langchain.mdc

LangChain-Patterns für LLM-Apps

Für wen: KI-App-Entwickler

So nutzt du es

Datei in deinem Projekt unter .cursor/rules/ ablegen (modernes .mdc-Format) oder den Inhalt in den Cursor-Einstellungen unter Rules einfügen. Cursor hält sich ab dann in diesem Projekt an die Regeln — z. B. Stack-Konventionen und Code-Stil.

Im Detail

Diese Rule liefert Cursor projektspezifisches Wissen zu LangChain-Konzepten wie Chains, Agents, Memory-Objekten und Retrieval-Pipelines, statt generischen Python-Code vorzuschlagen. Sie hilft bei typischen Stolperfallen wie falscher Chain-Komposition, ineffizientem Prompt-Handling oder fehlendem Streaming-Support. Sinnvoll für Teams, die LLM-Anwendungen mit RAG oder Agenten-Workflows bauen und nicht bei jedem Prompt die LangChain-Dokumentation durchsuchen wollen. Für einfache, einzelne LLM-Aufrufe ohne Chains oder Agents ist die Regel Overkill; dort reicht eine reine Python- oder FastAPI-Instruction völlig aus.

Praxis-Tipp

Kombinieren Sie es mit fastapi.mdc, wenn die LangChain-Pipeline hinter einer API läuft. Beispieleingabe: „Baue eine RetrievalQA-Chain mit einem lokalen Vektorspeicher.“

Siehe auch

• fastapi.mdc
• python.mdc
• nextjs15-react19-vercelai-tailwind-…

Lizenz & Quelle

• Lizenz: CC0-1.0
• Quelle: github.com/sanjeed5/awesome-cursor-rules-mdc

Lade …