Data & IA
Skills pour LLM, bases vectorielles, training de modeles et scraping web.
| # | Skill | Source | Description | ||
|---|---|---|---|---|---|
| 1 | claude-api | anthropics/skills | Construire des applications LLM avec Claude via le SDK officiel adapté au langage. | 134 565 | |
| 2 | aoti-debug | pytorch/pytorch | Diagnostiquer et corriger les erreurs courantes d'AOTInductor avec méthode. | 99 920 | |
| 3 | metal-kernel | pytorch/pytorch | Implémenter des kernels Metal natifs pour opérateurs PyTorch sur Apple Silicon. | 99 920 | |
| 4 | pt2-bug-basher | pytorch/pytorch | Déboguer les erreurs de compilation PyTorch 2 via Dynamo, Inductor et AOTAutograd. | 99 920 | |
| 5 | open-source | browser-use/browser-use | Automatiser la navigation web en Python avec des agents IA configurables. | 94 024 | |
| 6 | airflow-dag-patterns | wshobson/agents | Orchestrer des pipelines de données Apache Airflow avec patterns, opérateurs et déploiement. | 35 407 | |
| 7 | backtesting-frameworks | wshobson/agents | Construire des systèmes de backtesting robustes pour évaluer fiablement des stratégies de trading. | 35 407 | |
| 8 | data-quality-frameworks | wshobson/agents | Implémenter des frameworks de qualité de données avec Great Expectations, dbt et contrats. | 35 407 | |
| 9 | dbt-transformation-patterns | wshobson/agents | Structurer et optimiser des pipelines de transformation dbt en couches analytiques. | 35 407 | |
| 10 | embedding-strategies | wshobson/agents | Choisir et optimiser les modèles d'embedding pour la recherche vectorielle. | 35 407 | |
| 11 | hybrid-search-implementation | wshobson/agents | Combiner recherche vectorielle et par mots-clés pour améliorer le rappel RAG. | 35 407 | |
| 12 | langchain-architecture | wshobson/agents | Construire des agents IA sophistiqués avec LangChain, LangGraph et gestion d'état. | 35 407 | |
| 13 | llm-evaluation | wshobson/agents | Évaluer les performances des LLM via métriques automatisées, jugement humain et A/B testing. | 35 407 | |
| 14 | ml-pipeline-workflow | wshobson/agents | Orchestrer un pipeline MLOps complet de l'ingestion des données au déploiement en production. | 35 407 | |
| 15 | projection-patterns | wshobson/agents | Construire des projections et read models pour systèmes event-sourced en CQRS. | 35 407 | |
| 16 | prompt-engineering-patterns | wshobson/agents | Concevoir et optimiser des prompts avancés pour maximiser les performances des LLMs. | 35 407 | |
| 17 | rag-implementation | wshobson/agents | Implémenter la RAG pour construire des applications LLM avec réponses factuelles et sourcées. | 35 407 | |
| 18 | risk-metrics-calculation | wshobson/agents | Calculer la VaR, CVaR et métriques de risque pour la gestion de portefeuille. | 35 407 | |
| 19 | similarity-search-patterns | wshobson/agents | Implémenter une recherche vectorielle sémantique efficace et scalable en production. | 35 407 | |
| 20 | spark-optimization | wshobson/agents | Optimiser les jobs Apache Spark avec partitionnement, mémoire et gestion des shuffles. | 35 407 | |
| 21 | vector-index-tuning | wshobson/agents | Optimiser les index vectoriels HNSW pour maximiser rappel, vitesse et mémoire. | 35 407 | |
| 22 | agent-governance | github/awesome-copilot | Appliquer des règles de sécurité et de conformité aux actions d'un agent IA. | 33 021 | |
| 23 | agentic-eval | github/awesome-copilot | Implémenter des boucles d'évaluation itératives pour affiner et améliorer les sorties d'agents IA. | 33 021 | |
| 24 | ai-prompt-engineering-safety-review | github/awesome-copilot | Auditer et améliorer des prompts IA pour la sécurité, les biais et l'efficacité. | 33 021 | |
| 25 | arize-ai-provider-integration | github/awesome-copilot | Gérer les intégrations LLM dans Arize AI via des commandes CLI dédiées. | 33 021 | |
| 26 | arize-annotation | github/awesome-copilot | Créer et gérer des configs d'annotation pour labelliser des spans IA via Arize. | 33 021 | |
| 27 | arize-dataset | github/awesome-copilot | Gérer et exporter des datasets versionnés dans l'espace Arize via CLI. | 33 021 | |
| 28 | arize-evaluator | github/awesome-copilot | Concevoir et exécuter des évaluateurs LLM-as-judge sur la plateforme Arize. | 33 021 | |
