Monitoring & Observabilité
Logs, traces et metriques : OpenTelemetry, Sentry, Application Insights, Grafana.
| # | Skill | Source | Description | ||
|---|---|---|---|---|---|
| 1 | cost-optimization | wshobson/agents | Optimiser les coûts cloud sur AWS, Azure, GCP et OCI via des stratégies systématiques. | 35 424 | |
| 2 | distributed-tracing | wshobson/agents | Implémenter le traçage distribué avec Jaeger et Tempo pour visualiser les flux de requêtes. | 35 424 | |
| 3 | grafana-dashboards | wshobson/agents | Créer et gérer des dashboards Grafana prêts pour la production avec Prometheus. | 35 424 | |
| 4 | prometheus-configuration | wshobson/agents | Configurer Prometheus pour la collecte de métriques, alertes et monitoring d'infrastructure. | 35 424 | |
| 5 | service-mesh-observability | wshobson/agents | Configurer l'observabilité complète d'un service mesh avec métriques, traces et logs. | 35 424 | |
| 6 | slo-implementation | wshobson/agents | Définir et implémenter des SLIs, SLOs et budgets d'erreur pour fiabiliser les services. | 35 424 | |
| 7 | arize-instrumentation | github/awesome-copilot | Instrumenter une application avec le tracing Arize AX via une analyse guidée. | 33 040 | |
| 8 | copilot-usage-metrics | github/awesome-copilot | Récupérer et afficher les métriques d'utilisation de GitHub Copilot via CLI. | 33 040 | |
| 9 | debian-linux-triage | github/awesome-copilot | Diagnostiquer et résoudre des problèmes système sur Debian Linux avec outils adaptés. | 33 040 | |
| 10 | fedora-linux-triage | github/awesome-copilot | Diagnostiquer et résoudre des problèmes système sur Fedora Linux pas à pas. | 33 040 | |
| 11 | flowstudio-power-automate-monitoring | github/awesome-copilot | Surveiller la santé des flux Power Automate via un cache enrichi de métadonnées de gouvernance. | 33 040 | |
| 12 | power-bi-performance-troubleshooting | github/awesome-copilot | Diagnostiquer et résoudre les problèmes de performance dans Power BI. | 33 040 | |
| 13 | qdrant-memory-usage-optimization | github/awesome-copilot | Optimiser et surveiller l'utilisation mémoire de Qdrant pour des performances maximales. | 33 040 | |
| 14 | qdrant-monitoring | github/awesome-copilot | Surveiller et diagnostiquer les performances d'un déploiement Qdrant en production. | 33 040 | |
| 15 | qdrant-monitoring-debugging | github/awesome-copilot | Diagnostiquer les problèmes de performance Qdrant via métriques d'optimisation et mémoire. | 33 040 | |
| 16 | qdrant-monitoring-setup | github/awesome-copilot | Configurer la surveillance Qdrant avec Prometheus, alertes et logs centralisés. | 33 040 | |
| 17 | qdrant-scaling-data-volume | github/awesome-copilot | Scaler des volumes de données massifs via multi-tenancy, fenêtre temporelle ou sharding distribué. | 33 040 | |
| 18 | sentry | openai/skills | Interroger Sentry en lecture seule pour analyser, diagnostiquer et expliquer les erreurs de production. | 19 156 | |
| 19 | applicationinsights-web-ts | microsoft/skills | Monitorer les performances et comportements utilisateurs dans les apps web via Application Insights. | 2 316 | |
| 20 | azure-cost | microsoft/skills | Analyser, prévoir et optimiser les coûts Azure via des requêtes API ciblées. | 2 316 | |
| 21 | azure-monitor-ingestion-java | microsoft/skills | Envoyer des logs personnalisés vers Azure Monitor via l'API d'ingestion Java. | 2 316 | |
| 22 | azure-monitor-opentelemetry-ts | microsoft/skills | Instrumenter automatiquement des applications Node.js avec Azure Monitor et OpenTelemetry. | 2 316 | |
| 23 | eas-update-insights | expo/skills | Consulter les métriques de santé et d'adoption des mises à jour EAS publiées. | 1 914 | |
| 24 | web-perf | cloudflare/skills | Auditer les performances web d'une page via Chrome DevTools et Core Web Vitals. | 1 539 | |
| 25 | troubleshooting-astro-deployments | astronomer/agents | Diagnostiquer et résoudre les problèmes de déploiements Astronomer en production via l'Astro CLI. | 364 | |
| 26 | firebase-crashlytics | firebase/agent-skills | Intégrer et configurer Crashlytics pour collecter des données de crash Android ou iOS. | 284 | |
