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. 111 268 404
2 browser-use browser-use/browser-use Contrôler un navigateur Chrome via CDP pour automatiser des tâches web. 111 268 404
3 claude-api anthropics/skills Construire des applications LLM avec Claude via le SDK officiel adapté au langage. 171 932 136
4 serenity-skill muxuuu/serenity-skill Identifier les maillons rares d'une chaîne d'approvisionnement pour prioriser des opportunités d'investissement. 3 899 33
5 defuddle kepano/obsidian-skills Extraire le contenu lisible et épuré de pages web via Defuddle CLI. 47 356 23
6 airflow-dag-patterns wshobson/agents Orchestrer des pipelines de données Apache Airflow avec patterns, opérateurs et déploiement. 39 177 17
7 data-quality-frameworks wshobson/agents Implémenter des frameworks de qualité de données avec Great Expectations, dbt et contrats. 39 177 17
8 dbt-transformation-patterns wshobson/agents Structurer et optimiser des pipelines de transformation dbt en couches analytiques. 39 177 17
9 spark-optimization wshobson/agents Optimiser les jobs Apache Spark avec partitionnement, mémoire et gestion des shuffles. 39 177 17
10 embedding-strategies wshobson/agents Choisir et optimiser les modèles d'embedding pour la recherche vectorielle. 39 177 17
11 hybrid-search-implementation wshobson/agents Combiner recherche vectorielle et par mots-clés pour améliorer le rappel RAG. 39 177 17
12 langchain-architecture wshobson/agents Construire des agents IA sophistiqués avec LangChain, LangGraph et gestion d'état. 39 177 17
13 llm-evaluation wshobson/agents Évaluer les performances des LLM via métriques automatisées, jugement humain et A/B testing. 39 177 17
14 prompt-engineering-patterns wshobson/agents Concevoir et optimiser des prompts avancés pour maximiser les performances des LLMs. 39 177 17
15 rag-implementation wshobson/agents Implémenter la RAG pour construire des applications LLM avec réponses factuelles et sourcées. 39 177 17
16 similarity-search-patterns wshobson/agents Implémenter une recherche vectorielle sémantique efficace et scalable en production. 39 177 17
17 vector-index-tuning wshobson/agents Optimiser les index vectoriels HNSW pour maximiser rappel, vitesse et mémoire. 39 177 17
18 ml-pipeline-workflow wshobson/agents Orchestrer un pipeline MLOps complet de l'ingestion des données au déploiement en production. 39 177 17
19 backtesting-frameworks wshobson/agents Construire des systèmes de backtesting robustes pour évaluer fiablement des stratégies de trading. 39 177 17
20 risk-metrics-calculation wshobson/agents Calculer la VaR, CVaR et métriques de risque pour la gestion de portefeuille. 39 177 17
21 recsys-pipeline-architect wshobson/agents Concevoir et scaffolder des pipelines de recommandation en six étapes pour tout système top-K. 39 177 17
22 spark-environment-setup wshobson/agents Configurer et déboguer un environnement ML sur DGX Spark avec CUDA 13. 39 177 17
23 spark-memory-thermal-ops wshobson/agents Gérer la mémoire unifiée et les thermiques du DGX Spark GB10 efficacement. 39 177 17
24 spark-training-gotchas wshobson/agents Diagnostiquer et corriger les dix pannes récurrentes d'entraînement sur DGX Spark GB10. 39 177 17
25 checkpoint-promotion wshobson/agents Évaluer et promouvoir un checkpoint via un processus de validation en quatre étapes. 39 177 17
26 dataset-curation wshobson/agents Préparer, formater et valider un dataset JSONL pour fine-tuner un LLM. 39 177 17
27 eval-harness-first wshobson/agents Construire un harnais d'évaluation rigoureux avant tout fine-tuning de modèle. 39 177 17
28 finetuning-method-selection wshobson/agents Choisir la bonne méthode de fine-tuning ou rediriger vers RAG/prompt engineering. 39 177 17
29 grpo-rlvr-training wshobson/agents Configurer et lancer un entraînement GRPO/RLVR avec récompenses vérifiables. 39 177 17
30 lora-qlora-recipes wshobson/agents Configurer des adaptateurs LoRA et QLoRA optimaux pour le fine-tuning SFT supervisé. 39 177 17
31 preference-optimization wshobson/agents Sélectionner et configurer la méthode optimale d'alignement par préférences (DPO, ORPO, KTO, SimPO). 39 177 17
32 quantized-export wshobson/agents Exporter un checkpoint promu au bon format quantifié selon la cible matérielle. 39 177 17
33 trace-to-training-data wshobson/agents Convertir des traces d'évaluation notées en données d'entraînement SFT ou DPO prêtes à l'emploi. 39 177 17
34 vision-sft wshobson/agents Configurer et affiner un modèle vision-langage avec LoRA/QLoRA de façon optimale. 39 177 17
35 prompt-master nidhinjs/prompt-master Générer des prompts optimisés et prêts à l'emploi pour chaque outil IA cible. 11 829 17
36 arize-ai-provider-integration github/awesome-copilot Gérer les intégrations LLM dans Arize AI via des commandes CLI dédiées. 38 295 15
37 arize-annotation github/awesome-copilot Créer et gérer des configs d'annotation pour labelliser des spans IA via Arize. 38 295 15
38 arize-dataset github/awesome-copilot Gérer et exporter des datasets versionnés dans l'espace Arize via CLI. 38 295 15
39 arize-experiment github/awesome-copilot Gérer et exporter des expériences d'évaluation de modèles IA via Arize. 38 295 15
40 arize-instrumentation github/awesome-copilot Instrumenter une application avec le tracing Arize AX via une analyse guidée. 38 295 15
41 arize-evaluator github/awesome-copilot Concevoir et exécuter des évaluateurs LLM-as-judge sur la plateforme Arize. 38 295 15
42 arize-link github/awesome-copilot Générer des liens profonds vers l'interface Arize pour traces, spans, datasets et évaluateurs. 38 295 15
43 arize-prompt-optimization github/awesome-copilot Optimiser les prompts LLM en analysant les traces et signaux de performance Arize. 38 295 15
44 arize-trace github/awesome-copilot Exporter et analyser des traces de spans depuis Arize via CLI. 38 295 15
45 doublecheck github/awesome-copilot Vérifier automatiquement les affirmations d'une réponse IA avec sourçage détaillé. 38 295 15
46 phoenix-cli github/awesome-copilot Inspecter traces, spans, sessions et datasets d'agents IA via une CLI Phoenix. 38 295 15
47 phoenix-evals github/awesome-copilot Construire et valider des évaluateurs LLM pour applications IA en production. 38 295 15
48 phoenix-tracing github/awesome-copilot Instrumenter des applications LLM avec Phoenix via le tracing OpenInference. 38 295 15
49 power-bi-dax-optimization github/awesome-copilot Analyser et optimiser des formules DAX Power BI pour de meilleures performances. 38 295 15
50 power-bi-model-design-review github/awesome-copilot Auditer et optimiser la conception d'un modèle de données Power BI. 38 295 15

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.