Data & IA

Skills pour LLM, bases vectorielles, training de modeles et scraping web.

816 skills

# Skill Source Description Δ
1 open-source browser-use/browser-use Automatiser la navigation web en Python avec des agents IA configurables. 111 268 1395
2 browser-use browser-use/browser-use Contrôler un navigateur Chrome via CDP pour automatiser des tâches web. 111 268 1395
3 claude-api anthropics/skills Construire des applications LLM avec Claude via le SDK officiel adapté au langage. 171 932 1267
4 defuddle kepano/obsidian-skills Extraire le contenu lisible et épuré de pages web via Defuddle CLI. 47 356 454
5 prompt-master nidhinjs/prompt-master Générer des prompts optimisés et prêts à l'emploi pour chaque outil IA cible. 11 829 323
6 tool-calling-tutor wenyuchiou/awesome-agentic-ai-zh Diagnostiquer et corriger les erreurs d'appel d'outils dans un agent IA. 6 425 315
7 arize-ai-provider-integration github/awesome-copilot Gérer les intégrations LLM dans Arize AI via des commandes CLI dédiées. 38 295 222
8 arize-annotation github/awesome-copilot Créer et gérer des configs d'annotation pour labelliser des spans IA via Arize. 38 295 222
9 arize-dataset github/awesome-copilot Gérer et exporter des datasets versionnés dans l'espace Arize via CLI. 38 295 222
10 arize-experiment github/awesome-copilot Gérer et exporter des expériences d'évaluation de modèles IA via Arize. 38 295 222
11 arize-instrumentation github/awesome-copilot Instrumenter une application avec le tracing Arize AX via une analyse guidée. 38 295 222
12 arize-evaluator github/awesome-copilot Concevoir et exécuter des évaluateurs LLM-as-judge sur la plateforme Arize. 38 295 222
13 arize-link github/awesome-copilot Générer des liens profonds vers l'interface Arize pour traces, spans, datasets et évaluateurs. 38 295 222
14 arize-prompt-optimization github/awesome-copilot Optimiser les prompts LLM en analysant les traces et signaux de performance Arize. 38 295 222
15 arize-trace github/awesome-copilot Exporter et analyser des traces de spans depuis Arize via CLI. 38 295 222
16 doublecheck github/awesome-copilot Vérifier automatiquement les affirmations d'une réponse IA avec sourçage détaillé. 38 295 222
17 phoenix-cli github/awesome-copilot Inspecter traces, spans, sessions et datasets d'agents IA via une CLI Phoenix. 38 295 222
18 phoenix-evals github/awesome-copilot Construire et valider des évaluateurs LLM pour applications IA en production. 38 295 222
19 phoenix-tracing github/awesome-copilot Instrumenter des applications LLM avec Phoenix via le tracing OpenInference. 38 295 222
20 power-bi-dax-optimization github/awesome-copilot Analyser et optimiser des formules DAX Power BI pour de meilleures performances. 38 295 222
21 power-bi-model-design-review github/awesome-copilot Auditer et optimiser la conception d'un modèle de données Power BI. 38 295 222
22 power-bi-performance-troubleshooting github/awesome-copilot Diagnostiquer et résoudre les problèmes de performance dans Power BI. 38 295 222
23 ai-prompt-engineering-safety-review github/awesome-copilot Auditer et améliorer des prompts IA pour la sécurité, les biais et l'efficacité. 38 295 222
24 bigquery-pipeline-audit github/awesome-copilot Auditer un pipeline BigQuery pour coûts, sécurité et fiabilité en production. 38 295 222
25 create-llms github/awesome-copilot Générer un fichier llms.txt conforme aux spécifications depuis la structure d'un dépôt. 38 295 222
26 microsoft-agent-framework github/awesome-copilot Développer, migrer et orchestrer des agents avec Microsoft Agent Framework. 38 295 222
27 agentic-eval github/awesome-copilot Implémenter des boucles d'évaluation itératives pour affiner et améliorer les sorties d'agents IA. 38 295 222
28 datanalysis-credit-risk github/awesome-copilot Nettoyer et sélectionner des variables pour modélisation de risque crédit. 38 295 222
29 eval-driven-dev github/awesome-copilot Construire un pipeline d'évaluation automatisé end-to-end pour applications Python utilisant un LLM. 38 295 222
30 powerbi-modeling github/awesome-copilot Concevoir et optimiser des modèles sémantiques Power BI selon les bonnes pratiques Microsoft. 38 295 222
31 qdrant-clients-sdk github/awesome-copilot Rechercher des exemples de code pour interagir avec l'API Qdrant via ses SDKs officiels. 38 295 222
32 qdrant-deployment-options github/awesome-copilot Choisir le bon déploiement Qdrant selon ses besoins de production ou prototypage. 38 295 222
33 qdrant-model-migration github/awesome-copilot Migrer une collection Qdrant lors d'un changement de modèle d'embedding sans interruption. 38 295 222
34 qdrant-performance-optimization github/awesome-copilot Optimiser les performances Qdrant : vitesse, indexation et mémoire. 38 295 222
35 qdrant-memory-usage-optimization github/awesome-copilot Optimiser et surveiller l'utilisation mémoire de Qdrant pour des performances maximales. 38 295 222
36 qdrant-scaling github/awesome-copilot Choisir et appliquer la bonne stratégie de scaling Qdrant selon l'objectif visé. 38 295 222
37 qdrant-indexing-performance-optimization github/awesome-copilot Diagnostiquer et résoudre les problèmes de lenteur d'indexation dans Qdrant. 38 295 222
38 qdrant-search-speed-optimization github/awesome-copilot Diagnostiquer et résoudre les problèmes de performance de recherche vectorielle. 38 295 222
39 qdrant-minimize-latency github/awesome-copilot Optimiser la latence des requêtes Qdrant via RAM, CPU et configuration HNSW. 38 295 222
40 qdrant-scaling-data-volume github/awesome-copilot Scaler des volumes de données massifs via multi-tenancy, fenêtre temporelle ou sharding distribué. 38 295 222
41 qdrant-horizontal-scaling github/awesome-copilot Planifier la scalabilité verticale et horizontale d'un cluster Qdrant efficacement. 38 295 222
42 qdrant-sliding-time-window github/awesome-copilot Gérer une fenêtre temporelle glissante dans Qdrant avec rotation de shards ou collections. 38 295 222
43 qdrant-tenant-scaling github/awesome-copilot Partitionner efficacement Qdrant multi-tenant selon le volume et les contraintes d'isolation. 38 295 222
44 qdrant-vertical-scaling github/awesome-copilot Dimensionner verticalement un cluster Qdrant en augmentant CPU, RAM ou disque. 38 295 222
45 qdrant-scaling-qps github/awesome-copilot Optimiser le débit de requêtes Qdrant via segmentation, quantification et réplication horizontale. 38 295 222
46 qdrant-scaling-query-volume github/awesome-copilot Optimiser les requêtes multi-shards via sous-échantillonnage statistique de Poisson. 38 295 222
47 qdrant-search-quality-diagnosis github/awesome-copilot Diagnostiquer et corriger la qualité de recherche vectorielle dans Qdrant. 38 295 222
48 qdrant-search-quality github/awesome-copilot Diagnostiquer et optimiser la qualité de recherche vectorielle dans Qdrant. 38 295 222
49 qdrant-search-strategies github/awesome-copilot Optimiser la recherche vectorielle avec hybridation, reranking et feedback de pertinence. 38 295 222
50 qdrant-version-upgrade github/awesome-copilot Gérer les mises à niveau de version Qdrant en garantissant compatibilité et continuité de service. 38 295 222

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.