菜单
LangChain AI Agent Master 교안의 파트별 리뷰를 자동 생성하는 스킬. 교안(docs/partXX_*.md)과 예제 코드(src/partXX_*/)를 분석하여 문서 갈무리, 오류/수정 피드백, 개선 제안, 리뷰어 종합 소견을 포함하는 리뷰 마크다운을 생성한다. 사용자가 "파트 리뷰", "교안 리뷰", "review part", "리뷰 작성" 등을 요청할 때 사용한다.
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
| name | langchain-doc-reviewer |
| description | LangChain AI Agent Master 교안의 파트별 리뷰를 자동 생성하는 스킬. 교안(docs/partXX_*.md)과 예제 코드(src/partXX_*/)를 분석하여 문서 갈무리, 오류/수정 피드백, 개선 제안, 리뷰어 종합 소견을 포함하는 리뷰 마크다운을 생성한다. 사용자가 "파트 리뷰", "교안 리뷰", "review part", "리뷰 작성" 등을 요청할 때 사용한다. |
LangChain AI Agent Master 교안 프로젝트의 파트별 교안과 예제 코드를 체계적으로 분석하여, 재현 가능한 품질의 리뷰 마크다운 파일을 생성한다.
langchain-docs/langchain/ 이고, docs/, src/, reviews/ 디렉토리가 존재하는 환경사용자로부터 다음 2가지 정보를 확인한다. 명시되지 않은 경우 질문한다.
Part 01은 리뷰 대상이 아니다 (소개 파트로 reviews 디렉토리 없음). 요청 시 안내 후 거부한다.
| Part | Slug | 교안 제목 |
|---|---|---|
| 02 | fundamentals | LangChain 핵심 구성 요소 |
| 03 | first_agent | 첫 번째 Agent 만들기 |
| 04 | memory | 메모리 시스템 |
| 05 | middleware | 미들웨어 |
| 06 | context | 컨텍스트와 런타임 |
| 07 | multi_agent | 멀티에이전트 시스템 |
| 08 | rag_mcp | RAG와 MCP |
| 09 | production | 프로덕션 |
| 10 | deployment | 배포와 관측성 |
파트 번호로부터 아래 경로들을 도출한다:
docs/part{NN}_{slug}.mdsrc/part{NN}_{slug}/docs/part{NN-1}_{prev_slug}.md (Part 02는 part01_introduction.md)docs/part{NN+1}_{next_slug}.md (Part 10은 없음)reviews/part{NN}_{slug}/review_{이름}.md병렬 탐색 에이전트 3개 를 동시에 실행하여 컨텍스트를 수집한다.
대상 교안 파일을 전체 읽고 다음을 파싱한다:
# 헤딩)> 예제 코드: [파일명](경로) 라인 X-Y)src/part{NN}_{slug}/ 디렉토리의 모든 .py 파일 을 읽고 다음을 분석한다:
def example_* 패턴)validator vs field_validator, .schema() vs .model_json_schema())eval(), exec(), SQL injection 등)solutions/ 디렉토리의 파일 존재 여부와 줄 수다음 파일들을 읽는다:
reviews/TEMPLATE.md (출력 포맷 확인)reviews/README.md (리뷰 가이드라인 확인)수집된 데이터를 기반으로 7단계 분석을 수행한다.
## 레벨 이상 섹션의 제목과 줄 범위 추출각 .py 파일이 교안의 어떤 섹션에 대응하는지 매핑 테이블을 작성한다.
01_, 02_ 등)와 교안 섹션 번호가 항상 일치하지는 않으므로, 내용 기반 으로 매핑한다교안 내 라인 X-Y 형식의 참조를 모두 찾아서, 해당 소스 파일의 실제 줄 번호와 대조한다.
grep -n '라인' 으로 모든 라인 참조를 추출오류/수정 으로 기록교안 내 소스 파일명 참조가 실제 올바른 파일을 가리키는지 확인한다.
03_tools_basic.py를 참조하지만 해당 내용이 04_tools_advanced.py에 있는 경우교안과 소스 코드 모두에서 다음을 점검한다:
from langchain.agents import create_agent vs from langgraph.prebuilt import create_react_agent 등validator, .schema()), LangChain legacy APIclaude-sonnet-4-5-20250929, gpt-4.1 등의 실제 존재 여부eval(), 하드코딩된 credentials 등아래 구조로 마크다운 파일을 작성한다. references/review_example.md를 참고하여 동일한 상세도와 톤을 유지한다.
reviews/part{NN}_{slug}/review_{이름}.md
기존 파일이 있으면 덮어쓰기 전에 사용자에게 확인한다.
# Part {N}: {교안 제목} 리뷰 - {리뷰어 이름}
> 작성일: YYYY-MM-DD
## 리뷰 범위
- [x] 교안: `docs/part{NN}_{slug}.md`
- [x] 예제 코드: `src/part{NN}_{slug}/`
---
## 문서 갈무리 (전체 요약)
### 문서 개요
분량, 난이도, 소스 파일 수, 실습 과제 수 등 교안의 기본 정보를 정리한다.
### 섹션별 핵심 내용 요약
각 섹션의 제목, 줄 범위, 핵심 내용을 2-3문장으로 요약한다.
형식: **섹션 N. {제목}** (L{시작}~L{끝})
### 소스 코드 매핑
| 소스 파일 | 라인 수 | 대응 교안 섹션 |
|-----------|------:|-------------|
| `01_xxx.py` | NNN | 섹션 N (제목) |
| ... | | |
대응 파일이 없는 섹션이 있으면 주석으로 표기한다.
### 학습 흐름 분석
전체적인 학습 접근 방식(Bottom-up, Top-down 등)을 서술하고, 흐름도를 텍스트로 표현한다.
---
## 교안 피드백 (`docs/part{NN}_{slug}.md`)
### 오류/수정
반드시 고쳐야 할 문제를 체크리스트로 나열한다.
형식: - [ ] L{줄번호}: {문제 설명} -> {수정 방향}
### 개선 제안
논의 후 결정할 사항을 나열한다.
형식: - [ ] 섹션 N / L{줄번호}: {제안 내용}
---
## 예제 코드 피드백 (`src/part{NN}_{slug}/`)
### 오류/수정
형식: - [ ] `{파일명}` L{줄번호}: {문제 설명} -> {수정 방향}
### 개선 제안
형식: - [ ] `{파일명}` 또는 전반: {제안 내용}
---
## 기타 의견 (리뷰어 종합 소견)
### 강점
번호 매긴 리스트로 교안의 잘된 점을 나열한다.
### 구조적 제안
섹션 재배치, 분량 조절, 내용 분리 등 구조적 개선안을 제시한다.
### 난이도 평가
섹션별 체감 난이도를 표로 정리하고, 표기 난이도와의 차이를 분석한다.
| 섹션 | 체감 난이도 | 비고 |
|------|-----------|------|
| ... | ... | ... |
### Part {N-1} -> {N} -> {N+1} 연결성
이전/다음 파트와의 전환이 자연스러운지 분석하고, 개선점을 제안한다.
리뷰 파일 작성 후 다음을 확인한다:
**...(...)** 패턴에서 닫는 ** 뒤에 한글이 바로 오면 공백이 있는지 확인. grep -Pn '\*\*[^*]*[)":]\*\*[가-힣]' 로 검사python, bash, markdown 등)가 있는지review_example.md - Part 02 완성 리뷰 예시. 출력의 상세도, 톤, 구조의 기준점으로 사용한다. 리뷰 작성 시 이 파일을 읽어 동일한 품질을 유지한다.