| 27 | qdrant-memory-usage-optimization | qdrant/skills | Optimiser et surveiller l'utilisation mémoire de Qdrant pour réduire l'empreinte RAM. | 120 | |
| 28 | qdrant-minimize-latency | qdrant/skills | Optimiser la latence des requêtes Qdrant via RAM, CPU et segmentation. | 120 | |
| 29 | qdrant-monitoring | qdrant/skills | Surveiller et diagnostiquer les performances d'un déploiement Qdrant en production. | 120 | |
| 30 | qdrant-monitoring-debugging | qdrant/skills | Diagnostiquer les problèmes de performance Qdrant via métriques d'optimisation et mémoire. | 120 | |
| 31 | qdrant-monitoring-setup | qdrant/skills | Configurer le monitoring Qdrant avec Prometheus, alertes et logs centralisés. | 120 | |
| 32 | qdrant-performance-optimization | qdrant/skills | Optimiser les performances Qdrant : vitesse, indexation et mémoire. | 120 | |
| 33 | qdrant-scaling-qps | qdrant/skills | Optimiser le débit de requêtes Qdrant via segmentation, quantization et réplication horizontale. | 120 | |
| 34 | agent-install | datadog-labs/agent-skills | Installer et configurer l'agent Datadog avec SSI sur des hôtes Linux distants. | 110 | |
| 35 | agent-skills | datadog-labs/agent-skills | Gérer la surveillance, les logs et les traces Datadog via un agent IA. | 110 | |
| 36 | dd-apm | datadog-labs/agent-skills | Monitorer les performances applicatives avec le tracing distribué et l'instrumentation Kubernetes. | 110 | |
| 37 | dd-audit-ai-activity | datadog-labs/agent-skills | Auditer l'activité de l'assistant IA Datadog via les journaux d'audit MCP. | 110 | |
| 38 | dd-audit-cost-spike-investigation | datadog-labs/agent-skills | Corréler les pics de coût Datadog avec les changements de configuration via l'Audit Trail. | 110 | |
| 39 | dd-logs | datadog-labs/agent-skills | Rechercher, filtrer et archiver des logs Datadog avec contrôle des coûts. | 110 | |
| 40 | dd-monitors | datadog-labs/agent-skills | Créer, gérer et auditer des monitors d'alerting Datadog avec les meilleures pratiques. | 110 | |
| 41 | dd-pup | datadog-labs/agent-skills | Interagir avec l'API Datadog via CLI pour logs, monitors, traces et incidents. | 110 | |
| 42 | enable-ssi | datadog-labs/agent-skills | Configurer les balises de service unifiées Datadog via SSI sur Linux. | 110 | |
| 43 | onboarding-summary | datadog-labs/agent-skills | Générer un rapport de confirmation complet après l'onboarding APM sur un hôte Linux. | 110 | |
| 44 | service-remapping | datadog-labs/agent-skills | Créer des règles de remappage APM pour renommer ou regrouper des services Datadog sans réinstrumentation. | 110 | |
| 45 | troubleshoot-ssi | datadog-labs/agent-skills | Diagnostiquer et résoudre les échecs d'injection SSI APM sur Linux. | 110 | |
| 46 | verify-ssi | datadog-labs/agent-skills | Vérifier l'instrumentation automatique APM SSI sur un hôte Linux via SSH. | 110 | |
| 47 | ad-conf-check | nvidia/skills | Vérifier l'application des configs YAML AutoDeploy via logs serveur et dumps de graphes. | 87 | |
| 48 | alerts | nvidia/skills | Gérer les alertes VSS en mode CV ou VLM selon le déploiement actif. | 87 | |
| 49 | monitor | nvidia/skills | Surveiller et rapporter l'état des jobs SLURM soumis à des clusters HPC. | 87 | |
| 50 | nemoclaw-user-monitor-sandbox | nvidia/skills | Surveiller l'état, les logs et le réseau d'un sandbox NemoClaw pour diagnostiquer. | 87 |
À propos de cette sélection
L'observabilité est souvent le dernier chantier qu'on branche et le premier qu'on regrette d'avoir bâclé. Quand un agent commence à enchaîner des appels LLM en production, savoir exactement où la latence explose ou quel span a silencieusement échoué transforme radicalement le débogage. Les skills monitoring & observabilité rassemblés ici couvrent des cas concrets : instrumenter un pipeline d'inférence pour en extraire des traces exploitables, ou auditer la consommation réelle d'un assistant Copilot avant que la facture surprenne tout le monde. L'outillage disponible est déjà dense, avec des contributions notables de Datadog Labs et Dash0 couvrant OpenTelemetry, les métriques système sous Linux et le troubleshooting de performance sur des stacks variées. Le profil qui atterrit ici : un SRE ou un ML engineer qui veut enfin piloter avec des données concrètes sous les yeux.