent 子 Agent、ChatOpenAI 模型调用、tavily_search 工具调用，以及多层 middleware 包装。

5.3 让编码助手分析瓶颈

在 Codex、Claude Code 或其他已安装技能的编码助手中输入：

请使用 langsmith-trace 分析刚才确认的 LangSmith 项目中最近一次已完成的 research Trace。
优先使用 deepagents-course；如果该 Trace 在 default，就使用 default。

请先确认项目和 trace_id，再区分：
1. 根 research 流程；
2. research-agent 子 Agent；
3. run_type=llm 的实际模型调用；
4. tavily_search 等实际工具调用。

分别找出最慢的叶子模型调用和最慢的实际工具调用。
不要把根 Trace、task 子 Agent 包装或 middleware 包装层直接当成瓶颈。
对候选 Run 使用 run get --include-io 检查输入、输出和错误。

最后输出表格：调用、类型、耗时、判断证据、可能原因、下一步建议。
不要输出 API Key 或其他凭证。

技能应该先按类型缩小范围，不要一次输出所有 Run 的输入输出：

langsmith run list --trace-ids <trace-id> --project deepagents-course --run-type llm --include-metadata --limit 100
langsmith run list --trace-ids <trace-id> --project deepagents-course --run-type tool --include-metadata --limit 100

LangSmith API 当前允许的单次 run list 上限是 100。复杂研究 Trace 可能超过这个数量；先用 --run-type 过滤，必要时再用 --name 缩小范围，避免截断结果或向终端输出大量 IO。工具结果中的 task 是子 Agent 包装，不要把它当成实际工具瓶颈。完整层级仍以 trace get 为准。

找到候选 run_id 后，明确使用 --include-io 查看单次调用：

langsmith run get <run-id> --include-io --include-metadata

不要用 run get --full 代替。部分 CLI 版本中，--full 可能返回空的输入输出；显式使用 --include-io 更稳定。

5.4 检查分析结果

一次合格的分析至少包含：

检查项	完成标准
Trace 选择	使用最近一次已完成的 `research` Trace
层级区分	能区分根流程、子 Agent、模型和工具
模型瓶颈	找到最慢的 `run_type=llm` 叶子 Run
工具瓶颈	找到最慢的实际工具 Run，例如 `tavily_search`
证据	给出 `run_id`、耗时、状态以及输入输出检查结果
建议	建议与证据对应，而不是只说“换更快模型”

本文实测的研究 Trace 包含 162 个 Run，0 个错误，总耗时约 472.9 秒。按类型查询全部 22 个模型 Run 后，最慢的叶子 ChatOpenAI 调用约 85.9 秒；查询全部 17 个工具 Run 并排除 task 包装后，最慢的实际工具是约 25.1 秒的 tavily_search。你的结果会随模型、网络、问题和模板版本变化，不要把这些数字写成固定预期。

Trace 可能保存提示词、工具参数和模型输出。如果你处理敏感数据，可以设置 LANGSMITH_HIDE_INPUTS=true 和 LANGSMITH_HIDE_OUTPUTS=true；启用后，本节用于分析内容的 Run 输入输出会被隐藏。

6. 更新技能

只更新当前项目中的技能：

npx skills update -p

如果你以后使用了全局安装，只更新全局技能：

npx skills update -g

更新后再次运行：

npx skills list

7. 可选：安装到用户目录

如果你希望在所有项目中使用这两个技能，可以执行：

npx skills add ob-labs/agentseek --skill langchain-dev-guide --skill langsmith-trace --global

全局安装适合个人长期使用。团队项目仍建议保留项目级安装，让项目需要的技能可以被其他成员发现。

移除技能

不再需要这些项目级技能时，可以移除：

npx skills remove langchain-dev-guide langsmith-trace --yes

本章完成结果

你现在拥有：

安装在当前项目中的 langchain-dev-guide 和 langsmith-trace
一套检查、更新和移除开发技能的命令
区分编码助手技能与 DeepAgents 运行时 Skill 的清晰边界

接下来，你可以让编码助手使用这两个技能修改上一章生成的研究应用，或继续学习第 7 章的 DeepAgents 运行时 Skills。

参考来源：AgentSeek Skills、Skills CLI、langchain-dev-guide、langsmith-trace、LangSmith CLI、LangSmith 数据脱敏。