LangChain công bố Skills, cách nâng tỷ lệ vượt bài của Claude Code từ 25% lên 95%

LangChain đã công bố bộ "Skills" giúp cải thiện mạnh hiệu năng của coding agent.

Đặc biệt, khi các mô hình như Claude Code thực hiện các tác vụ liên quan đến LangChain/LangGraph/LangSmith, tỷ lệ thành công vốn chỉ khoảng 25% khi không có skills đã tăng lên 95% sau khi trang bị skills, còn các tác vụ liên quan đến LangSmith cũng cải thiện lớn từ 17% → 92%.

Các loại skills được công bố

• 11 skills cho LangChain: vòng lặp cơ bản của agent, Human-in-the-Loop của LangGraph, Deep Agents, v.v.
• 3 skills cho LangSmith: tracing, xây dựng dataset, đánh giá agent
  → Đồng thời cũng công bố LangSmith CLI (có thể xem trace, quản lý dataset và chạy thí nghiệm từ terminal)

Kết quả đánh giá & bài học rút ra

• Khi dùng skills, tỷ lệ hoàn thành của Claude Code là 82% so với 9% khi không dùng
• Độ chính xác khi gọi skills: nếu quá nhiều (20 cái) thì lỗi hoạt động tăng ↑ → giảm xuống khoảng 12 cái thì độ chính xác tăng ↑
• Cần hướng dẫn rõ trong AGENTS.md hoặc CLAUDE.md về “khi nào dùng skill nào” để tối đa hóa hiệu quả

Triển vọng tương lai

• Khi tận dụng LangSmith skills, agent có thể vận hành một vòng lặp tự cải thiện gồm phân tích log thực thi của chính nó → tóm tắt vấn đề → tự động tạo dataset kiểm thử + evaluator.
• Trong tương lai, một chu trình dựa trên terminal theo kiểu “agent cải thiện agent” có thể trở thành xu hướng chủ đạo.