| 29 | arize-experiment | github/awesome-copilot | Gérer et exporter des expériences d'évaluation de modèles IA via Arize. | 33 021 | |
| 30 | arize-link | github/awesome-copilot | Générer des liens profonds vers l'interface Arize pour traces, spans, datasets et évaluateurs. | 33 021 | |
| 31 | arize-prompt-optimization | github/awesome-copilot | Optimiser les prompts LLM en analysant les traces et signaux de performance Arize. | 33 021 | |
| 32 | arize-trace | github/awesome-copilot | Exporter et analyser des traces de spans depuis Arize via CLI. | 33 021 | |
| 33 | autoresearch | github/awesome-copilot | Automatiser des expérimentations itératives sur du code jusqu'à atteindre un objectif mesurable. | 33 021 | |
| 34 | bigquery-pipeline-audit | github/awesome-copilot | Auditer un pipeline BigQuery pour coûts, sécurité et fiabilité en production. | 33 021 | |
| 35 | copilot-sdk | github/awesome-copilot | Intégrer les workflows agentiques de GitHub Copilot dans n'importe quelle application. | 33 021 | |
| 36 | create-llms | github/awesome-copilot | Générer un fichier llms.txt conforme aux spécifications depuis la structure d'un dépôt. | 33 021 | |
| 37 | datanalysis-credit-risk | github/awesome-copilot | Nettoyer et sélectionner des variables pour modélisation de risque crédit. | 33 021 | |
| 38 | dataverse-python-advanced-patterns | github/awesome-copilot | Générer du code Python production-ready pour interagir avec l'API Dataverse via son SDK. | 33 021 | |
| 39 | dataverse-python-production-code | github/awesome-copilot | Générer du code Python production-ready pour interagir avec l'API Dataverse. | 33 021 | |
| 40 | doublecheck | github/awesome-copilot | Vérifier automatiquement les affirmations d'une réponse IA avec sourçage détaillé. | 33 021 | |
| 41 | eval-driven-dev | github/awesome-copilot | Construire un pipeline d'évaluation automatisé end-to-end pour applications Python utilisant un LLM. | 33 021 | |
| 42 | geofeed-tuner | github/awesome-copilot | Créer et optimiser des feeds de géolocalisation IP au format CSV selon RFC 8805. | 33 021 | |
| 43 | microsoft-agent-framework | github/awesome-copilot | Développer, migrer et orchestrer des agents avec Microsoft Agent Framework. | 33 021 | |
| 44 | mini-context-graph | github/awesome-copilot | Construire et interroger un graphe de connaissances persistant combinant wiki, entités et sources brutes. | 33 021 | |
| 45 | model-recommendation | github/awesome-copilot | Recommander le modèle IA optimal pour un fichier .agent.md ou .prompt.md Copilot. | 33 021 | |
| 46 | phoenix-cli | github/awesome-copilot | Inspecter traces, spans, sessions et datasets d'agents IA via une CLI Phoenix. | 33 021 | |
| 47 | phoenix-evals | github/awesome-copilot | Construire et valider des évaluateurs LLM pour applications IA en production. | 33 021 | |
| 48 | phoenix-tracing | github/awesome-copilot | Instrumenter des applications LLM avec Phoenix via le tracing OpenInference. | 33 021 | |
| 49 | power-bi-dax-optimization | github/awesome-copilot | Analyser et optimiser des formules DAX Power BI pour de meilleures performances. | 33 021 | |
| 50 | power-bi-model-design-review | github/awesome-copilot | Auditer et optimiser la conception d'un modèle de données Power BI. | 33 021 |
À propos de cette sélection
L'outillage autour de l'IA générative a mûri vite, mais de façon inégale. Les abstractions haut niveau prolifèrent pendant que le bas niveau (embeddings, kernels GPU, pipelines de fine-tuning) reste souvent sous-documenté et morcelé. Les skills data & IA réunis ici couvrent précisément cette zone. Un ingénieur ML qui veut déboguer un kernel Metal ou optimiser un graphe PyTorch trouvera des ressources issues directement des équipes PyTorch. Un dev backend qui bascule vers du RAG trouvera de quoi brancher Qdrant, construire ses pipelines de vecteurs et interroger des modèles via l'API Claude d'Anthropic. Python domine largement le corpus, ce qui reflète l'état réel de l'écosystème. Les profils data engineers habitués à Astronomer ont aussi leur place, avec des skills couvrant l'orchestration de workflows au plus près de la prod.